基于“栖息地”MRI放射组学以增强帕金森病诊断

这对患者及其家庭为何重要

帕金森氏病通常进展缓慢，表现为不易察觉的轻微震颤或僵硬。如今，医生仍然在很大程度上依赖症状和昂贵的专科影像检查来做出诊断，早期病例容易被漏诊。本研究表明，许多医院日常采用的常规MRI影像中存在可挖掘的隐藏模式，这些模式可提供一种更快、更少侵入且准确度令人惊讶的帕金森病识别方法。

以新方式观察大脑

研究者聚焦于两个深部脑结构——尾状核和壳核——它们与运动控制密切相关，并在帕金森病中受累严重。研究并非将每个结构视为单一的组织块，而是提出了更精细的问题：这些区域内不同小片段在MRI上是否表现不同，这些差异是否能揭示疾病？为此，他们从两家使用不同扫描仪的医院收集了308名受试者的常规MRI影像——其中173例为帕金森患者，135例为健康志愿者——以反映真实临床环境中的多样性。

从大脑“社区”到数字指纹

研究团队利用一种称为基于栖息地的放射组学技术，将每个目标区域细分为更小的“社区”或栖息地，依据的是MRI图像上亮度和纹理的细微差别。计算机算法将具有相似影像特征的体素（微小的三维像素）分组为这些栖息地，然后从每个栖息地提取数百个数值特征。这些特征构成了组织健康的数字指纹，捕捉肉眼看不见但可能反映神经元丧失、瘢痕形成或与帕金森有关的铁沉积等细微异常。

用常规影像训练诊断模型

有了这些指纹，科学家训练了一个机器学习模型（支持向量机）来区分帕金森患者与健康对照。他们测试了将脑区划分为不同数量栖息地的方法，从一个大区到最多十个小区都尝试过。既使用主训练集又使用独立验证集来评估性能。当将区域分成五个栖息地时，模型表现最佳：在新的、未见过的数据上，它几乎能正确识别近9/10的帕金森患者，并且在全部研究中总体诊断准确率超过94%。这一结果超过了早期将每个脑区视为单一单元的做法，那些方法通常在约80–85%的准确度附近徘徊。

模型真实在“看”什么

为避免构建“黑箱”，研究团队采用了一种名为SHAP的解释方法来查看哪些影像特征影响模型决策。最重要的信号来自常规的T2加权序列。在帕金森患者中，相关栖息地显示更大的强度变异、更明显的亮暗斑点以及偏斜的强度分布，与健康志愿者相比存在差异。这些模式很可能反映基底节已知的病理过程，例如产生多巴胺的神经元丧失、局部瘢痕以及异常的铁沉积。重要的是，当数据以不同方式拆分并重新分析时，相同的特征不断出现，并且这些特征在不同扫描仪之间保持稳定，表明该方法具有稳健性，而非某一台机器的偶发现象。

从研究工具走向临床

决策曲线分析（在捕捉真实病例的收益与误报带来的损害之间权衡）表明，该模型可帮助临床医生判断谁确实需要进一步检测（例如DaTscan），谁可以安全地避免额外昂贵的程序。由于该方法只依赖标准MRI扫描和软件，在先进核医学影像不可及或费用过高的环境中尤为有价值。作者认为，基于栖息地的放射组学将熟悉的MRI图像转化为丰富的数据地图，为更早、更准确地诊断帕金森提供了一种强有力的、非侵入性的辅助工具，并为未来用于跟踪疾病进展和指导治疗的工具奠定了基础。

引用: Li, YZ., Wang, Y., Cai, C. et al. Habitat-based MRI radiomics for enhanced parkinson’s diagnosis. Sci Rep 16, 4755 (2026). https://doi.org/10.1038/s41598-026-37923-y

关键词: 帕金森氏病, MRI, 放射组学, 机器学习, 早期诊断