Оптимизация на основе машинного обучения для одновременного таргетирования субталамического ядра и черной субстанции при глубокой стимуляции мозга

Почему это важно для людей с болезнью Паркинсона

Глубокая стимуляция мозга стала важным методом лечения болезни Паркинсона, особенно при двигательных расстройствах, которые плохо поддаются медикаментозной терапии. Новые конструкции электродов могут одновременно стимулировать несколько мест в мозге, что вселяет надежду на лучшее управление симптомами, такими как замерзание походки. Тем не менее хирургам всё ещё не хватает четких, основанных на данных правил о том, как разместить один электрод так, чтобы он надежно достигал двух крошечных моторных центров глубоко в мозге.

Две маленькие мишени с большой ролью в движении

При болезни Паркинсона область, называемая субталамическим ядром, часто служит целью глубокой стимуляции, потому что она участвует в контроле движений. Немного ниже находится черная субстанция, которая сильно вовлечена в походку и равновесие. Черная субстанция сама по себе содержит два соседних участка с разными функциями. Некоторые исследования предполагают, что стимуляция нижней части может помочь при упорных проблемах с ходьбой, но результаты были непоследовательными. Одна из причин в том, что хирурги обычно планируют операцию, ориентируясь только на субталамическое ядро, и надеются, что некоторые контакты электрода случайно окажутся в нужной части черной субстанции.

Учимся на сотнях реальных операций

Авторы проанализировали данные визуализации 612 путей электродов, которые уже были имплантированы пациентам с болезнью Паркинсона стандартными методами. Они тщательно реконструировали, где именно находился каждый контакт на каждом электроде внутри мозга и касался ли он одной из двух частей черной субстанции. Они обнаружили, что одна траектория часто могла достигать как субталамического ядра, так и черной субстанции, но не всегда нужного подрегиона. Примерно шесть из десяти траекторий достигали нижней части, а более трети — верхней части. Когда команда смоделировала чуть более длинные электроды или более глубокое расположение, вероятность достижения по крайней мере одной части черной субстанции увеличивалась, при этом субталамическое ядро оставалось доступным.

Как машинное обучение превратило анатомию в простые правила

Чтобы выйти за рамки метода проб и ошибок, исследователи применили метод машинного обучения, называемый классификатором гауссовского процесса. Вместо того чтобы давать советы во время операции, этот алгоритм обучался на завершённых случаях, какие сочетания углов и точек входа с наибольшей вероятностью попадали в каждую часть черной субстанции. Входными данными были измерения, которые хирурги уже могут видеть на стандартных МРТ — например наклон траектории относительно ключевых анатомических ориентиров и где планируемый путь пересекает определённые контрольные линии. Модель с высокой точностью предсказывала, пройдет ли планируемая траектория через нижнюю или верхнюю часть черной субстанции.

От сложных моделей — к практическим рекомендациям

После обучения алгоритма авторы перевели его предсказания в простые практические правила, для применения которых не нужен компьютер в операционной. Для хирургов, стремящихся стимулировать нижнюю часть черной субстанции при одновременном лечении субталамического ядра, правила рекомендуют выбирать немного более боковую точку внутри субталамического ядра и вводить электрод под немного более крутым углом. Тем, кто хочет отдавать предпочтение верхней части, предлагают более центральную точку и другой диапазон углов. Важно, что при соблюдении этих правил в исходных данных субталамическое ядро по-прежнему оставалось надёжно покрытым другими контактами на том же электроде, что показывает: глубокое расположение не обязано жертвовать основной мишенью.

Что это означает для будущего лечения

Это исследование напрямую не проверяет исходы для пациентов, но демонстрирует, что двойное таргетирование двух ключевых центров движения одним электродом является и распространённым, и предсказуемым. Преобразовав тысячи точек данных из прошлых операций в чёткие анатомические рекомендации, работа прокладывает путь к более последовательному и точному планированию глубокой стимуляции мозга. Для людей с болезнью Паркинсона это в будущем может означать более надёжное управление проблемами ходьбы и равновесия, если последующие клинические испытания подтвердят, какие именно участки мозга и режимы стимуляции приносят наибольшую пользу.

Цитирование: Leavitt, D., Negahbani, F. & Gharabaghi, A. Machine learning-based optimization of dual subthalamic nucleus and substantia nigra targeting in deep brain stimulation. npj Parkinsons Dis. 12, 124 (2026). https://doi.org/10.1038/s41531-026-01406-8

Ключевые слова: болезнь Паркинсона, глубокая стимуляция мозга, машинное обучение, субталамическое ядро, черная субстанция