帕金森病STN-DBS手术规划的人工智能研究:常规靶向与监督统计机器学习的多中心比较

《Brain Sciences》:Artificial Intelligence for STN-DBS Surgical Planning in Parkinson’s Disease: A Multicenter Study Comparing Conventional Targeting Versus Supervised Statistical Machine Learning Fei-Fei Wu, Raffaella Buonanno, Valentina Baro, Vincenzo Levi, Giulia Melinda Furlanis, Mariasole Gagliano, Andrea Guerra, Alberto D’Amico, Carlo Giorgio Giussani and Andrea Landi + 3 authors

【字体: 大 中 小 】 时间:2026年04月27日 来源:Brain Sciences 2.8

编辑推荐:

  目的:深部脑刺激(Deep Brain Stimulation, DBS)已成为晚期帕金森病(Parkinson’s disease, PD)公认的有效治疗选择。特定靶点的识别可通过多种方法实现,包括常规的直接和间接方法。本多中心研究的目的是比较这些传统方法与

  
目的:深部脑刺激(Deep Brain Stimulation, DBS)已成为晚期帕金森病(Parkinson’s disease, PD)公认的有效治疗选择。特定靶点的识别可通过多种方法实现,包括常规的直接和间接方法。本多中心研究的目的是比较这些传统方法与人工智能(Artificial Intelligence, AI)在确定理想靶点方面的差异。材料与方法:共分析了2022年至2023年间接受双侧亚丘脑核(Subthalamic Nucleus, STN) DBS植入的8例患者。在规划阶段,基于Schaltenbrand和Wahren图谱以及使用RebrAIn系统的AI计算靶点坐标;术中根据微电极记录(Microelectrode Recordings, MERs)确认或调整靶点。通过非参数方差分析(Friedman test)评估并比较了这些方法在立体定向坐标三个笛卡尔轴(X, Y, Z)上的差异。结果:结果显示,在内外侧坐标(X, X′, X″)上存在显著一致性,表明各方法在该轴上的靶点确定具有稳定性。然而,在前後(Cranio-caudal)和头尾(Antero-posterior)坐标上观察到更显著的差异,表明所检查的方法之间一致性较低。结论:初步研究结果表明,尽管存在个体间解剖变异和成像技术局限性的挑战,人工智能在内外侧X坐标上显示出与传统方法相当的数值。基于机器学习模型预测靶点的准确性仍需进一步研究验证,但初步结果似乎表明人工智能在整合术前工作流程中具有潜在的应用前景。
本研究由Fei-Fei Wu、Raffaella Buonanno、Valentina Baro等学者合作完成,发表于《Brain Sciences》。论文聚焦于帕金森病治疗中深部脑刺激(Deep Brain Stimulation, DBS)的靶点规划问题,旨在通过多中心数据比较常规立体定向方法与基于人工智能(Artificial Intelligence, AI)的监督统计机器学习方法在亚丘脑核(Subthalamic Nucleus, STN)靶向中的差异。
研究背景与意义
DBS是治疗晚期帕金森病的有效手段,其中STN是最常用的靶点,因其可改善震颤、运动迟缓及异动症,并允许减少药物剂量。目前临床主要采用基于Schaltenbrand和Wahren图谱的间接法结合磁共振成像(Magnetic Resonance Imaging, MRI)的直接法,辅以术中微电极记录(Microelectrode Recordings, MERs)来验证靶点。然而,不同MRI序列显示的STN与电生理发现常存在偏差,且现有方法高度依赖操作者经验,缺乏标准化流程。随着“睡眠手术”(asleep surgery)的普及,MERs的使用逐渐减少,这进一步凸显了对标准化、自动化术前规划工具的需求。因此,研究人员引入了名为RebrAIn的监督统计学习系统,试图通过机器学习模型预测最佳STN靶点,以减少术者间的变异性。
关键技术方法
本研究为多中心回顾性分析,纳入了2022年至2023年间来自帕多瓦儿科与功能神经外科中心及米兰Carlo Besta神经学研究所的8例接受双侧STN-DBS植入的帕金森病患者。研究排除了术后出现严重并发症、严重精神疾病、痴呆及脑血管病变的患者。术前所有患者均接受3T脑部MRI扫描(包括T1加权及FLAIR序列)。研究人员将三种靶点确定方法进行了对比:(1)基于Schaltenbrand和Wahren图谱坐标并结合3D MRI调整的常规方法;(2)基于术中MERs确认的实际术后靶点;(3)基于RebrAIn软件通过AI计算的靶点。坐标差异在立体定向坐标系的三个笛卡尔轴(X: 内外侧, Y: 前后, Z: 头尾)上进行测量,并使用Friedman检验及Wilcoxon事后检验进行统计学分析。
研究结果
1. 坐标差异分析
通过对16侧(左右脑分别统计)的数据分析显示,在X轴(内外侧坐标)上,常规立体定向、电生理及AI靶点之间的差异无统计学意义(Friedman检验 p-value 0.094),表明AI在左右定位上与现有金标准具有可比性。然而,在Y轴(前后坐标)和Z轴(头尾坐标)上,三种方法之间存在显著差异(Y轴 p-value = 0.00064;Z轴 p-value = 0.00003)。事后分析进一步揭示,AI预测的Y轴坐标与常规及电生理靶点均有显著差异,而Z轴上三种靶点彼此均显著不同。
2. 临床结局
所有患者均耐受手术,未出现围术期并发症。术后30天激活刺激,并根据单极检查调整参数。术后三个月随访显示,根据国际运动障碍协会统一帕金森病评定量表(MDS-UPDRS)评估,患者的运动症状平均改善了33%,尤其在震颤控制和僵直缓解方面表现最佳。此外,五名患者的药物摄入量减少了20%。六个月的随访证实了临床疗效的持续性。值得注意的是,尽管AI靶点在Y轴和Z轴上存在差异,但其术后临床结果与常规方法相当,未出现额外的副作用。
讨论与结论
讨论
研究人员指出,X轴上的一致性证明了AI在横向定位上的可靠性,这对于避免视束损伤至关重要。Y轴和Z轴上的差异主要归因于MRI图像固有的几何畸变,这种畸变在前后和垂直方向上更为明显。此外,临床实践中为了最大化刺激效果,术者会有意将电极置于理论靶点的稍后方及下方,加之术中脑脊液流失导致的脑组织移位,也是造成差异的重要因素。尽管存在差异,但AI方法(如RebrAIn系统)通过整合扩散张量成像纤维束成像以避免损伤神经纤维,并基于既往成功病例的临床结果进行预测,展现了其在标准化手术流程中的潜力。
结论
本研究初步表明,尽管面临个体解剖变异和影像技术的限制,人工智能在STN-DBS的X轴坐标确定上已显示出与传统方法相当的准确性。随着机器学习模型的持续优化,其有望辅助标准化STN-DBS手术流程,特别是在“睡眠手术”模式下减少对MERs的依赖,从而缩短手术时间、降低风险及成本。然而,研究人员强调,由于样本量较小(n=8),当前结论仍需在更大规模的多中心队列研究中进一步验证,并需评估长期临床疗效及刺激参数的优化策略。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号