基于人工智能的脑形态网络解析：帕金森震颤与特发性震颤的临床鉴别新策略

本研究针对帕金森震颤（TD）与特发性震颤（ET）临床鉴别难题，通过脑形态学分析和人工智能技术揭示了二者在皮质厚度、皮层下核团及因果网络中的差异特征。团队发现TD患者右侧楔前叶（PCUN.R）和苍白球体积增大，而ET患者右侧内侧眶额叶（MOF.R）和丘脑体积减小，并构建了准确率达87%的机器学习模型。该研究为震颤疾病的早期诊断提供了客观影像标志物，发表于《npj Parkinson's Disease》。

　　

震颤作为最常见的运动障碍症状，帕金森病（Parkinson's disease, PD）和特发性震颤（Essential tremor, ET）占临床病例的绝大部分。尽管PD典型表现为静止性震颤（4-6 Hz），ET以姿势性震颤（8-12 Hz）为主，但随着病程进展，二者症状常出现重叠，约30%患者被误诊。传统诊断依赖临床量表观察，缺乏客观生物学标志物，导致早期鉴别尤为困难。

为破解这一难题，由Moxuan Zhang和Siyu Zhou领衔的多中心团队在《npj Parkinson's Disease》发表研究，创新性地将脑形态学分析与人工智能相结合。研究纳入69例震颤主导型PD（TD）和71例ET患者，通过高分辨率MRI获取皮质厚度、皮层下核团体积数据，运用结构协变网络（SCN）和因果结构协变网络（CaSCN）分析疾病进展模式，最终构建机器学习分类模型。

关键技术方法包括：1）基于FreeSurfer的皮质厚度和皮层下核团体积量化；2）采用伪时间序列构建Granger因果分析（GCA）网络；3）结合蒙特卡洛模拟（MCS）和高斯随机场（GRF）进行多重比较校正；4）使用LASSO算法筛选特征训练随机森林（RF）和支持向量机（SVM）模型。所有患者来自北京天坛医院等三家医疗中心，经严格临床标准筛选。

整体皮质厚度改变

• TD组：左侧中颞叶（MTG.L）变薄，右侧楔前叶（PCUN.R）增厚

• ET组：右侧内侧眶额叶（MOF.R）和双侧楔叶（CUN.L/R）增厚，左侧上颞叶（STG.L）变薄

皮层下核团分析

• TD组：苍白球体积显著增大（P<0.001）

• ET组：丘脑体积减小（右侧更显著，P<0.001）

结构协变网络（SCN）

• TD组：右侧楔前叶（PCUN.R）与左侧内嗅皮层（EC.L）协变减弱

• ET组：右侧内侧眶额叶（MOF.R）与多个前额叶区域连接降低

因果网络（CaSCN）

• TD组：右侧颞极（TP.R）为最高出度节点，影响运动前区

• ET组：MOF.R为核心枢纽，调控枕叶和扣带回

机器学习模型

结合皮质厚度与临床变量的模型表现最优（AUC 0.88），关键特征包括：

1. 1.

   右侧颞极（TP.R）厚度

2. 2.

   声音障碍指数（VHI）

3. 3.

   蒙特利尔认知评估（MoCA）得分

这项研究首次系统揭示了TD与ET在脑结构网络层面的差异：TD起源于颞叶向运动区扩散，ET始于前额叶向视觉皮层发展。构建的AI模型突破传统诊断瓶颈，为临床提供可量化的鉴别工具。局限性包括样本量较小和伪时间序列的假设性，未来需通过多中心队列验证。该成果为理解震颤疾病的神经机制开辟了新视角，相关特征模式或可作为治疗靶点评估的生物标志物。