基于PET成像、震颤检测与机器学习的帕金森病早期诊断多模态研究

本文提出了一种整合神经影像、运动症状分析与非运动临床特征的多模态方法，用于帕金森病（PD）的早期分类。研究通过PET成像评估多巴胺耗竭（核心生物标志物），利用霍夫变换算法分析绘图测试中的震颤特征，并结合XGBoost算法对非运动特征实现超过95.42%的分类准确率。该方法为早期、精准且可解释的PD诊断提供了新策略。

　　

文献综述

Li等人（2021年）通过改进隐式语义数据增强（ISDA）技术，解决了类别不平衡数据集中少数类样本增强的难题。尽管ISDA能通过语义方向上的深度特征扰动生成多样化增强样本，但在训练数据有限的少数类中仍存在局限性。作者提出一种基于元学习的方法，通过元更新模拟平衡分布，优化增强策略。

研究方法

多巴胺在帕金森病（PD）的病理机制中扮演关键角色，其耗竭是该病的核心神经化学标志之一。尽管多巴胺水平降低是PD的典型特征，但其他神经因素也可能导致类似现象。因此，临床诊断通常先依赖 observable 的躯体症状，再结合神经化学检测。

本研究采用三阶段分析框架识别帕金森病：

1. 1.

   基于非运动特征的机器学习分类；

2. 2.

   通过PET图像处理量化大脑活跃区域；

3. 3.

   利用绘图测试中的线条畸变评估运动异常。

结果与讨论

本研究通过以下三个步骤评估系统性能：

1. 1.

   机器学习模型表现评估；

2. 2.

   采用模板匹配技术分析大脑活跃区域；

3. 3.

   应用霍夫变换技术从线条绘图中检测手部震颤。

结论与未来计划

本研究提出了一种基于正电子发射断层扫描（PET）图像判定帕金森病分期的新方法。通过图像处理技术估计与疾病进展密切相关的多巴胺水平。未来工作将构建PET图像数据集，并采用卷积神经网络（CNN）模型进行疾病分期分类。

除多巴胺分析外，本研究还整合了机器学习驱动的非运动症状评估和基于霍夫变换的震颤运动分析，形成多模态诊断框架。未来将进一步优化算法泛化能力，并探索多中心临床验证。