编辑推荐：
帕金森病（PD）患者使用左旋多巴治疗时，易出现左旋多巴诱导异动症（LID）。研究人员开发 CNN 模型，用基线 [18F] FP-CIT PET 影像预测 LID。该模型有一定预测价值，但仍需改进，为临床预测 LID 提供了新方向。
在神经疾病的舞台上，帕金森病（Parkinson’s disease，PD）是一位 “不速之客”，它是全球第二大常见的神经退行性疾病，且发病率正迅速上升。左旋多巴（Levodopa）作为缓解帕金森病运动症状的 “黄金标准” 疗法，却有着严重的 “副作用”—— 长期使用会引发左旋多巴诱导异动症（levodopa-induced dyskinesia，LID），这一并发症就像隐藏在暗处的 “捣蛋鬼”，会带来与剂量相关的运动障碍，严重降低患者的生活质量，大约 40% 的患者在药物治疗 4 - 6 年内就会受到它的困扰。
目前，临床特征和纹状体多巴胺耗竭量化虽能在一定程度上预测 LID，但仍存在不足。而且，用传统方法手动计算纹状体亚区域摄取值或半球间不对称性不仅繁琐，还难以在实际临床中广泛应用。因此，寻找一种更高效、准确的预测方法迫在眉睫。
来自韩国蔚山大学医学院附属 Asan Medical Center 的研究人员勇挑重担，开展了一项极具意义的研究。他们开发了一种结合分类和重建任务的多任务学习卷积神经网络（convolutional neural network，CNN）模型，利用基线突触前多巴胺正电子发射断层扫描（positron emission tomography，PET）图像（[18F] FP-CIT PET），对帕金森病患者在开始左旋多巴治疗后 5 年内是否会发生 LID 进行分类预测。研究结果显示，该模型预测概率（DeepScores）在生存分析中表现良好，比基于纹状体亚区域特异性 / 非特异性结合比（SNBRs）的模型更具优势，为预测 LID 带来了新的曙光。这一研究成果发表在《npj Parkinson's Disease》杂志上，为帕金森病的临床治疗提供了重要参考。
在研究过程中，研究人员运用了多种关键技术方法。他们收集了 2005 年 1 月至 2022 年 3 月在运动障碍诊所就诊的帕金森综合征患者的资料，严格按照英国 PD 协会脑库标准进行筛选。利用 PET 和 MRI 扫描获取数据，通过图像预处理和量化计算出 SNBRs。同时，构建 CNN 模型进行多任务学习，结合临床特征进行分析，并运用可解释人工智能技术（如 SHapley Additive exPlanations，SHAP）和生存分析评估模型性能。
下面我们来详细看看研究结果：
- 患者特征：研究共纳入 402 名患者（wLID 组 134 名，woLID 组 268 名）。与 woLID 组相比，wLID 组发病年龄更小，Hoehn 和 Yahr（H&Y）量表评分更高， Unified Parkinson’s Disease Rating Scale（UPDRS）第 3 部分中手指敲击、腿部敏捷性和僵硬评分更高。两组在腹侧纹状体、前尾状核和后尾状核的 SNBRs 无显著差异，而 wLID 组前、后壳核的 SNBRs 值较低。
- DL 和 ML 模型评估：比较了三个 CNN 模型（仅图像单任务、仅图像多任务、图像 - 临床变量多任务）和三个 ML 模型（逻辑回归（LR）、随机森林（RF）、极端梯度提升（XGBoost））。仅图像多任务模型的平均受试者工作特征曲线下面积（mAUROC）为 0.666（0.036），高于仅图像单任务模型，但差异无统计学意义。加入临床变量后，图像 - 临床变量多任务模型的 mAUROC 提升至 0.694（0.034），但差异仍不显著。而 ML 模型加入临床变量后，mAUROC 均显著提高。
- 可解释人工智能：通过可解释人工智能技术发现，在结构图谱中，前尾状核激活值普遍较高，前、后壳核组间差异最显著；在连接图谱中，感觉运动纹状体组间激活分布差异最大。RF 模型的 SHAP 值表明，前、后壳核的 SNBRs 在预测中重要性较高，临床变量中，发病年龄小、UPDRS 第 3 部分手指敲击评分高和 H&Y 量表评分高是 LID 发生的关键因素。
- DeepScore 作为事件发生时间预测指标：使用 Cox 回归模型分析发现，基于 DeepScores 的 Cox 模型一致性指数（C-index）表现良好，在五个测试集中至少四个优于基于 SNBRs 的 Cox 模型。且 DeepScores 在调整用药和临床因素后，仍与 LID 显著相关，而 SNBRs 无显著关联。
- 药物对 LID 的影响：wLID 组在治疗前三年的左旋多巴等效日剂量（LEDD）显著高于 woLID 组，而 woLID 组在第五年的累积左旋多巴等效剂量（LED）显著高于 wLID 组。Cox 回归分析表明，LEDD 是 LID 的重要预测因子，较高的 LEDD 与 LID 风险增加相关，且随时间影响逐渐减小。
研究结论和讨论部分指出，本研究利用 CNN 模型结合多任务学习预测 LID，虽然模型性能目前还不足以直接应用于临床，但迈出了重要一步。该模型能从 PET 图像中提取有价值的特征，在一定程度上预测 LID。与以往研究相比，本研究仅使用基线特征，无需多巴胺能药物治疗史，且 CNN 模型无需复杂的图像配准和 SNBRs 计算，更便于临床应用。不过，研究也存在局限性，如回顾性研究设计可能导致数据偏差、部分患者扫描时已用药、样本量相对较小等。未来需进一步整合更多临床信息和其他脑成像模态，提高模型预测准确性，为帕金森病患者的临床治疗提供更可靠的依据。
