编辑推荐：
本综述聚焦机器学习（ML）及深度学习（DL）在帕金森病（PD）诊断中的应用，基于 MRI、语音、手写等多模态数据，分析全球流行现状、治疗差异与研究不足，提出 Meta-Park 模型（训练 / 测试 / 验证准确率达 97.67%/95%/94.04%），为早期诊断与临床决策提供数据驱动方案。
引言
帕金森病（Parkinson’s disease, PD）是仅次于阿尔茨海默病的第二大常见神经退行性疾病，全球人口老龄化使其成为重要公共卫生问题。PD 好发于 60 岁以上人群，据世界卫生组织（WHO）数据，截至 2019 年全球超 850 万人患病，其病理特征为黑质纹状体多巴胺能神经支配退化，且神经退行性变不仅限于黑质多巴胺能神经元，还涉及神经网络其他区域的细胞。
文献综述
PD 的病理特征为黑质纹状体多巴胺能神经支配退化，神经退行性变范围广泛，使其成为高度异质性疾病。Ortiz 等（2019）提出一种创新框架，通过整合基于等值面的方法来识别 PD。
数据来源
以往研究收集并使用了多个数据集，相关表格（Table 4）展示了文献中各种数据集的分布情况，涵盖公开和私有数据集，有助于理解 PD 诊断研究的数据格局，该表分为数据集名称、描述、类型、链接等五列，旨在实现研究目标并确保可重复性。
讨论
PD 由英国医生 James Parkinson 于 1817 年在其著作《关于震颤麻痹的论文》中首次描述，早期临床观察将其界定为一种以震颤、肌肉僵直、运动迟缓和姿势不稳为特征的独特神经疾病，其对震颤麻痹的详细记录为后续研究奠定了基础。19 世纪末，法国神经学家 Jean - Martin Charcot 也做出了贡献。
提出的 Meta-Park 模型
用于 PD 神经影像诊断的 Meta-Park 模型分析始于数据收集与预处理，纳入 MRI、功能磁共振成像（fMRI）和多巴胺转运体扫描（DaTscans）等模态，以记录形态和功能变化，包括黑质（SN）萎缩和多巴胺水平变化（如图 8 所示）。数据需经过去噪、归一化、分割和配准等预处理步骤，以突出相关特征便于准确分析。
实验分析
本节深入描述了 Meta-Park 的实验设置，该模型是基于结构 MRI 的 PD 分类深度神经网络，内容包括数据预处理、模型架构、训练配置、评估指标以及结果的定量和可视化详细分析。
结论与未来展望
现有文献存在显著不足，如信息碎片化、结果不一致和数据质量参差不齐，这些限制凸显了建立统一可靠信息库以增进对 PD 的理解并最大化患者预后的必要性。PD 是一种影响生理、认知和情感过程的复杂疾病，数据集总结对现有数据进行了系统概述，强调了遗传学、神经影像等方面的贡献。
伦理批准与参与同意
不适用。
利益冲突
作者声明无利益冲突需披露。
临床试验编号
不适用。
未引用参考文献
（Xu 等，2024a；Mahmoud Ibrahim 和 Abed Mohammed，2024a；Bucur 和 Papagno，2022 等）
资金支持
不适用。
作者贡献声明
Manjula Shanbhog：项目管理、调查；Kuljeet Singh：写作 - 评审与编辑、监督、资源、方法学、概念化；Khushi Sharma：写作 - 初稿、数据整理。
利益冲突声明
作者声明无已知可能影响本文工作的财务利益或个人关系冲突，所有作者均声明与本稿件无利益冲突和财务利益。第一作者感谢 Kuljeet Singh 教授的持续支持与监督，以及 Manjula Shanbhog 博士的指导。
