文献速递：帕金森的疾病分享--使用机器学习方法挖掘影像和临床数据以诊断和早期检测帕金森病
文献综述：帕金森综合征的相关研究采用机器学习技术提取影像特征与临床数据进行分析研究
Title
题目
The extraction of imaging and clinical data using AI-driven techniques is a critical step aimed at diagnosing and detecting early on, particularly for the identification of Parkinson's disease.
使用机器学习方法挖掘影像和临床数据以诊断和早期检测帕金森病
01
文献速递介绍
帕金森病（PD）是一种常见的、慢性的、进展性的神经退行性运动障碍，与Lewy小体中异常α-突触核蛋白的聚集和黑质纹状体多巴胺能神经元的丧失有关。PD中的神经退行性机制尚不清楚，目前还没有治愈PD的方法。PD最显著的症状是运动症状，如震颤、僵硬、运动迟缓或姿势不稳，严重的运动症状患者常常难以使用手，或因震颤和肌肉僵硬而难以站立和行走，这严重影响了他们的生活质量。此外，非运动症状，如嗅觉/嗅觉丧失（hyposmia/anosmia）、自主神经功能失调和快速眼动（REM）睡眠行为障碍，通常在运动症状出现多年前就已出现，但它们可能较轻微，常常被忽视。PD的诊断具有挑战性，例如，在将PD与本质性震颤、药物诱导的帕金森症和典型帕金森综合征如进行性核上性麻痹（PSP）、多系统萎缩（MSA）和皮层基底变性（CBD）区分开来时。临床诊断PD的错误率很高。一项元分析报告称，非专家的错误率为26.2%，而专家的错误率从初始诊断的16.1%到随访诊断的20.4%。使用尸检结果评估PD诊断时，Hughes等人发现诊断错误率约为24%。进一步地，使用PD的神经病理学发现作为金标准，Adler等人发现，在未治疗或药物无反应的受试者中，PD的临床诊断准确性仅为26%，在药物反应性早期PD（病程短于5年）中为53%，在药物反应性且病程较长的PD中准确性>85%。PD诊断高错误率的原因可能是：
PD 的临床诊断主要依赖于临床检测指标以及治疗药物的效果。
神经影像学主要用于作为辅助手段进行 PD 诊断。
在这些临床神经影像学方法中，
单光子发射计算机断层扫描 (SPECT) 具有较高的实用价值。
在三分之一的研究病例中使用多巴胺转运体扫描 (DaTscan) 带来了对诊断结果的有效补充。
目前看来，在可靠地检测PD生物标志物方面进展有限；尤其是在能够实时成像PD患者大脑中特定病理特征方面存在明显不足。
PD诊断的另一个主要问题是早期识别问题，在该阶段的变化往往不易察觉。
Conclusion
结论
Over the past years, notable advancements have been achieved in integrating machine learning methodologies for the diagnosis and early identification of Parkinson's disease. Despite ongoing applications of machine learning in PD diagnostics, challenges remain.
still in their infancy, machine-learning methods have automated imaging data analysis, outperformed conventional semi quantitative analysis and performed comparably well as experts’ visual inspection in detecting PD-associated dopaminergic degen eration on SPECT imaging, reduced interpretation variability of imaging, improved PD diagnostic accuracy of radiologists and aided in differential diagnosis and early PD detection. Using combined multi-modal imaging and clinical data (in these applications) may further enhance the diagnosis and early detection of PD. To integrate these machine-learning applications into clinical systems, further validation and optimization are needed to make them accurate and reliable. Despite the challenges in translating machine-learning applications into clinical practice, machine-learning techniques are promising to assist clinicians in improving differential diagnosis of parkinsonism and early diagnosis of PD, which may reduce the error rate of PD diagnosis, and help detect PD at pre-motor stage so that early
改写说明
总体而言，在帕金森病（PD）的确诊与早期筛查方面运用机器学习技术取得了令人瞩目的成就。尽管目前在帕金森病的确诊应用中机器学习技术仍处于初期阶段，在图像数据分析方面已经实现了自动化处理，并超越了传统的半定量评估方法；特别是在对SPECT成像中的多巴胺能退行性变化进行检测时其表现与临床专家的视觉检查相当一致有效地降低了影像解读的一致性问题并提升了放射科医生对帕金森病的确诊准确性同时为鉴别诊断和早期筛查提供了有力支持；通过融合多模态成像技术和临床数据信息在帕金森病的确诊与早期筛查方面可能进一步提升检测精度以整合这些机器学习应用至临床系统需要持续的研究和技术优化以确保其准确性和可靠性；尽管当前将机器学习技术转化为临床实践尚面临诸多挑战但随着技术的进步这一前景广阔未来有望降低帕金森病的确诊错误率并在运动前阶段及时发现疾病以便实施早期治疗如神经保护治疗从而减缓疾病进展防止出现严重的运动症状并减轻患者的痛苦。
Table
表
Table 1: Machine learning-based SPECT investigations into dopaminergic imaging for diagnostic procedures and early-stage assessments of Parkinson's disease.
表1. 用于PD诊断和早期检测的基于机器学习的SPECT多巴胺能成像研究。
Table 2 presents a comprehensive review of machine learning-based approaches in positron emission tomography (PET) imaging studies for the diagnosis of Parkinson's disease and the identification of its early signs.
表2. 用于PD诊断和早期检测的基于机器学习的PET成像研究。
Table 3. 机器学习方法在结构MRI中的应用用于帕金森病的诊断与早期筛查.
表3. 用于PD诊断和早期检测的基于机器学习的结构性MRI研究。
Tabular 4. 机器学习方法用于 parkinson’s disease 的确诊及早筛出来.
表4. 用于PD诊断和早期检测的基于机器学习的功能性MRI研究。