《npj Parkinson's Disease》：Baseline [18F]FP-CIT PET-based deep learning prediction of levodopa-induced dyskinesia in Parkinson’s disease
編輯推薦：
帕金森�。≒D）患者使用左旋多巴治療時，易出現左旋多巴誘導異動癥（LID）。研究人員開發 CNN 模型，用基線 [18F] FP-CIT PET 影像預測 LID。該模型有一定預測價值，但仍需改進，為臨床預測 LID 提供了新方向。
在神經疾病的舞臺上，帕金森�。≒arkinson’s disease，PD）是一位 “不速之客”，它是全球第二大常見的神經退行性疾病，且發病率正迅速上升。左旋多巴（Levodopa）作為緩解帕金森病運動癥狀的 “黃金標準” 療法，卻有著嚴重的 “副作用”—— 長期使用會引發左旋多巴誘導異動癥（levodopa-induced dyskinesia，LID），這一并發癥就像隱藏在暗處的 “搗蛋鬼”，會帶來與劑量相關的運動障礙，嚴重降低患者的生活質量，大約 40% 的患者在藥物治療 4 - 6 年內就會受到它的困擾。
目前，臨床特征和紋狀體多巴胺耗竭量化雖能在一定程度上預測 LID，但仍存在不足。而且，用傳統方法手動計算紋狀體亞區域攝取值或半球間不對稱性不僅繁瑣，還難以在實際臨床中廣泛應用。因此，尋找一種更高效、準確的預測方法迫在眉睫。
來自韓國蔚山大學醫學院附屬 Asan Medical Center 的研究人員勇挑重擔，開展了一項極具意義的研究。他們開發了一種結合分類和重建任務的多任務學習卷積神經網絡（convolutional neural network，CNN）模型，利用基線突觸前多巴胺正電子發射斷層掃描（positron emission tomography，PET）圖像（[18F] FP-CIT PET），對帕金森病患者在開始左旋多巴治療后 5 年內是否會發生 LID 進行分類預測。研究結果顯示，該模型預測概率（DeepScores）在生存分析中表現良好，比基于紋狀體亞區域特異性 / 非特異性結合比（SNBRs）的模型更具優勢，為預測 LID 帶來了新的曙光。這一研究成果發表在《npj Parkinson's Disease》雜志上，為帕金森病的臨床治療提供了重要參考。
在研究過程中，研究人員運用了多種關鍵技術方法。他們收集了 2005 年 1 月至 2022 年 3 月在運動障礙診所就診的帕金森綜合征患者的資料，嚴格按照英國 PD 協會腦庫標準進行篩選。利用 PET 和 MRI 掃描獲取數據，通過圖像預處理和量化計算出 SNBRs。同時，構建 CNN 模型進行多任務學習，結合臨床特征進行分析，并運用可解釋人工智能技術（如 SHapley Additive exPlanations，SHAP）和生存分析評估模型性能。
下面我們來詳細看看研究結果：
- 患者特征：研究共納入 402 名患者（wLID 組 134 名，woLID 組 268 名）。與 woLID 組相比，wLID 組發病年齡更小，Hoehn 和 Yahr（H&Y）量表評分更高， Unified Parkinson’s Disease Rating Scale（UPDRS）第 3 部分中手指敲擊、腿部敏捷性和僵硬評分更高。兩組在腹側紋狀體、前尾狀核和后尾狀核的 SNBRs 無顯著差異，而 wLID 組前、后殼核的 SNBRs 值較低。
- DL 和 ML 模型評估：比較了三個 CNN 模型（僅圖像單任務、僅圖像多任務、圖像 - 臨床變量多任務）和三個 ML 模型（邏輯回歸（LR）、隨機森林（RF）、極端梯度提升（XGBoost））。僅圖像多任務模型的平均受試者工作特征曲線下面積（mAUROC）為 0.666（0.036），高于僅圖像單任務模型，但差異無統計學意義。加入臨床變量后，圖像 - 臨床變量多任務模型的 mAUROC 提升至 0.694（0.034），但差異仍不顯著。而 ML 模型加入臨床變量后，mAUROC 均顯著提高。
- 可解釋人工智能：通過可解釋人工智能技術發現，在結構圖譜中，前尾狀核激活值普遍較高，前、后殼核組間差異最顯著；在連接圖譜中，感覺運動紋狀體組間激活分布差異最大。RF 模型的 SHAP 值表明，前、后殼核的 SNBRs 在預測中重要性較高，臨床變量中，發病年齡小、UPDRS 第 3 部分手指敲擊評分高和 H&Y 量表評分高是 LID 發生的關鍵因素。
- DeepScore 作為事件發生時間預測指標：使用 Cox 回歸模型分析發現，基于 DeepScores 的 Cox 模型一致性指數（C-index）表現良好，在五個測試集中至少四個優于基于 SNBRs 的 Cox 模型。且 DeepScores 在調整用藥和臨床因素后，仍與 LID 顯著相關，而 SNBRs 無顯著關聯。
- 藥物對 LID 的影響：wLID 組在治療前三年的左旋多巴等效日劑量（LEDD）顯著高于 woLID 組，而 woLID 組在第五年的累積左旋多巴等效劑量（LED）顯著高于 wLID 組。Cox 回歸分析表明，LEDD 是 LID 的重要預測因子，較高的 LEDD 與 LID 風險增加相關，且隨時間影響逐漸減小。
研究結論和討論部分指出，本研究利用 CNN 模型結合多任務學習預測 LID，雖然模型性能目前還不足以直接應用于臨床，但邁出了重要一步。該模型能從 PET 圖像中提取有價值的特征，在一定程度上預測 LID。與以往研究相比，本研究僅使用基線特征，無需多巴胺能藥物治療史，且 CNN 模型無需復雜的圖像配準和 SNBRs 計算，更便于臨床應用。不過，研究也存在局限性，如回顧性研究設計可能導致數據偏差、部分患者掃描時已用藥、樣本量相對較小等。未來需進一步整合更多臨床信息和其他腦成像模態，提高模型預測準確性，為帕金森病患者的臨床治療提供更可靠的依據。
