用于帕金森病分类的混合深度学习新框架

这对患者和家庭为何重要

帕金森病常以细微变化为始——动作变慢、声音变低或轻微震颤——这些症状很容易被误认为是正常衰老。等到诊断明确时，脑部的损伤往往已难以逆转。本研究提出了一种基于计算机的方法，能够读取脑部影像并以极高的准确率标记出帕金森病，即便病征仍较轻微。若此类工具能被信任并广泛采用，它们可能帮助医生更早确诊、尽早干预，并为患者和家庭争取更多规划时间。

用智能扫描窥视大脑

研究者聚焦于磁共振成像（MRI），这是一种医院中常见且不涉及辐射的扫描技术。他们利用了来自帕金森病进展标志物倡议（PPMI）的公开大规模脑部影像数据库，包含帕金森病患者和健康志愿者的扫描。研究团队没有一次性分析整个三维扫描，而是逐片（切片）查看脑部影像，特别关注中脑区域——多巴胺产生细胞所在处。多巴胺细胞对流畅运动至关重要，其丧失是帕金森病的标志。为了让计算机更容易“看见”微弱结构，图像先经过精细处理以标准化亮度并增强关键区域的对比度。

教会混合模型识别模式

研究核心是一种将两种现代计算思路结合的混合系统。其一是名为 EfficientNetB0 的深度学习网络，原本用于通用图像识别。在此，它像一只训练有素的“眼睛”，逐片扫描脑部切片，提取可能区分健康脑与帕金森病脑的细微形态和纹理特征。其二是名为 XGBoost 的决策方法，擅长在得到有信息量的特征后划定类别边界。简单来说，EfficientNetB0 将每张 MRI 切片压缩为紧凑的特征签名，XGBoost 则根据这些签名判断该扫描是健康人还是帕金森病患者，并识别影像是否属于特定的 MRI 设置。

在有限且不平衡的数据中取得平衡

医学人工智能面临的最大现实问题之一是数据往往既稀缺又不平衡：来自患者的扫描可能远多于健康志愿者，反之亦然。本研究起始数据为 77 名健康者与 223 名帕金森病受试者的扫描，对于深度学习而言规模属于中等偏小。为避免让系统学到偏颇的规律，团队以受控方式扩增图像集。每张原始切片通过旋转或翻转模拟真实扫描中头位的微小差异，并应用名为 CLAHE 的对比度增强技术，以在不放大噪声的前提下突出细节。经过这种谨慎的数据“拉伸”，数据集扩增到超过 26,000 张图像，为模型提供了足够的多样性以学习稳健模式，同时降低对原始扫描特异性的过拟合风险。

系统表现如何？

为评估可靠性，研究者比较了几种方法变体。他们测试了三种常用的图像网络——VGG16、ResNet50 与 EfficientNetB0——在三种模式下的表现：直接使用、微调以及与 XGBoost 决策阶段结合。总体而言，混合方案持续表现最佳。最优配置（EfficientNetB0 加 XGBoost）在测试集中将扫描正确分类的准确率达到了 99.02%。它能良好区分四类：健康与帕金森两类，各自又分为是否采用一种称为 FLAIR 的特定 MRI 设置。关注漏诊与误报的评估指标，如召回率与 F1 分数，也同样很高，表明该工具并非以增加另一类错误为代价换取表面上的高准确率。重要的是，模型在计算时间上也保持高效，这增加了其在忙碌临床环境中实际应用的可行性。

在临床中的潜在意义

尽管没有任何计算机系统能取代经验丰富的神经科医生，这项工作显示，精心设计的混合模型可作为强有力的辅助工具。通过快速扫描常规 MRI 图像以寻找微弱的帕金森病迹象，此类工具可在症状明显出现之前就把高风险患者标记出来，便于进一步随访。作者也提醒，这项研究仍需在更大且更具多样性的患者群体中验证，并最终与运动评估或血液标志物等其他信息相结合。即便如此，结果表明基于现有医院影像的智能软件有望成为一种快速、低成本且易于部署的早期帕金森病检测辅助手段。

引用: Desai, S., Vora, M., Shah, S. et al. Hybrid deep learning novel framework for classification of parkinson’s disease. Sci Rep 16, 9143 (2026). https://doi.org/10.1038/s41598-026-37553-4

关键词: 帕金森病, 脑部MRI, 深度学习, 医学影像, 早期诊断