Page 144 - 南京医科大学自然版

第44卷第6期
·880 · 南 京
方法构建模型在鉴别诊断中的效能。基于自动分割
和手动分割方法的 F⁃FDG⁃PET/MR影像组学模型均
18
具有较好的诊断效能，但自动分割方法具有省时、省
力，可重复性较高，具有更大的潜力和实用价值。
上述研究都聚焦于 PD 的鉴别诊断，均选取了
FDG⁃PET 和 T1WI、T2WI、T2⁃FLAIR 图像进行特征
提取，目前文献里关于AI结合影像组学模型应用于
PET/MR 图像诊断的研究大部分使用了 MRMR 和
LASSO 的特征选择算法，这两种算法能够有效减少
特征维度，找到最重要的特征，提高模型的泛化能
力和解释性。逻辑回归算法则是最常用的构建放
射组学模型的分类器算法，将 PET 图像和 MR 序列
图像结合，在纹理形态特征的基础上添加了代谢信
息，提高了模型性能。然而，基于同步PET/MR的设
计大多为单中心研究，样本数量不足，对模型高性
能评价的准确性仍需进一步认证。
PET/MR 为影像组学多模态数据融合分析带来
了更多可能性。引入ML算法对这些大量的影像数
据进行处理和分析，使诊断变得更加自动化和精
确。目前，AI结合PET/MR在诊断PD方面的研究较
少，主要集中在特征选取上，从多模态的影像数据
中提取出能够有效区分PD 患者和正常人的特征维
度，更早诊断 PD，特别是无明显临床症状的前驱期
PD，可指导临床诊疗，延缓疾病进展，提高疗效。
随着特异性神经分子探针的广泛临床应用，未
来通过分析 PET/MR 图像的特征和指标，ML 和 DL
可以应用于 PET/MR 图像自动分析和解读，明确特
定分子探针的特异性分布模式和特点，实现特定分
子靶标的可视化及定量分析，提高诊断效能。AI可
实时监测和评估PD的病情变化，调整治疗方案，也
可预测 PD 的发展趋势和预后，为个性化治疗和管
理策略提供支持。这些应用将为PD 的治疗和管理
带来重要的进展。
4 小结与展望
PD 是一种以静止性震颤、运动迟缓、姿势不稳
等症状为主要特征的神经系统疾病，其发病机制主
要涉及颅内黑质纹状体多巴胺能系统的缺失和功
能异常，临床诊断主要依赖于观察患者的运动症
状。同步PET/MR技术能够提供可靠的代谢和功能
网络图像。AI 模型可以提取 PD 特征信号，并预测
疾病进展。未来 PET/MR 结合 AI 将有助 PD 的早期
诊断和鉴别诊断，并为明确神经变性疾病的发病机
制提供理论依据。
医 科 大 学 学 报 2024年6月
［参考文献］
［1］ BLOEM B R，OKUN M S，KLEIN C. Parkinson’s disease［J］.
Lancet，2021，397（10291）：2284-2303
［2］ 曹雯燕，刘晓光，马灿灿，等. 不同运动表型帕金森病患
者非运动症状的相关因素研究［J］. 南京医科大学学报
（自然科学版），2019，39（12）：1764-1768
［3］ ARMSTRONG M J，OKUN M S. Diagnosis and treatment
of parkinson disease：a review［J］. JAMA，2020，323（6）：
548-560
［4］ DUPONT P. A role of PET/MR imaging in dementia?［J］.
Semin Nucl Med，2021，51（3）：296-302
［5］ KAUL V，ENSLIN S，GROSS S A. History of artificial
intelligence in medicine［J］. Gastrointest Endosc，2020，
92（4）：807-812
［6］ JANKOVIC J，TAN E K. Parkinson’s disease：etiopatho⁃
genesis and treatment［J］. J Neurol Neurosurg Psychiatry，
2020，91（8）：795-808
［7］ RAMSAY N，MACLEOD A D，ALVES G，et al. Valida⁃
tion of a UPDRS⁃/MDS⁃UPDRS⁃based definition of func⁃
tional dependency for Parkinson’s disease［J］. Parkin⁃
sonism Relat Disord，2020，76：49-53
［8］ 陈罕奇，张 浩，葛晓敏，等. 机器学习结合影像组学特
征预测急性脑卒中机械取栓预后［J］. 南京医科大学学
报（自然科学版），2022，42（8）：1165-1170
［9］ MEI J，DESROSIERS C，FRASNELLI J. Machine learning
for the diagnosis of Parkinson’s disease：a review of litera⁃
ture［J］. Front Aging Neurosci，2021，13：633752
［10］宋 歌，王 淼，高中宝，等. 人工智能语音分析系统在
帕金森病诊断中的一项探索性临床研究［J］. 中华老年
心脑血管病杂志，2020，22（5）：514-519
［11］ SOLANA ⁃ LAVALLE G，GALÁN ⁃ HERNÁNDEZ J C，
ROSAS⁃ROMERO R. Automatic Parkinson disease detec⁃
tion at early stages as a pre⁃diagnosis tool by using classi⁃
fiers and a small set of vocal features［J］. Biocybern
Biomed Eng，2020，40（1）：505-516
［12］ KARAPINAR SENTURK Z. Early diagnosis of Parkin⁃
son’s disease using machine learning algorithms［J］.
Med Hypotheses，2020，138：109603
［13］IMPEDOVO D，PIRLO G. Dynamic handwriting analysis
for the assessment of neurodegenerative diseases：a pattern
recognition perspective［J］. IEEE Rev Biomed Eng，2019，
12：209-220
［14］AGHANAVESI S，NYHOLM D，SENEK M，et al. A smart⁃
phone⁃based system to quantify dexterity in Parkinson’s
disease patients［J］. Inform Med Unlocked，2017，9：11-17
［15］BERNARDO L S，QUEZADA A，MUNOZ R，et al. Hand⁃
written pattern recognition for early Parkinson’s disease