深度学习应用于多模态MRI可能显著提高帕金森病与多系统萎缩的早期区分，为诊断帕金森综合征提供潜在突破。这是根据一项新研究的结果。机器学习模型使用结合结构性和扩散成像数据达到最高88%的准确率。
研究人员在156名患者的脑部MRI扫描数据上训练了一个三维卷积神经网络（3D CNN），其中包括92名多系统萎缩（MSA）患者和64名帕金森病（PD）患者。MSA亚型包括帕金森型（MSA-P）、小脑型（MSA-C）和混合型（MSA-PC）。成像数据来自法国三家参考中心，包括灰质密度（来自T1加权MRI）和平均扩散率（来自扩散张量成像）。
深度学习模型被用于三个二元分类任务测试：区分PD与所有类型的MSA，区分PD与小脑型和混合型MSA，以及区分PD与帕金森型MSA。当两种成像模式结合使用时，分类准确率最高（0.88 ± 0.03）。单独使用扩散数据在识别小脑型和混合型MSA时表现最佳，而灰质图在识别MSA-P方面更为有效。
重要的是，激活图支持模型的可解释性，突出了MSA中常受影响的大脑区域，包括壳核和小脑。误分类患者显示出较轻微的影像异常，这表明CNN可能对疾病严重程度敏感。这些结果强调了在机器学习框架中结合结构性和扩散成像的临床相关性。
这一概念验证研究支持基于AI的、用户独立的诊断工具的可行性，以帮助区分帕金森综合征。在更广泛的临床环境中进一步验证可能为使用常规MRI数据进行更早和更准确的诊断铺平道路。
参考文献：
Mattia GM等。使用多模态磁共振成像进行深度学习区分帕金森综合征：一项概念验证研究。Mov Disord. 2025. doi: 10.1002/mds.30300. [在线提前印刷]
【全文结束】
