编辑推荐：
【编辑推荐】为探究晚期帕金森病（PD）中药物与苍白球内侧核深部脑刺激（GPi DBS）对运动症状的差异影响，研究人员通过深度学习分析手指敲击（FT）任务视频，发现 GPi DBS 较药物显著改善速度和加速度参数，提示两者作用机制不同，为 PD 治疗策略提供新依据。
帕金森病（Parkinson’s disease, PD）是一种常见的神经退行性疾病，以运动迟缓、震颤和肌强直为主要特征。随着病情进展，晚期 PD 患者常面临药物疗效减退和运动并发症等问题，深部脑刺激（deep brain stimulation, DBS）作为一种重要的外科治疗手段，已被广泛应用于改善药物难治性症状。然而，针对苍白球内侧核（globus pallidus internus, GPi）的 DBS 与药物治疗在改善运动症状，尤其是运动迟缓（bradykinesia）方面的具体机制和疗效差异，尚未得到充分阐明。传统的临床评估依赖半定量的运动功能评分，如运动障碍学会统一帕金森病评定量表（Movement Disorder Society Unified Parkinson’s Disease Rating Scale, MDS-UPDRS），其主观性较强，难以精准捕捉运动参数的细微变化。因此，如何借助客观量化的技术手段，深入解析不同治疗方式对 PD 运动症状的影响，成为当前研究的重要方向。
为解决上述问题，韩国蔚山大学医学院附属 Asan 医学中心的研究人员开展了一项观察性研究，旨在通过深度学习技术量化分析 PD 患者手指敲击（finger tapping, FT）任务的运动参数，比较 GPi DBS 与药物治疗对运动迟缓的改善效果。该研究成果发表在《Scientific Reports》上，为 PD 的个性化治疗提供了新的科学依据。
研究人员主要采用了以下关键技术方法：首先，收集 87 例接受 GPi DBS 手术的晚期 PD 患者在术前 “服药 / 未服药” 和术后 “DBS 开启 / 关闭” 四种状态下的 FT 任务视频，共 556 段。其次，利用深度学习模型 Mesh Graphormer 将 2D 手部运动视频重建为 3D 网格，提取 21 个表征手部运动迟缓的参数，包括速度、加速度、幅度、周期等。然后，通过机器学习模型（如线性回归、支持向量机等）预测 MDS-UPDRS Part 3 FT 评分，并运用重复测量方差分析、配对 t 检验等统计方法比较不同状态下的运动参数差异。
研究结果
1. 深度学习模型对运动评分的预测性能
通过 21 个运动参数训练的机器学习模型对 FT 评分的预测准确率达 0.70，与人类专家评估水平相当。其中，线性回归模型在原始 5 分类评分中表现最佳，支持向量回归模型在调整后的 3 分类评分中效果最优，表明深度学习可有效量化 PD 患者的运动迟缓程度。
2. 不同治疗状态下运动参数的比较
统计分析显示，GPi DBS（“DBS 开启” 状态）较药物治疗（“服药” 状态）显著改善速度和加速度相关参数（如最大速度、中位加速度等），而药物治疗对周期相关参数（如中位周期、最小周期）的改善更为明显。此外，术后 “DBS 关闭” 状态下的速度和加速度参数已较术前 “未服药” 状态有所改善，提示 DBS 电极植入的微损伤效应（microlesion effect, MLE）可能对运动症状有一定缓解作用。
3. 治疗机制的差异与小脑通路的潜在作用
进一步分析表明，药物治疗可能通过调节多巴胺能系统改善运动周期的规律性，而 GPi DBS 则更直接地影响与速度控制相关的神经通路。结合功能磁共振成像（fMRI）的相关研究，推测 GPi DBS 可能通过调节小脑 - 丘脑 - 皮质通路（cerebello-thalamo-cortical circuit），增强对运动速度的调控，这一机制可能与小脑前叶在运动速度编码中的作用有关。
研究结论与意义
本研究通过深度学习技术首次系统量化了 GPi DBS 与药物治疗对 PD 患者手部运动迟缓的差异化影响，证实 GPi DBS 在改善运动速度和加速度方面优于药物治疗，且两者可能通过不同神经机制发挥作用。研究结果不仅为 PD 的临床治疗策略选择（如 DBS 靶点优化、药物剂量调整）提供了客观依据，也为深入理解 DBS 的神经调控机制奠定了基础。未来研究可进一步扩展至长期疗效观察和多部位运动功能评估，以全面揭示 GPi DBS 在 PD 治疗中的应用价值。
该研究的创新点在于将计算机视觉与神经科学相结合，突破了传统临床评估的局限性，为运动障碍性疾病的精准诊疗提供了跨学科的研究范式。同时，研究中建立的 3D 手部运动分析模型具有较高的临床可推广性，有望在远程监测、居家康复等场景中发挥重要作用，推动 PD 管理向数字化、智能化方向发展。
