基于视网膜结构改变的机器学习对早期帕金森病诊断的预测价值研究

doi:10.12114/j.issn.1007-9572.2023.0450

中国全科医学 ›› 2024, Vol. 27 ›› Issue (09): 1102-1108.DOI: 10.12114/j.issn.1007-9572.2023.0450

基于视网膜结构改变的机器学习对早期帕金森病诊断的预测价值研究

梁可可¹^,², 郭庆歌³, 李晓欢²^,⁴, 马建军¹^,²^,⁴^,^*(), 杨红旗¹^,²^,⁴, 石小雪¹^,²^,⁴, 范咏言²^,⁴, 杨大伟²^,⁴, 郭大帅¹^,², 董琳瑞²^,⁴, 古祺¹^,²^,⁴, 李东升¹^,²^,⁴

1．450003　河南省郑州市，河南大学人民医院
2．450003　河南省郑州市，河南省人民医院神经内科
3．450003　河南省郑州市，河南省人民医院　河南省立眼科医院　河南省眼科研究所
4．450003　河南省郑州市，郑州大学人民医院

收稿日期:2023-08-01 修回日期:2023-10-20 出版日期:2024-03-20 发布日期:2023-12-19
通讯作者: 马建军
作者贡献：梁可可负责选题构思与设计、数据收集与整理、统计分析、图表制作及论文撰写；郭庆歌、马建军、杨红旗和石小雪负责论文指导及论文修改；李晓欢、杨大伟和范咏言负责数据整理；郭大帅和董琳瑞负责数据整理、核查数据及统计分析；古祺、李东升负责核查数据、统计分析；马建军负责最终版本修订，对论文负责。
基金资助:
河南省医学科技攻关计划省部共建重点项目(SBGJ202102035)

Predictive Value of Machine Learning Based on Retinal Structural Changes for Early Parkinson's Disease Diagnosis

LIANG Keke¹^,², GUO Qingge³, LI Xiaohuan²^,⁴, MA Jianjun¹^,²^,⁴^,^*(), YANG Hongqi¹^,²^,⁴, SHI Xiaoxue¹^,²^,⁴, FAN Yongyan²^,⁴, YANG Dawei²^,⁴, GUO Dashuai¹^,², DONG Linrui²^,⁴, GU Qi¹^,²^,⁴, LI Dongsheng¹^,²^,⁴

1. People's Hospital of Henan University, Zhengzhou 450003, China
2. Department of Neurology, Henan Provincial People's Hospital, Zhengzhou 450003, China
3. Henan Eye Institute/Henan Eye Hospital/Henan Provincial People's Hospital, Zhengzhou 450003, China
4. People's Hospital of Zhengzhou University, Zhengzhou 450003, China

Received:2023-08-01 Revised:2023-10-20 Published:2024-03-20 Online:2023-12-19
Contact: MA Jianjun

分享到

摘要/Abstract

摘要： 背景帕金森病（PD）的诊断主要以临床症状为主，缺乏正确诊断的客观方法。目前已有关于视网膜结构改变作为PD早期诊断的生物标志的研究，但基于视网膜结构改变的机器学习对预测早期PD的研究尚少。目的基于视网膜结构改变的特征构建机器学习模型，探索其在早期PD诊断中的预测价值，及探讨不同机器学习算法对PD早期诊断的准确性。方法选取2021年10月—2022年9月在河南省人民医院神经内科门诊就诊和住院治疗的年龄40~70岁的PD患者49例（PD组），并选取来医院体检的年龄及性别相匹配的39名健康者（健康对照组）为研究对象。所有研究对象行扫频源光学相关断层扫描和扫频源光学相干断层扫描血流成像检查，并定量分析黄斑区视网膜的厚度和血管密度。将88例受试者按7∶3的比例随机分为训练集62例和验证集26例，选择PD组与健康对照组差异有统计学意义的变量作为纳入机器学习模型的特征变量，并在训练集中分别构建Logistic回归（LR）、K-近邻算法（KNN）、决策树（DT）、随机森林（RF）和极端梯度提升（XGboost）模型。采用受试者工作特征（ROC）曲线下面积（AUC）、准确度、灵敏度和特异度评价基于视网膜改变的机器学习模型对早期PD诊断的预测价值。结果与健康对照组相比，PD组患者浅层毛细血管的上方外圈（A6）、颞侧外圈（A7）、下方外圈（A8）以及鼻侧外圈（A9）密度减少，视网膜层的上方内圈（A2）、颞侧内圈（A3）、下方内圈（A4）、鼻侧内圈（A5）、A6~A9厚度，节细胞复合体层的A9厚度，神经纤维层的A7厚度，视网膜外层的A2和A4~A9厚度变薄（P<0.05）。视网膜层A2厚度（OR=0.781，95%CI=0.659~0.926）、视网膜层A3厚度（OR=1.190，95%CI=1.019~1.390）、视网膜外层A2厚度（OR=0.748，95%CI=0.603~0.929）、视网膜外层A6厚度（OR=2.264，95%CI=1.469~3.490）、视网膜外层A8厚度（OR=0.723，95%CI=0.576~0.906）以及神经纤维层A7厚度变薄（OR=0.592，95%CI=0.454~0.773）及浅层毛细血管A7密度减少（OR=1.966，95%CI=1.399~2.765）为早期PD发生的独立危险因素（P<0.05）。将上述变量纳入并构建机器学习模型，结果显示，构建的5个模型中，LR模型整体性能最高，其AUC为0.841，而DT模型的准确度最高，其准确度为0.846。结论基于视网膜特征的机器学习模型可准确的预测早期PD，其中，DT模型对早期PD诊断具有较高的准确度。

关键词: 帕金森病, 扫描源光学相干断层扫描, 视网膜, 机器学习, 诊断，鉴别

Abstract:

Background

The diagnosis of Parkinson disease (PD) is mainly based on clinical symptoms, and there is a lack of objective methods for correct diagnosis. At present, there have been studies on retinal structural changes as a biomark for early diagnosis of PD, but machine learning based on retinal structural changes for predicting early PD has not yet been studied.

Objective

To construct a machine learning model based on the characteristics of retinal structural changes, explore its value in early PD diagnosis, and the accuracy of different machine learning algorithms for early PD diagnosis.

Methods

From October 2021 to September 2022, 49 PD patients aged 40 to 70 years old (PD group) who attended outpatient clinics and were hospitalized in the department of neurology of Henan Provincial People's Hospital (PD group) and 39 healthy people with matching age and sex (healthy control group) who came to the hospital for physical examination were collected. All study subjects underwent swept-source optical coherence tomography and swept-source optical coherence tomography angiography, the thickness and vessel density of the macular retina were also quantitatively analyzed. The 88 subjects were randomly divided into the 62 training sets and 26 validation set according to the ratio of 7∶3. Variables with significant differences between the PD group and healthy control group were selected as the characteristic variables for inclusion in the machine learning model, and Logistic regression (LR) , K-nearest neighbor algorithm (KNN) , decision tree (DT) , random forest (RF) and extreme gradient boosting (XGboost) models were constructed in the training set. The area under the curve (AUC) , accuracy, sensitivity and specificity of the receiver operating characteristic (ROC) curve were used to evaluate the predictive value of the machine learning model based on retinal structural changes for early PD.

Results

Compared with the healthy control group, the density of the upper outer ring (A6) , the outer temporal outer ring (A7) , the lower outer ring (A8) and the outer nasal ring (A9) of the superficial capillaries in the PD group were reduced, the thickness of the upper inner ring (A2) , the inner temporal inner ring (A3) , the inferior inner ring (A4) , the inner ring of the nasal side (A5) of the retinal layer, A6, A7, A8 and A9, the thickness of A6 of the ganglion cell complex layer, the thickness of A7 of the nerve fiber layer, A2 and A4, A5, A6, A7, A8, A9 became thinner (P<0.05) . The reductions in A2 thickness of the retinal layer (OR=0.781, 95%CI=0.659-0.926) , A3 thickness of the retinal layer (OR=1.190, 95%CI=1.019-1.390) , A2 thickness of the outer retina (OR=0.748, 95%CI=0.603-0.929) , A6 thickness of the outer retina (OR=2.264, 95%CI=1.469-3.490) , A8 thickness of the outer retina (OR=0.723, 95%CI=0.576-0.906) , and A7 thickness of the nerve fiber layer (OR=0.592, 95%CI=0.454-0.773) , and the decrease in A7 density of the superficial capillaries (OR=1.966, 95%CI=1.399-2.765) were independent risk factors for the occurrence of early PD (P<0.05) . The above variables were involved to construct the machine learning model, the results showed that among the five models constructed, the LR model had the highest overall performance, with an AUC of 0.841, while the DT model has the highest accuracy at 0.846.

Conclusion

Machine learning model based on retinal features can accurately predict early PD, among which the DT model has high accuracy for early PD diagnosis.

Key words: Parkinson disease, Scan source optical coherence tomography, Retina, Machine learning, Diagnosis, differential

梁可可,郭庆歌,李晓欢,等. 基于视网膜结构改变的机器学习对早期帕金森病诊断的预测价值研究[J]. 中国全科医学, 2024, 27(09): 1102-1108. DOI: 10.12114/j.issn.1007-9572.2023.0450.
LIANG Keke,GUO Qingge,LI Xiaohuan, et al. Predictive Value of Machine Learning Based on Retinal Structural Changes for Early Parkinson's Disease Diagnosis[J]. Chinese General Practice, 2024, 27(09): 1102-1108. DOI: 10.12114/j.issn.1007-9572.2023.0450.

图/表 8

参考文献 33

[1]	LI G, MA J F, CUI S S，et al. Parkinson's disease in China：a forty-year growing track of bedside work[J]. Transl Neurodegener，2019,8:22. DOI：10.1186/s40035-019-0162-z.
[2]	KALIA L V, LANG A E. Parkinson's disease[J]. Lancet，2015,386(9996):896-912. DOI：10.1016/s0140-6736(14)61393-3.
[3]	BLOEM B R, OKUN M S, KLEIN C. Parkinson's disease[J]. Lancet，2021,397(10291):2284-2303. DOI：10.1016/s0140-6736(21)00218-x.
[4]	LI R. Data mining and machine learning methods for dementia research[J]. Methods Mol Biol，2018,1750:363-370. DOI：10.1007/978-1-4939-7704-8_25.
[5]	ORTUÑO-LIZARÁN I, BEACH T G, SERRANO G E，et al. Phosphorylated α-synuclein in the retina is a biomarker of Parkinson's disease pathology severity[J]. Mov Disord，2018,33(8):1315-1324. DOI：10.1002/mds.27392.
[6]	VAN CALSTER B, WYNANTS L. Machine learning in medicine[J]. N Engl J Med，2019,380(26):2588. DOI：10.1056/NEJMc1906060.
[7]	CHANG C H, LIN C H, LANE H Y. Machine learning and novel biomarkers for the diagnosis of Alzheimer's disease[J]. Int J Mol Sci，2021,22(5):2761. DOI：10.3390/ijms22052761.
[8]	JO T, NHO K, RISACHER S L，et al. Deep learning detection of informative features in tau PET for Alzheimer's disease classification[J]. BMC Bioinformatics，2020,21(Suppl 21):496. DOI：10.1186/s12859-020-03848-0.
[9]	STAMATE D, KIM M, PROITSI P，et al. A metabolite-based machine learning approach to diagnose Alzheimer-type dementia in blood：results from the European Medical Information Framework for Alzheimer disease biomarker discovery cohort[J]. Alzheimers Dement，2019,5:933-938. DOI：10.1016/j.trci.2019.11.001.
[10]	POSTUMA R B, BERG D, STERN M，et al. MDS clinical diagnostic criteria for Parkinson's disease[J]. Mov Disord，2015,30(12):1591-1601. DOI：10.1002/mds.26424.
[11]	GOETZ C G, POEWE W, RASCOL O，et al. Movement Disorder Society Task Force report on the Hoehn and Yahr staging scale：status and recommendations[J]. Mov Disord，2004,19(9):1020-1028. DOI：10.1002/mds.20213.
[12]	ZHANG Y F, ZHANG D, GAO Y Z，et al. Retinal flow density changes in early-stage Parkinson's disease investigated by swept-source optical coherence tomography angiography[J]. Curr Eye Res，2021,46(12):1886-1891. DOI：10.1080/02713683.2021.1933054.
[13]	DU K F, HUANG X J, CHEN C，et al. Macular structure and microvasculature changes in AIDS-related cytomegalovirus retinitis using optical coherence tomography angiography[J]. Front Med，2021,8:696447. DOI：10.3389/fmed.2021.696447.
[14]	PAN M Z, ZHAO F, XIE B T，et al. Dietary ω-3 polyunsaturated fatty acids are protective for myopia[J]. Proc Natl Acad Sci U S A，2021,118(43):e2104689118. DOI：10.1073/pnas.2104689118.
[15]	ZHOU N, XU X L, LIU Y M，et al. Appearance of tumor vessels in patients with choroidal osteoma using swept-source optical coherence tomographic angiography[J]. Front Oncol，2021,11:762394. DOI：10.3389/fonc.2021.762394.
[16]	XI N M, WANG L, YANG C J. Improving the diagnosis of thyroid cancer by machine learning and clinical data[J]. Sci Rep，2022,12(1):11143. DOI：10.1038/s41598-022-15342-z.
[17]	YAP T E, BALENDRA S I, ALMONTE M T，et al. Retinal correlates of neurological disorders[J]. Ther Adv Chronic Dis，2019,10:2040622319882205. DOI：10.1177/2040622319882205.
[18]	SHI C, CHEN Y H, KWAPONG W R，et al. Characterization by fractal dimension analysis of the retinal capillary network in parkinson disease[J]. Retina，2020,40(8):1483-1491. DOI：10.1097/IAE.0000000000002641.
[19]	ZHANG Y F, YANG L, GAO Y Z，et al. Choroid and choriocapillaris changes in early-stage Parkinson's disease：a swept-source optical coherence tomography angiography-based cross-sectional study[J]. Alzheimers Res Ther，2022,14(1):116. DOI：10.1186/s13195-022-01054-z.
[20]	ADELI E, WU G R, SAGHAFI B，et al. Kernel-based joint feature selection and max-margin classification for early diagnosis of Parkinson's disease[J]. Sci Rep，2017,7:41069. DOI：10.1038/srep41069.
[21]	HUPPERTZ H J, MÖLLER L, SÜDMEYER M，et al. Differentiation of neurodegenerative parkinsonian syndromes by volumetric magnetic resonance imaging analysis and support vector machine classification[J]. Mov Disord，2016,31(10):1506-1517. DOI：10.1002/mds.26715.
[22]	NUNES A, SILVA G, DUQUE C，et al. Retinal texture biomarkers may help to discriminate between Alzheimer's，Parkinson's，and healthy controls[J]. PLoS One，2019,14(6):e0218826. DOI：10.1371/journal.pone.0218826.
[23]	ROBBINS C B, THOMPSON A C, BHULLAR P K，et al. Characterization of retinal microvascular and choroidal structural changes in parkinson disease[J]. JAMA Ophthalmol，2021,139(2):182-188. DOI：10.1001/jamaophthalmol.2020.5730.
[24]	KWAPONG W R, YE H, PENG C L，et al. Retinal microvascular impairment in the early stages of Parkinson's disease[J]. Invest Ophthalmol Vis Sci，2018,59(10):4115-4122. DOI：10.1167/iovs.17-23230.
[25]	CARELLI V, MORGIA C L, VALENTINO M L，et al. Retinal ganglion cell neurodegeneration in mitochondrial inherited disorders[J]. Biochim Biophys Acta，2009,1787(5):518-528. DOI：10.1016/j.bbabio.2009.02.024.
[26]	HARNOIS C, PAOLO T D. Decreased dopamine in the retinas of patients with Parkinson's disease[J]. Invest Ophthalmol Vis Sci，1990,31(11):2473-2475.
[27]	ZHANG X B, IVERSON S M, TAN O，et al. Effect of signal intensity on measurement of ganglion cell complex and retinal nerve fiber layer scans in fourier-domain optical coherence tomography[J]. Transl Vis Sci Technol，2015,4(5):7. DOI：10.1167/tvst.4.5.7.
[28]	BODIS-WOLLNER I, KOZLOWSKI P B, GLAZMAN S，et al. α-synuclein in the inner retina in parkinson disease[J]. Ann Neurol，2014,75(6):964-966. DOI：10.1002/ana.24182.
[29]	ZHAO Y, DAI W J, LIU D C. Quantitative analysis of related parameters of retinal nerve fiber layer and ganglion cell complex thickness in patients with different degrees of Parkinson's disease[J]. Aging Clin Exp Res，2022,34(10):2355-2361. DOI：10.1007/s40520-022-02211-y.
[30]	UCAK T, ALAGOZ A, CAKIR B，et al. Analysis of the retinal nerve fiber and ganglion cell-inner plexiform layer by optical coherence tomography in Parkinson's patients[J]. Parkinsonism Relat Disord，2016,31:59-64. DOI：10.1016/j.parkreldis.2016.07.004.
[31]	KIRBAS S, TURKYILMAZ K, TUFEKCI A，et al. Retinal nerve fiber layer thickness in parkinson disease[J]. J Neuro Ophthalmol，2013,33(1):62-65. DOI：10.1097/wno.0b013e3182701745.
[32]	LEE J Y, KIM J M, AHN J，et al. Retinal nerve fiber layer thickness and visual hallucinations in Parkinson's Disease[J]. Mov Disord，2014,29(1):61-67. DOI：10.1002/mds.25543.
[33]	HUANG L L, ZHANG D, JI J L，et al. Central retina changes in Parkinson's disease：a systematic review and meta-analysis[J]. J Neurol，2021,268(12):4646-4654. DOI：10.1007/s00415-020-10304-9.

组别	例数	年龄（±s，岁）	性别（男/女）	病程[M（P₂₅，P₇₅），年]	H-Y分期[M（P₂₅，P₇₅）]	MDS-UPDRSⅠ [M（P₂₅，P₇₅），分]	MDS-UPDRSⅡ [M（P₂₅，P₇₅），分]	MDS-UPDRSⅢ [M（P₂₅，P₇₅），分]	MDS-UPDRS-总[M（P₂₅，P₇₅），分]
健康对照组	39	56.0±6.5	15/24
PD组	49	58.6±6.4	20/29	2.0（1.0，3.0）	2（1，2）	11.0（7.0，14.0）	8.0（5.0，13.0）	17.0（10.5，28.5）	39.0（25.0，49.5）
χ²（t）值		1.964^a	0.500
P值		0.053	0.823

组别	例数	年龄（±s，岁）	性别（男/女）	病程[M（P₂₅，P₇₅），年]	H-Y分期[M（P₂₅，P₇₅）]	MDS-UPDRSⅠ [M（P₂₅，P₇₅），分]	MDS-UPDRSⅡ [M（P₂₅，P₇₅），分]	MDS-UPDRSⅢ [M（P₂₅，P₇₅），分]	MDS-UPDRS-总[M（P₂₅，P₇₅），分]
健康对照组	39	56.0±6.5	15/24
PD组	49	58.6±6.4	20/29	2.0（1.0，3.0）	2（1，2）	11.0（7.0，14.0）	8.0（5.0，13.0）	17.0（10.5，28.5）	39.0（25.0，49.5）
χ²（t）值		1.964^a	0.500
P值		0.053	0.823

组别	例数	浅层毛细血管密度（%）
组别	例数	A1 （±s）	A2[M（P₂₅，P₇₅）]	A3[M（P₂₅，P₇₅）]	A4[M（P₂₅，P₇₅）]	A5[M（P₂₅，P₇₅）]	A6[M（P₂₅，P₇₅）]	A7[M（P₂₅，P₇₅）]	A8[M（P₂₅，P₇₅）]	A9[M（P₂₅，P₇₅）]
健康对照组	39	9.30±4.07	47.09 （44.15，51.99）	42.69 （35.40，44.63）	48.70 （44.96，51.95）	44.18 （38.63，47.56）	44.85 （43.44，46.52）	47.67 （45.76，51.02）	43.50 （41.37，46.62）	51.37 （49.57，53.68）
PD组	49	8.74±3.92	46.91 （41.81，49.30）	39.46 （36.49，42.82）	46.83 （42.77，50.33）	43.03 （39.09，45.39）	43.61 （40.68，46.38）	45.88 （41.43，48.16）	42.60 （39.31，43.85）	50.25 （47.59，52.07）
t（Z）值		-0.655	-1.508^a	-1.239^a	-1.432^a	-1.029^a	-1.970^a	-3.322^a	-2.121^a	-2.39^a
P值		0.514	0.132	0.215	0.152	0.303	0.049	0.001	0.034	0.017
组别	视网膜层厚度（±s，μm）
组别	A1	A2	A3	A4	A5	A6	A7	A8	A9
健康对照组	246.87±21.06	330.94±17.82	315.27±15.69	328.24±17.92	330.61±17.97	294.09±14.30	275.52±14.25	279.77±14.35	312.01±15.65
PD组	243.82±17.24	322.69±15.47	308.44±14.43	320.12±15.53	321.78±15.76	283.92±12.38	268.25±11.35	270.66±12.31	299.06±14.35
t（Z）值	-0.747	-2.322	-2.121	-2.275	-2.456	-3.571	-2.666	-3.204	-4.038
P值	0.457	0.023	0.037	0.025	0.016	0.001	0.009	0.002	<0.001
组别	节细胞复合体层厚度（μm）
组别	A1（±s）	A2（±s）	A3（±s）	A4（±s）	A5（±s）	A6[M（P₂₅，P₇₅）]	A7[M（P₂₅，P₇₅）]	A8[M（P₂₅，P₇₅）]	A9（±s）
健康对照组	34.09±9.51	115.44±10.23	101.74±8.17	115.96±11.11	109.47±10.20	103.61（99.18，108.95）	88.71（82.06，92.08）	102.85（98.20，110.13）	121.57±10.17
PD组	34.23±7.75	111.93±10.06	98.93±8.67	113.04±9.37	105.92±9.77	102.75（96.57，107.53）	87.43（81.68，90.96）	100.40（95.42，105.09）	116.33±9.94
t（Z）值	0.08	-1.616	-1.552	-1.338	-1.664	-1.390^a	-1.155^a	-1.693^a	-2.430
P值	0.937	0.110	0.124	0.184	0.100	0.164	0.248	0.091	0.017
组别	神经纤维层厚度（μm）
组别	A1（±s）	A2（±s）	A3[M（P₂₅，P₇₅）]	A4（±s）	A5（±s）	A6（±s）	A7（±s）	A8（±s）	A9[M（P₂₅，P₇₅）]
健康对照组	11.78±2.12	28.45±3.31	19.05（17.77，20.38）	29.42±3.67	24.11±2.72	45.56±4.49	25.62±4.20	48.44±5.64	53.09（50.21，59.73）
PD组	12.00±1.25	28.11±3.34	18.53（17.76，19.82）	29.04±3.19	23.76±2.49	44.95±5.22	23.24±3.46	46.92±4.93	52.89（48.06，56.43）
t（Z）值	0.602	-0.482	-0.643^a	-0.511	-0.637	-0.679	-2.850	-1.352	-1.441^a
P值	0.549	0.631	0.520	0.610	0.526	0.499	0.005	0.180	0.150
组别	视网膜外层厚度（±s，μm）
组别	A1	A2	A3	A4	A5	A6	A7	A8	A9
健康对照组	185.20±11.08	170.74±9.48	173.29±8.29	168.08±9.17	177.56±9.71	151.83±7.94	149.67±7.60	141.27±7.69	150.40±8.11
PD组	182.18±9.76	166.78±7.69	170.18±7.35	163.88±7.38	172.99±7.87	146.48±7.19	145.77±7.13	136.86±6.77	144.70±7.53
t（Z）值	-1.356	-2.161	-1.866	-2.380	-2.437	-3.314	-2.473	-2.857	-3.412
P值	0.179	0.033	0.065	0.020	0.017	0.001	0.015	0.005	0.001

组别	例数	浅层毛细血管密度（%）
组别	例数	A1 （±s）	A2[M（P₂₅，P₇₅）]	A3[M（P₂₅，P₇₅）]	A4[M（P₂₅，P₇₅）]	A5[M（P₂₅，P₇₅）]	A6[M（P₂₅，P₇₅）]	A7[M（P₂₅，P₇₅）]	A8[M（P₂₅，P₇₅）]	A9[M（P₂₅，P₇₅）]
健康对照组	39	9.30±4.07	47.09 （44.15，51.99）	42.69 （35.40，44.63）	48.70 （44.96，51.95）	44.18 （38.63，47.56）	44.85 （43.44，46.52）	47.67 （45.76，51.02）	43.50 （41.37，46.62）	51.37 （49.57，53.68）
PD组	49	8.74±3.92	46.91 （41.81，49.30）	39.46 （36.49，42.82）	46.83 （42.77，50.33）	43.03 （39.09，45.39）	43.61 （40.68，46.38）	45.88 （41.43，48.16）	42.60 （39.31，43.85）	50.25 （47.59，52.07）
t（Z）值		-0.655	-1.508^a	-1.239^a	-1.432^a	-1.029^a	-1.970^a	-3.322^a	-2.121^a	-2.39^a
P值		0.514	0.132	0.215	0.152	0.303	0.049	0.001	0.034	0.017
组别	视网膜层厚度（±s，μm）
组别	A1	A2	A3	A4	A5	A6	A7	A8	A9
健康对照组	246.87±21.06	330.94±17.82	315.27±15.69	328.24±17.92	330.61±17.97	294.09±14.30	275.52±14.25	279.77±14.35	312.01±15.65
PD组	243.82±17.24	322.69±15.47	308.44±14.43	320.12±15.53	321.78±15.76	283.92±12.38	268.25±11.35	270.66±12.31	299.06±14.35
t（Z）值	-0.747	-2.322	-2.121	-2.275	-2.456	-3.571	-2.666	-3.204	-4.038
P值	0.457	0.023	0.037	0.025	0.016	0.001	0.009	0.002	<0.001
组别	节细胞复合体层厚度（μm）
组别	A1（±s）	A2（±s）	A3（±s）	A4（±s）	A5（±s）	A6[M（P₂₅，P₇₅）]	A7[M（P₂₅，P₇₅）]	A8[M（P₂₅，P₇₅）]	A9（±s）
健康对照组	34.09±9.51	115.44±10.23	101.74±8.17	115.96±11.11	109.47±10.20	103.61（99.18，108.95）	88.71（82.06，92.08）	102.85（98.20，110.13）	121.57±10.17
PD组	34.23±7.75	111.93±10.06	98.93±8.67	113.04±9.37	105.92±9.77	102.75（96.57，107.53）	87.43（81.68，90.96）	100.40（95.42，105.09）	116.33±9.94
t（Z）值	0.08	-1.616	-1.552	-1.338	-1.664	-1.390^a	-1.155^a	-1.693^a	-2.430
P值	0.937	0.110	0.124	0.184	0.100	0.164	0.248	0.091	0.017
组别	神经纤维层厚度（μm）
组别	A1（±s）	A2（±s）	A3[M（P₂₅，P₇₅）]	A4（±s）	A5（±s）	A6（±s）	A7（±s）	A8（±s）	A9[M（P₂₅，P₇₅）]
健康对照组	11.78±2.12	28.45±3.31	19.05（17.77，20.38）	29.42±3.67	24.11±2.72	45.56±4.49	25.62±4.20	48.44±5.64	53.09（50.21，59.73）
PD组	12.00±1.25	28.11±3.34	18.53（17.76，19.82）	29.04±3.19	23.76±2.49	44.95±5.22	23.24±3.46	46.92±4.93	52.89（48.06，56.43）
t（Z）值	0.602	-0.482	-0.643^a	-0.511	-0.637	-0.679	-2.850	-1.352	-1.441^a
P值	0.549	0.631	0.520	0.610	0.526	0.499	0.005	0.180	0.150
组别	视网膜外层厚度（±s，μm）
组别	A1	A2	A3	A4	A5	A6	A7	A8	A9
健康对照组	185.20±11.08	170.74±9.48	173.29±8.29	168.08±9.17	177.56±9.71	151.83±7.94	149.67±7.60	141.27±7.69	150.40±8.11
PD组	182.18±9.76	166.78±7.69	170.18±7.35	163.88±7.38	172.99±7.87	146.48±7.19	145.77±7.13	136.86±6.77	144.70±7.53
t（Z）值	-1.356	-2.161	-1.866	-2.380	-2.437	-3.314	-2.473	-2.857	-3.412
P值	0.179	0.033	0.065	0.020	0.017	0.001	0.015	0.005	0.001

变量	β	SE	Wald χ²值	P值	OR（95%CI）
视网膜层A2厚度	-0.247	0.087	8.120	0.004	0.781（0.659~0.926）
视网膜层A3厚度	0.174	0.079	4.831	0.028	1.190（1.019~1.390）
视网膜外层A2厚度	-0.290	0.110	6.925	0.009	0.748（0.603~0.929）
视网膜外层A6厚度	0.817	0.221	13.703	<0.001	2.264（1.469~3.490）
视网膜外层A8厚度	-0.325	0.116	7.890	0.005	0.723（0.576~0.906）
神经纤维层A7厚度	-0.524	0.136	14.919	<0.001	0.592（0.454~0.773）
浅层毛细血管A7密度	0.676	0.174	15.127	<0.001	1.966（1.399~2.765）

基于视网膜结构改变的机器学习对早期帕金森病诊断的预测价值研究

Predictive Value of Machine Learning Based on Retinal Structural Changes for Early Parkinson's Disease Diagnosis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 33

相关文章 15

编辑推荐

Metrics

留言

模型	准确度	AUC	灵敏度	特异度	精确度
LR	0.769	0.841	0.750	0.800	0.857
KNN	0.730	0.764	0.706	0.778	0.857
DT	0.846	0.806	0.813	0.900	0.929
RF	0.731	0.766	0.733	0.727	0.786
XGBoost	0.769	0.732	0.750	0.800	0.857

[1]	赵润泽, 孙小佳, Hernandez MELBA Marquez, 窦国睿. 光学相干断层成像评估高血压性视网膜病变神经元损伤应用价值的研究[J]. 中国全科医学, 2024, 27(09): 1082-1087.
[2]	南子晴, 蔺莉. 妊娠期尿潴留的诊治进展[J]. 中国全科医学, 2023, 26(36): 4608-4612.
[3]	郭天赐, 陈继鑫, 余伟杰, 刘爱峰. 人工智能在骨关节炎诊疗中的应用进展[J]. 中国全科医学, 2023, 26(19): 2428-2433.
[4]	王秋琴, 章雨桐, 徐语晨, 柏亚妹, 陈华, 姜荣荣, 严姝霞, 王庆, 徐桂华, 谢颖, 乔春, 杨娟. 刮痧联合药物治疗原发性帕金森病的短期临床疗效研究[J]. 中国全科医学, 2023, 26(17): 2155-2161.
[5]	刘春, 蹇文渊, 段俊国. 人工智能应用于糖尿病视网膜病变的文献计量学分析[J]. 中国全科医学, 2023, 26(15): 1847-1856.
[6]	章雨桐, 王秋琴, 徐语晨, 翁恒, 梁咏琪, 汪露露, 王庆, 徐桂华. 帕金森病患者疼痛影响因素的系统评价[J]. 中国全科医学, 2023, 26(14): 1766-1774.
[7]	庄飞, 李平, 何兴, 师昱姗, 孙丽萍. 轻症急性脑梗死患者继发血管周围间隙扩大的影响因素及与眼底血管病变相关性研究[J]. 中国全科医学, 2023, 26(14): 1753-1757.
[8]	董琳瑞, 常青青, 马建军, 柳传泽, 郭大帅, 李晓欢, 范咏言, 李东升. 帕金森病患者自主神经功能障碍与认知障碍的相关性研究[J]. 中国全科医学, 2023, 26(12): 1450-1455.
[9]	秦肖含, 张佩彦, 王玉珍. 功能性便秘患者临床症状和结直肠肛门功能检查分型的一致性研究[J]. 中国全科医学, 2023, 26(12): 1491-1495.
[10]	涂嘉欣, 叶惠清, 张小强, 林雪婷, 杨善岚, 邓莉芳, 吴磊. 2000—2022年人工智能应用于食管癌领域全球研究的可视化分析[J]. 中国全科医学, 2023, 26(06): 760-768.
[11]	赵佳琪, 刘薇, 唐娜, 王腊梅, 屈媛媛, 席冬梅, 钟华, 何芳. 钙敏感受体在高血压大鼠心肌重塑和视网膜血管病变中的作用研究[J]. 中国全科医学, 2023, 26(05): 576-582.
[12]	朱振峰, 何怡婧, 管强, 靳令经. 基于Delphi法构建帕金森病社区规范管理方案[J]. 中国全科医学, 2023, 26(01): 82-90.
[13]	王翠娅, 张军娜, 臧会铃, 吕畅, 郭慧, 马志超, 李建国. 腹痛病因清单在血管性疾病鉴别诊断中的应用——附三例病例分析[J]. 中国全科医学, 2022, 25(36): 4577-4581.
[14]	孙珍珍, 刘欢欢, 陈开宁, 楼青青. 正常尿白蛋白水平在多种疾病预测中的研究进展[J]. 中国全科医学, 2022, 25(33): 4191-4195.
[15]	洪子强, 金大成, 白向豆, 崔百强, 苟云久. 多原发肺癌诊断与治疗的最新研究进展[J]. 中国全科医学, 2022, 25(27): 3435-3442.