一种基于机器学习的模型能够区分帕金森病、多系统萎缩症（MSA）和进行性核上性麻痹（PSP）。该模型在区分帕金森病和其他类似疾病时表现出高AUROC值和预测值。此外，该算法在93.8%的病例中准确预测了死后的神经病理学结果。
基于3T MRI数据，一种人工智能（AI）算法能够区分各种形式的帕金森综合征。迈克尔·奥肯（Michael Okun）博士及其同事在《JAMA Neurology》上报告了这一发现。他们开发的自动成像帕金森病鉴别（AIDP）机器学习模型在两个队列中区分了帕金森病、多系统萎缩症（MSA）帕金森亚型和进行性核上性麻痹（PSP）。
研究人员报告了受试者工作特征曲线下的面积（AUROC）、阳性预测值（PPV）和阴性预测值（NPV），结果显示AIDP能够：
- 区分帕金森病与非典型帕金森病：AUROC 0.96，PPV 0.91，NPV 0.83
- 区分MSA与PSP：AUROC 0.98，PPV 0.98，NPV 0.81
- 区分帕金森病与MSA：AUROC 0.98，PPV 0.97，NPV 0.97
- 区分帕金森病与PSP：AUROC 0.98，PPV 0.92，NPV 0.98
AIDP机器学习还能够在93.8%的尸检病例中预测死后的神经病理学结果。
“神经退行性疾病的工作流程通常包括MRI检查。通过AIDP AI算法方法，我们可以为治疗医生提供潜在诊断的清晰信息，包括两种帕金森病的类似疾病。”奥肯说。
“这项研究改变了使用常见MRI扫描来区分帕金森病、多系统萎缩症和PSP的方法，”奥肯告诉MedPage Today。“该方法在一个由21个中心组成的NIH和帕金森病研究组队列中进行了测试，简单、快速、准确且有效，适用于多种不同类型的MRI扫描仪。”
这些发现紧随两项关于帕金森病生物标志物的最新研究。2024年，研究人员报告称皮肤活检可以检测帕金森病和其他α-突触核蛋白病。2023年的一项大型分析显示，α-突触核蛋白种子扩增测定法可以以高灵敏度和特异性分类帕金森病患者。
帕金森病领域正在考虑是否采用类似于阿尔茨海默病的生物学分类和分期框架，奥肯及其同事指出。“拟议的框架依赖于病理神经元α-突触核蛋白和多巴胺能神经元退化的证据作为核心生物学锚点，无论临床综合征如何。未来可能将AIDP与其他α-突触核蛋白生物标志物结合使用，作为帕金森病分类和分期系统的一个有用组成部分。”
AIDP研究包括来自美国和加拿大各地的前瞻性帕金森病研究组的249名参与者，以及一个辅助回顾性队列中的396名参与者。
总共500人被分配到训练集：所有296名回顾性队列参与者加上前瞻性研究中的104名参与者。独立测试集包括前瞻性研究中的145人，其中包括60名帕金森病患者、27名MSA患者和58名PSP患者。测试集的平均年龄为67.4岁，65.5%为男性。
临床诊断由三位独立的、盲法运动障碍专科神经科医生确认。使用各种扫描仪获取扩散MRI扫描。输入变量包括大脑感兴趣区域的自由水和分数各向异性、年龄和性别。
在三年内，研究人员还收集了49个大脑用于病理学研究。AIDP诊断在49个大脑中的46个得到了病理学证实，包括五个帕金森病大脑、五个MSA大脑和39个PSP大脑中的36个。
奥肯及其同事表示，未来的研究将分析临床模糊和评分者分歧的病例。“尽管大多数尸检大脑来自PSP患者，但我们预计会有更多的MSA和帕金森病大脑可用，以扩展AIDP的病理学验证。”研究人员建议。
新研究应考虑前驱期病例、路易体痴呆和皮质基底综合征病例，以及其他临床设置中的病例，而不仅仅是运动障碍中心。
(全文结束)
