编辑推荐：
帕金森病（PD）中步态冻结（FOG）的诊断面临挑战，研究人员运用四种机器学习（ML）分类器对静息态功能磁共振成像（rs-fMRI）衍生指标进行分析。结果显示，随机森林（RF）算法表现最佳，能有效区分 PD 与健康对照及 PD-FOG 与 PD-nFOG 患者，为诊断提供新途径。
在神经系统疾病的研究领域，帕金森病（Parkinson's disease，PD）如同一个难以攻克的堡垒，困扰着众多患者和科研人员。全球有超过 600 万 PD 患者，其患病率相比上一代增长了 2.5 倍，仅次于阿尔茨海默病，是第二常见的神经退行性疾病。PD 患者的症状极为复杂多样，临床症状、疾病进展过程、对治疗的反应以及基因特征和生物标志物读数都存在很大差异。目前，PD 的确诊主要依赖运动障碍专家的评估和判断，但这种诊断方式存在诸多问题。一方面，现有的检测方法和生物标志物在疾病早期往往无法给出明确诊断；另一方面，PD 的临床症状与其他神经退行性疾病相似，容易造成误诊，只有 80% 的病理确诊病例在初次就诊时能得到准确诊断。
在 PD 的众多症状中，步态冻结（Freezing of Gait，FOG）是一种严重影响患者生活质量的致残现象。在疾病早期，约 37.9% 的患者会出现 FOG，而到了晚期，这一比例高达 64.6%。FOG 表现为患者行走时突然、短暂的停顿，常发生在起步或特定触发条件下，就好像双脚被 “粘” 在地上一样，这不仅是 PD 患者跌倒的主要原因之一，还极大地增加了患者的不安全感。而且，目前对患者是否患有 FOG 的分类并不完全准确，可能会在数据分析中引入偏差，给治疗带来困难。
为了攻克这些难题，来自国外研究机构的研究人员开展了一项极具意义的研究。他们试图借助机器学习（Machine Learning，ML）和静息态功能磁共振成像（resting-state functional Magnetic Resonance Imaging，rs-fMRI）技术，找到更精准诊断 PD 和 FOG 的方法。该研究成果发表在《Computers in Biology and Medicine》上，为 PD 的诊断和治疗开辟了新的道路。
研究人员在本次研究中使用了多种关键技术方法。首先，他们招募了 57 名受试者，其中包括 39 名非痴呆的左旋多巴反应性特发性 PD 患者和 18 名年龄、性别匹配的健康受试者（Healthy Subject，HS）。PD 患者依据新的步态冻结问卷（New Freezing of Gait Questionnaire，NFOG-Q）及神经科医生的临床评估，被分为 FOG 患者（PD-FOG）和非 FOG 患者（PD-nFOG）。然后，研究人员利用 1.5T 磁共振扫描仪采集受试者的结构 T1 加权像和 rs-fMRI 数据。对 rs-fMRI 数据，使用功能连接工具箱（CONN）进行处理，获取功能连接（Functional Connectivity，FC）、低频振幅（Amplitude of Low-Frequency Fluctuations，ALFF）、低频振幅分数（Fractional ALFF，fALFF）和局部相关性（Local Correlation，LCOR）等指标数据。最后，运用决策树（Decision Tree，DT）、随机森林（Random Forest，RF）、多层感知器（Multilayer Perceptron，MLP）和逻辑回归（Logistic Regression，LOG）这四种 ML 算法对数据进行分类分析，并通过重复 k 折交叉验证评估算法性能 。
下面来看具体的研究结果：
- 受试者情况：对纳入研究的受试者进行临床评估，收集了年龄、性别、疾病持续时间、Hoehn 和 Yahr 量表（H&Y）评分、运动障碍协会统一帕金森病评定量表（MDS-UPDRS）III 评分等数据。结果显示，PD 患者和 HS 在年龄、性别等方面无显著差异，而 PD-FOG 和 PD-nFOG 患者在 H&Y 分期、震颤亚评分和左旋多巴等效日剂量（LEDD）上存在显著差异。同时，三组在 rs-fMRI 扫描期间的平均运动幅度无显著差异。
- 特征选择：在分析 FC 数据时，研究人员采用基于相关性的方法进行特征选择。对于 HS 与 PD 的分析，平均选择 68.3 对感兴趣区域（ROI）；对于 PD-FOG 与 PD-nFOG 的分析，平均选择 59.1 对 ROI。而 ALFF、fALFF 和 LCOR 数据集由于特征数量有限（每个指标 132 个 ROI），未进行特征选择。
- 分类结果：在区分 HS 和 PD 患者时，RF 算法应用于 fALFF 数据获得了最佳的曲线下面积（AUC，96.8±2.0%） ，显著优于其他算法。在区分 PD-FOG 和 PD-nFOG 患者时，RF 算法在四种指标上均表现最佳，AUC 均高于 90%，且四种指标之间无显著差异。
- 特征重要性分析：研究人员计算了 RF 算法应用于 fALFF 数据时特征的重要性得分。结果发现，在区分 PD 与 HS 以及 PD-FOG 与 PD-nFOG 患者时，频繁被选中的区域主要与锥体外系（如壳核、苍白球）、视觉网络（如楔叶皮层、枕极、枕梭状回）和默认模式网络（如缘上回、角回）相关。此外，突显网络（如岛叶皮层）和辅助运动区在区分 PD-FOG 和 PD-nFOG 患者中起重要作用。
- 临床相关性：研究人员发现，最佳算法（RF 应用于 fALFF 数据）得到的分类概率与疾病严重程度（H&Y 量表评分）和 FOG 现象的强度（NFOG-Q 评分）呈显著正相关，但与 MDS-UPDRS III 评分的相关性未达到统计学意义。
从研究结论和讨论部分可以看出，该研究意义重大。研究表明，ML 算法应用于 rs-fMRI 数据在识别 PD-FOG 患者方面具有很大潜力。RF 算法在区分 PD 与 HS 以及 PD-FOG 与 PD-nFOG 患者时表现出色，为 PD 和 FOG 的诊断提供了一种新的、客观的方法。通过分析特征重要性，研究人员确定了与 PD 和 FOG 相关的关键脑区，这不仅有助于深入理解 PD 和 FOG 的病理机制，还为后续的靶向治疗提供了潜在的靶点。
然而，该研究也存在一些局限性。研究使用的数据集有限，这可能导致过拟合风险增加，且小样本量可能影响特征选择的普遍性，需要在更大的外部数据集上进行验证。此外，患者是在最佳状态下进行研究的，未考虑停药后的情况；研究仅单独分析了各个 MRI 指标，未进行综合分析；研究使用的解剖图谱可能会影响结果，不同图谱的效果有待进一步研究。
尽管如此，这项研究仍然为帕金森病和步态冻结的研究领域注入了新的活力。它为后续研究指明了方向，未来研究可以进一步探索临床和神经影像数据的综合分析，纳入更多 rs-fMRI 衍生指标，以提高诊断的准确性，为 PD 患者的治疗和管理带来新的希望。
