基于视频步态分析的MSA-C疾病模式识别：一项结合临床与神经影像学的生物标志物研究

《Scientific Reports》：Clinical and neuroimaging correlates of disease related gait patterns in patients with multiple system atrophy cerebellar type

本研究针对多系统萎缩-小脑型（MSA-C）缺乏客观疾病进展生物标志物的问题，通过2D视频步态分析算法Gaitome提取疾病相关步态模式，发现MSA-C步态评分可显著区分患者与健康对照（AUC=0.98），且与UMSAR评分、认知功能及小脑、颞叶等脑区结构改变显著相关。该研究为MSA-C的疾病监测提供了非侵入性、可量化的数字生物标志物。

　　

多系统萎缩（Multiple System Atrophy, MSA）是一种进展迅速的神经退行性疾病，其中小脑型（MSA-C）患者尤为特殊，他们往往在疾病早期就出现严重的步态不稳和平衡障碍。据统计，在平均发病三年内，约30%的患者需要助行器；五年内，高达60%的患者不得不依赖轮椅。更令人担忧的是，目前尚无能够延缓疾病进展的有效疗法。面对这一严峻挑战，临床医生和研究人员迫切需要找到能够客观、精准评估疾病严重程度的工具，就像为MSA-C装上一个“疾病进展的雷达”。

目前国际通用的统一多系统萎缩评定量表（UMSAR）虽然在临床研究中广泛应用，但它也存在一些局限：在疾病晚期难以实施，不同评估者之间可能存在差异，而且可能无法完全捕捉MSA-C特有的步态和平衡问题。特别是在疾病早期，这些细微但关键的变化可能被传统量表所忽略。正是这一诊断评估的“盲区”，激发了研究人员寻找更敏感、更客观评估方法的创新思路。

随着计算机视觉技术的飞速发展，利用普通摄像头甚至手机录制视频来分析运动障碍患者的临床表现已成为可能。想象一下，未来患者只需在家中走几步路，录制一段短视频，医生就能远程获取精准的疾病评估数据——这不仅是技术的进步，更是患者护理模式的革命性变革。

在这项发表于《Scientific Reports》的研究中，韩国首尔国立大学医院的研究团队开创性地将2D视频步态分析技术应用于MSA-C患者的评估。他们开发了一种名为Gaitome的算法，能够从简单的行走视频中提取18种步态参数，包括步长、步速、步宽等前进步态参数，转身时间、转身步数等转身参数，以及前屈角度、头部下垂角度等姿势参数。

研究人员招募了42名MSA-C患者和27名健康对照者。参与者被要求在一个7米长的走道上完成至少两个往返行走，整个过程由一台前置摄像机录制。通过对这些视频数据的深度分析，研究团队成功构建了一个能够代表MSA-C疾病特征的步态模式评分系统。

这项研究的关键技术创新在于采用了尺度剖面主成分分析模型（SSM-PCA），从患者和健康对照的步态参数中提取共有的协方差结构，从而突出疾病特有的步态变化。通过这种分析方法，研究人员发现前四个主成分的组合能够最佳地区分MSA-C患者和健康对照，曲线下面积（AUC）高达0.98，这一近乎完美的区分能力令人印象深刻。

具体来说，MSA-C的典型步态模式表现为：步长缩短、步速减慢、转身时间延长、转身步数增加，同时步宽增大。这些特征共同勾勒出MSA-C患者谨慎、不稳的步态特征，就像在薄冰上行走一样小心翼翼。

在临床相关性分析中，MSA-C步态模式评分与疾病严重程度评估工具UMSAR显示出显著的相关性。具体而言，评分与UMSAR第一部分（评估日常生活活动能力）和第二部分（评估运动功能）的相关系数分别为0.49和0.51，且均达到统计学显著性。这意味着，患者的步态异常越明显，其临床残疾程度也越严重。

更有趣的是，当研究人员深入分析UMSAR第二部分的具体项目时，发现步态评分与言语、快速交替运动、手指敲击、腿部灵活性、脚跟至胫骨测试、从椅子站起、姿势和步态等多个项目均显著相关。这表明视频步态分析捕捉到的不仅仅是行走能力，而是反映了MSA-C患者广泛存在的运动协调障碍。

研究的另一重要发现是步态与认知功能之间的关联。尽管参与研究的MSA-C患者整体认知功能保持相对良好（简易精神状态检查MMSE平均27.2±1.7；蒙特利尔认知评估MoCA平均23.9±3.4），但MSA-C步态评分与MMSE和MoCA均呈现显著负相关。这意味着，即使是轻微的认知功能下降，也可能在患者的步态特征中有所体现。

这一发现支持了“步态不仅仅是运动功能的表现，而是运动与认知过程复杂交互的结果”这一现代神经科学观点。在MSA-C中，小脑和大脑其他区域的退行性变可能同时影响运动协调和认知处理，从而导致步态异常。

为了探索步态异常背后的神经基础，研究团队还进行了脑部磁共振成像分析。通过基于体素的形态测量学（VBM）分析，他们发现MSA-C步态评分与左侧颞中回、右侧颞中回和小脑的灰质体积呈负相关。换句话说，这些脑区的萎缩越严重，患者的步态异常也越明显。

更精细的扩散张量成像（DTI）和相关性纤维追踪分析显示，MSA-C步态评分与小脑中脚（MCP）内80.7%的纤维束以及连接额顶叶区域的右侧扣带束内17.6%的联合纤维显著相关。这些纤维束的各向异性分数（FA）与步态评分呈负相关，表明白质微结构完整性越差，步态异常越严重。

值得注意的是，当研究人员用传统的UMSAR第二部分评分进行同样的分析时，虽然也发现与小脑中脚的关联，但这种关联的强度和统计显著性均不如MSA-C步态评分。这表明，视频步态分析可能比传统临床评分更能敏感地反映MSA-C特定的神经病理变化。

研究方法方面，本研究主要采用了视频步态分析技术（Gaitome算法）、磁共振成像（包括3D T1加权成像和扩散张量成像）、基于体素的形态测量学分析和相关性纤维追踪分析。研究样本来自首尔国立大学医院运动障碍诊所2019年1月至2024年8月期间招募的MSA-C患者和健康对照者。

研究结果可归纳为以下几个主要方面：

患者特征方面，MSA-C队列中男性比例较高，平均病程为1.8±1.0年。疾病持续时间与UMSAR第二部分评分呈正相关，与MMSE和MoCA评分呈负相关。

MSA-C步态模式评分方面，通过主成分分析发现前五个主成分解释了步态参数总方差的83.8%。前四个主成分的组合能最佳区分MSA-C患者和健康对照。MSA-C步态模式与步宽、转身时间和转身步数呈正相关，与步长、速度和转身速度呈负相关。

临床相关性分析显示，MSA-C步态模式评分与UMSAR第一部分和第二部分评分显著相关，与MMSE和MoCA评分也呈显著负相关。自主神经功能方面，神经源性直立性低血压（nOH）患者的平均步态评分较高，但差异未达统计学显著性。

神经影像学分析表明，MSA-C步态评分与小脑中脚、小脑和扣带回的结结构连接性显著相关，与颞中回和小脑区域的灰质体积也呈显著相关。相比之下，UMSAR第二部分评分未显示显著的结构关联。

这项研究的创新之处在于，它首次将2D视频步态分析、临床评估和多模态神经影像学技术有机结合，全面探讨了MSA-C的步态特征及其神经基础。研究结果表明，从单一2D摄像机提取的步态模式能够反映MSA-C患者的运动和认知严重程度，有望成为疾病监测中实用、非侵入性的数字生物标志物。

研究的实际意义尤为突出。由于该技术仅需普通摄像设备，使得家庭为基础的疾病监测成为可能，大大提高了疾病评估的可及性和便利性。对于像MSA-C这样的罕见病，这种低门槛的评估工具尤为重要，它可能改变未来临床实践和临床试验的进行方式。

当然，这项研究也存在一些局限性，如样本量相对较小、单中心设计、缺乏独立验证队列、横断面设计无法评估纵向变化等。此外，研究未包含全面的神经心理学测试组合，限制了对面特异性认知功能与步态异常关联的深入分析。

展望未来，这种视频步态分析技术可能不仅用于MSA-C的疾病监测，还可拓展至其他运动障碍疾病的评估，甚至用于鉴别诊断。随着人工智能技术的进一步发展，我们有望看到更加精准、自动化的神经系统疾病评估工具的出现，最终造福于广大患者。

总之，这项研究为我们理解MSA-C的步态障碍提供了新的视角，也为开发实用的疾病监测工具开辟了新的道路。在神经退行性疾病治疗仍然面临重重挑战的今天，这种创新性的评估方法无疑是一缕令人鼓舞的曙光。