利用人工智能辅助的磁共振成像（MRI）分割技术，分析帕金森病患者大脑区域体积的变化

《Frontiers in Human Neuroscience》：AI-assisted MRI segmentation analysis of brain region volume alterations in Parkinson’s disease

本研究采用深度学习全脑自动分割技术，分析83例PD患者脑区体积与病程相关性，发现多个脑区体积随病程增长呈负相关，部分区域存在不对称性，提示脑体积变化可作为评估PD进展的生物标志物。

　　本研究利用深度学习技术对帕金森病（PD）患者的全脑区域进行自动分割，探索了脑区体积与疾病持续时间之间的横断面关联。通过分析83名确诊为原发性PD的患者，结合完整的临床和影像数据，研究揭示了PD患者在疾病发展过程中，特定脑区体积的变化模式。研究结果表明，多个脑区的体积比例与疾病持续时间呈负相关，而部分脑区则表现出正相关。这些发现不仅有助于理解PD的神经退行性变化，还为疾病的诊断和进展预测提供了潜在的生物标志物。

帕金森病是一种常见的神经退行性疾病，其临床表现和病程变化存在显著的个体差异。许多患者在疾病早期主要表现出运动症状，如动作迟缓、震颤和肌肉僵硬，而在疾病持续时间较长的患者中，常出现认知功能障碍和步态异常。这种差异提示，不同脑区的萎缩模式可能与PD的临床轨迹密切相关。然而，传统方法在评估脑结构变化时存在一定的局限性，例如手动或半自动分割方法耗时且存在操作者间的差异，影响了结果的一致性和可重复性。此外，多数研究基于横断面设计，无法反映脑萎缩随时间的动态变化。因此，本研究采用深度学习技术，对全脑MRI图像进行自动化分割，以更精确地量化80个脑区及五个主要脑区的体积变化，并结合线性回归模型分析这些变化与疾病持续时间的关系。

研究中使用了统一的影像处理流程，包括图像转换、运动和几何畸变校正、强度归一化、头骨剥离与填充、分辨率标准化和多中心强度调和等七个关键步骤。这一流程确保了不同制造商和不同磁场强度的MRI数据在处理过程中保持一致，从而提高了数据的可靠性和可比性。在分割完成后，由两位资深放射科医生独立验证分割结果，以确保准确性。研究中还采用Cohen’s kappa系数评估了不同操作者之间的评分一致性，结果表明一致性较高（κ = 0.89）。

在统计分析方面，研究采用多重线性回归模型，以评估疾病持续时间与脑区体积比例之间的关系。由于涉及80个脑区，研究使用了Benjamini–Hochberg程序控制多重比较的假阳性率，将显著性阈值设定为FDR校正后的*q* < 0.05。这一方法虽然有效降低了I型错误的风险，但也提高了统计显著性的门槛，可能导致某些潜在有意义的变化未被识别。因此，研究指出，虽然这些变化未通过FDR校正达到显著性，但它们可能代表某些神经解剖趋势，值得在更大样本或通过元分析方法进一步研究。

研究结果表明，多个脑区的体积比例与疾病持续时间呈负相关，包括双侧中央前回、右侧内侧额叶回、双侧后中央回、双侧顶上小叶和顶下小叶、双侧楔前叶、右侧楔叶、右侧舌回、双侧枕叶外侧回以及右侧苍白球。这些区域的萎缩可能与PD的运动和认知功能障碍有关。相反，右侧海马体、右侧颞下回和左侧颞上回的体积比例则与疾病持续时间呈正相关，这可能反映了这些区域在疾病进展中表现出一定程度的相对保护或适应性变化。此外，研究还发现，某些脑区如海马体、梭状回、扣带回峡部和小脑白质的绝对体积差异随着疾病进展而增加，这提示了这些区域可能表现出不对称萎缩的趋势。

这些发现表明，PD的神经退行性变化并非均匀分布于整个大脑，而是表现出一定的空间异质性。在疾病早期，某些区域如运动皮层、顶上小叶和苍白球可能首先出现萎缩，而随着病情发展，萎缩可能逐渐扩展至其他脑区，包括额叶、顶叶、颞叶和枕叶等。同时，某些区域如海马体和扣带回峡部可能表现出更大的左右不对称性，这可能与疾病的进展方向有关。值得注意的是，研究还发现了一些看似矛盾的现象，即某些脑区的体积比例在疾病进展中反而增加。这种现象可能与“脑储备”和“代偿性增厚”有关，前者指的是个体在疾病发生前具有较大的脑区体积，从而在一定程度上延缓了萎缩的发生；后者则可能由神经炎症、微血管增生或血管重塑等反应性过程引起，尽管这些变化可能在影像上表现为体积增加，但并不一定意味着功能恢复，反而可能提示早期神经损伤或血脑屏障破坏。

研究还提出了一个基于横断面数据和现有代谢及通路证据的三阶段神经退行性模型。第一阶段为局部萎缩，表现为运动皮层、顶上小叶和苍白球的单侧萎缩，与“调光开关”震颤回路相关。第二阶段为网络扩散，表现为双侧顶枕区（包括楔前叶和枕叶外侧皮层）的逐渐萎缩，这可能与α-突触核蛋白在皮层连接中的传播有关，而中颞叶则相对保持完整，形成了“倒置”的体积模式。第三阶段为不对称性退化，表现为边缘系统结构（如海马体和扣带回峡部）以及小脑白质的左右不对称萎缩，这可能与通过小脑-丘脑-皮层通路和多巴胺奖赏通路的跨突触退行性过程相关。这一模型虽然仍处于假设阶段，但为未来的研究提供了可验证的理论框架，有助于更深入地理解PD的病理机制。

研究还探讨了PD患者脑萎缩的不对称性，发现某些区域如海马体、梭状回、扣带回峡部和小脑白质的体积差异随疾病进展而增加。这种不对称性可能与PD的病程特征有关，因为PD的发病通常具有侧向性，早期病变多见于一侧半球，随着疾病发展，这种不对称性可能逐渐加剧。然而，由于本研究未包含临床侧向性数据，尚无法确定这些不对称变化是否与运动或认知症状的侧向性相关。此外，研究指出，某些区域的体积比例在疾病进展中增加，可能并非真正的组织增生，而是由于整体脑萎缩速度较慢，导致这些区域的相对比例上升。这种现象可能反映了脑储备的作用，也可能是某些代偿机制的表现。

在方法学方面，本研究采用深度学习技术对标准MRI序列进行全脑区域分割，显著提高了分割的准确性和可重复性。与传统方法相比，深度学习模型能够更高效地处理大规模数据，并减少人为误差。然而，尽管研究数据来自三个不同的医疗中心，使用了来自四家不同制造商的10台3.0T MRI设备，研究仍存在一定局限性。首先，样本量相对较小，可能影响统计效力和结果的普适性。未来需要更大规模的研究来验证这些萎缩模式，并进行更精细的亚组分析。其次，由于数据是回顾性的，统一帕金森病评分量表（UPDRS）和药物使用记录往往不完整，因此未能将疾病严重程度和药物使用情况作为协变量纳入分析。未来前瞻性研究可以收集标准化的UPDRS-III和左旋多巴等效日剂量（LED）数据，以更全面地评估疾病进展与脑萎缩之间的关系。此外，研究虽然控制了多种潜在的混杂因素，但仍可能存在未被识别的混杂影响，因此需要更系统地收集与抗帕金森病药物使用、心血管代谢疾病等相关的变量。最后，尽管研究采用了横断面设计，但其结果与纵向研究的证据一致，因此未来应通过长期影像随访，进一步确认这些神经结构变化的动态轨迹。

本研究的意义在于，它为PD的神经退行性变化提供了新的视角，并揭示了某些脑区在疾病进展中的潜在作用。通过深度学习技术实现的全脑区域分割，不仅提高了影像分析的效率和精度，还为未来临床评估和干预策略提供了重要的理论基础。例如，研究结果可以作为早期诊断的生物标志物，帮助识别尚未出现明显症状的PD患者。此外，这些体积变化还可以用于长期监测疾病的进展，评估治疗效果，并为开发新的神经保护策略提供依据。研究还指出，某些脑区的体积比例变化可能反映了脑储备或代偿机制，这为理解PD的个体差异提供了新的思路。

尽管研究结果具有重要的临床和科研价值，但仍需进一步研究以确认这些发现的普遍适用性。例如，研究可以扩展至更大的样本群体，以验证脑萎缩模式的可重复性。此外，研究可以结合其他影像技术（如功能性MRI、扩散张量成像等）和生物标志物（如脑脊液蛋白水平、神经炎症标志物等），以更全面地评估PD的病理机制。未来研究还可以探索这些体积变化与特定基因型、环境因素或生活方式之间的关系，从而揭示PD的多因素病因。同时，研究可以进一步优化深度学习模型，提高其在不同人群和疾病阶段中的适应性和泛化能力，以确保其在临床中的广泛应用。

综上所述，本研究通过深度学习技术对PD患者的全脑区域进行自动分割，结合统计分析揭示了脑区体积与疾病持续时间之间的横断面关联。研究结果表明，PD的神经退行性变化具有一定的空间异质性和不对称性，某些脑区在疾病进展中表现出萎缩，而另一些区域则可能表现出相对保护或代偿性变化。这些发现不仅有助于理解PD的发病机制，还为疾病的早期诊断、进展预测和治疗评估提供了重要的影像学依据。然而，研究仍存在一定的局限性，如样本量较小、数据收集方式的回顾性等，未来需要更大规模和更系统的研究来进一步验证这些发现，并探索其在临床中的应用价值。