一种结合临床数据和断层扫描的混合方法，用于提高帕金森病的诊断水平

《ACM Transactions on Computing for Healthcare》：A Hybrid Approach Integrating Clinical Data and Tomography to Improve Diagnosis of Parkinson’s Disease

帕金森病是一种以黑质神经元丢失和dopamine缺乏为特征的神经退行性疾病，早期症状易与其他疾病混淆。本研究提出结合LSTM和CNN的混合模型，利用临床数据和SPECT影像进行诊断，基于PPMI数据库验证，结果显示AI技术可显著提升PD的诊断和监测效能，为后续研究提供依据。

　　

摘要

帕金森病（PD）是一种主要影响老年人的神经退行性疾病，但也可能发生在年轻人身上。该病是由于大脑黑质中释放多巴胺的神经细胞逐渐丧失所引起的，而多巴胺对于控制运动至关重要。多巴胺的缺乏会导致影响运动和非运动功能的症状，这些症状在不同患者之间表现各异。诊断主要依赖于临床症状和病史，通常会结合脑部扫描结果，因为目前尚无特定的诊断测试方法。由于初期症状与其他疾病相似，诊断过程较为困难。当前的研究表明，人工智能（AI）能够显著提升数据和图像分析的效率，从而有助于帕金森病的诊断和病情监测。为此，本研究提出了一种混合模型，该模型结合了临床数据和单光子发射计算机断层扫描（SPECT）图像来预测疾病的存在。该模型采用了两种类型的神经网络：一种用于处理临床数据的长短期记忆网络（LSTM），另一种用于处理图像的卷积神经网络（CNN）。验证工作是在一个经过广泛验证的数据集上进行的，该数据集来自帕金森病进展标志物计划（Parkinson’s Progression Markers Initiative），从中提取了1,814名患者的就诊记录数据。研究结果具有参考价值，可为进一步的研究提供支持。