使用机器学习对多系统萎缩和帕金森病中的疾病异质性与进展进行精确量化

这对运动障碍患者为何重要

患有帕金森病或多系统萎缩（MSA）的人常常面临多年的不确定性，因为这两种疾病在临床表现上可能非常相似，但病程截然不同。本研究探讨将先进的计算方法应用于脑部影像，是否能帮助医生更早区分这两种疾病、理解个体间的差异，并追踪随时间的变化。

从大脑内部寻找更清晰的线索

帕金森病和MSA均与一种称为α‑突触核蛋白的蛋白异常沉积有关，但它们损害大脑的部位不同。帕金森病主要影响产生多巴胺的深部区域，而MSA则侵袭更广泛的网络，包括小脑、脑干和运动回路。在常规MRI上，这些差异在早期可能很微妙，且许多MSA患者最初被误诊为帕金森病。研究者使用了两类MRI——展示脑形态和体积的结构扫描，以及揭示白质纤维状况的弥散扫描——以寻找更精确、针对个体的模式。

教会计算机识别隐藏的模式

团队研究了17名健康志愿者、27名MSA患者（分为小脑型和帕金森型亚型）和15名帕金森病患者，每人最多随访四次年度复诊。他们将大脑划分为数十个区域，测量局部体积以及反映水沿神经纤维运动情况的两项弥散属性。这些测量值被输入多个机器学习模型，训练目标很简单：判断一张扫描是来自MSA患者还是帕金森患者。为避免对这种罕见疾病产生过拟合，作者采用了严格的交叉验证、多次重复训练，并在最终选出最佳模型前比较了五类不同算法。

将复杂影像归结为单一个体化评分

作者并未满足于简单的二分类诊断，而是希望得到一个数值，反映一个人大脑更倾向于呈现MSA还是帕金森的特征。他们使用了一种可解释的人工智能方法——SHAP，该方法将每个模型决策分解为来自各个脑区的贡献。这些贡献作为权重，突出模型认为最有信息量的区域。通过将这些权重与所有区域的实际MRI测量值相结合，他们创建了三种“异质性”（HET）评分——分别对应脑体积和两种弥散测量。每个HET评分将遍布大脑的复杂改变模式浓缩为每位受试者及每次随访的单一汇总值。

识别疾病类型并观察随时间的变化

新的HET评分不仅复制了现有的MRI标志物表现，很多情况下还优于一种关注少数关键区域的广泛使用的萎缩指数。重要的是，HET在区分帕金森型MSA与帕金森病方面表现尤为出色，而这一差别在标准影像上通常难以辨别。在纵向分析中，HET评分在一年内的变化比单纯的小脑萎缩度量更能反映由标准MSA评定量表测得的临床恶化。按区域绘制的HET图谱还重现了MSA已知的损害模式，如小脑与脑干回路的退化，同时揭示了额叶与边缘系统白质通路以及两半球之间连接的更广泛受累。

这对患者和临床护理可能意味着什么

对于非专业读者，关键在于：对常规MRI数据进行更智能的分析，可以将散在的脑损伤迹象整合为一个可理解的评分，反映一个人的脑图像有多“像MSA”以及其变化速度。这一方法不能治愈疾病，且仍需在更大样本中验证，但它为更早、更准确的诊断、更加可靠的病程追踪以及在临床试验中更灵敏地评估新疗法提供了有希望的工具。通过承认没有两位患者的大脑变化完全相同，HET框架使运动障碍领域向真正个体化护理又前进了一步。

引用: Gebre, R.K., Raghavan, S., De Tora, M.E.J. et al. Precise disease heterogeneity and progression quantification in MSA and Parkinson’s disease using machine learning. Sci Rep 16, 10579 (2026). https://doi.org/10.1038/s41598-026-45949-5

关键词: 多系统萎缩, 帕金森病, 脑部MRI, 机器学习, 生物标志物