研究亮点

• 本研究首次开展了涵盖21个多中心的前瞻性队列临床试验，验证了基于3T扩散磁共振成像与支持向量机（SVM）机器学习的自动化影像区分技术（AIDP）在鉴别帕金森病（PD）、多系统萎缩（MSA）及进行性核上性麻痹（PSP）中的高效性。
• AIDP在PD与非典型帕金森综合征（MSA和PSP）、MSA与PSP、PD与MSA、PD与PSP的区分中，均表现出了卓越的诊断性能，测试集的AUROC均达0.96及以上。
• 神经病理学验证显示，AIDP诊断与尸检结果高度吻合（93.9%），优于常规临床诊断的准确率，预示其未来可成为临床诊断的重要辅助工具。

近日，一项发表于JAMA Neurology的多中心前瞻性临床队列研究报道了基于自动化3T扩散MRI影像特征结合机器学习诊断模型（AIDP），用于三大常见帕金森综合征的精准区分。研究团队招募了249名符合严格临床诊断标准的患者，分别诊断为PD、MSA及PSP，并结合之前的396例回顾性患者数据共同构建了强大的机器学习训练集。利用支持向量机（SVM），通过132个脑区的自由水分量（FW）和自由水校正的各向异性分数（FAt）特征映射，建立了疾病相关特征的判别模型。研究结果显示，AIDP模型在独立测试集的疾病区分准确率极高，并通过部分病例与神经病理学金标准验证一致，证明了该技术在临床诊断工作流程中应用的可行性与实用价值。

目前，帕金森综合征的临床诊断依赖神经学专家基于症状、体征和辅助检查做出，但PD、MSA及PSP的临床表现存在重叠，尤其在疾病早期阶段，诊断错误率较高，严重影响患者的治疗及预后。多巴胺能神经元功能成像（如DaT-SPECT）虽被FDA批准用于鉴别帕金森症状与原发性震颤，但受限于放射性示踪剂的应用成本及时间，且无法可靠区分多种神经变性帕金森综合征。在此背景下，磁共振成像，特别是扩散加权成像因无创、无放射性且快速而增加被广泛关注。然而，传统基于影像的鉴别依靠人工分析主观性强，准确性及适用性有限。因此，将扩散MRI中自由水等定量参数与人工智能相结合的自动化分析方法，成为该领域的研究热点。

此前，一项回顾性研究曾初步验证了基于3T扩散MRI自由水映射与SVM机器学习模型对PD及其非典型变异的分类潜力，但缺乏大规模、多中心、前瞻性验证。为解决临床中迫切存在的精准鉴别需求，本研究设计了包含美国和加拿大21个运动障碍专业研究中心的多中心前瞻性队列，严格筛选临床诊断并盲法评估，旨在验证AIDP的诊断效能能否达到临床应用标准。

本研究招募40至80岁自愿参加的患者，分为PD、MSA运动型及PSP，诊断依据公认的临床标准，包括英国脑库标准、MSA第二共识声明和运动障碍协会PSP诊断标准。三位独立且盲法审阅患者录像视频、临床MRI和量表评分的专家一致认同诊断结果者方纳入研究。

使用标准3T MRI设备（西门子、GE及飞利浦多厂家参与），采集标准扩散加权成像序列（b=1000 s/mm^2，≥30方向），根据预处理流程剔除运动伪影，构建自由水（FW）和自由水校正的组织各向异性分数（FAt）参数，并提取132个脑区的定量指标。将134例前瞻性患者按比例随机分配为训练集和独立测试集，结合396例回顾性患者数据共同训练支持向量机分类模型。

主效应指标为AUC（ROC曲线下面积），分别验证PD与非典型、MSA与PSP、PD与MSA、PD与PSP的分类性能，计算灵敏度、特异度、阳性预测值（PPV）及阴性预测值（NPV），通过模型内五折交叉验证与多次随机训练测试切分验证模型的稳健性。部分患者提供尸检数据，以神经病理诊断检验模型预测的准确性。

研究结果

1. 人群基线特征

共计316名患者筛选，最终纳入249名前瞻性患者（平均年龄67.8岁，男性62.2%），其中PD 99例，MSA 53例，PSP 97例。另纳入回顾性396名患者供训练集使用（PD 211，MSA 98，PSP 87）。患者样本涵盖多个种族及民族，确保多样性（详见Table 1）。

特征 前瞻性队列 (n=249) 回顾性队列 (n=396) PD 99 (39.8%) 211 (53.3%) MSA 53 (21.3%) 98 (24.7%) PSP 97 (39.0%) 87 (22.0%) 平均年龄 (岁) 67.8 (±7.7) 65.8 (±8.9) 性别 (男) 155 (62.2%) 234 (59.1%) 诊断时间 (年) 3.7 (±2.8) NA UPDRS III评分 32.8 (±15.9) 37.6 (±19.6) UMSARS总评分 35.0 (±18.2) NA PSP-RS总评分 26.0 (±17.1) NA

2. AIDP分类性能

在65%独立前瞻性测试集（145名患者）中，AIDP模型表现优异，主要分类指标如下：

比较组 AUROC (95% CI) 灵敏度 特异性 PPV NPV PD vs 非典型帕金森综合征 0.96 (0.93-0.99) 0.87 0.88 0.91 0.83 MSA vs PSP 0.98 (0.96-1.00) 0.90 0.96 0.98 0.81 PD vs MSA 0.98 (0.96-1.00) 0.97 0.85 0.97 0.97 PD vs PSP 0.98 (0.96-1.00) 0.98 0.91 0.92 0.98

此外，重复扫描的重测性能与初测相当，表明方法的稳定性。去除模型输入特征中的年龄与性别信息没有对分类性能产生显著影响，表明模型的强鲁棒性。

49次不同训练/测试划分验证运行中，平均AUROC分别达到0.95-0.98，进一步彰显模型的泛化能力。

针对来自未参与训练的6个独立场站的患者，AIDP依旧保持高准确率（PD与非典型AUROC=0.94），提示该算法适用多中心多设备环境。

3. 神经病理学验证

49例尸检患者中（包括4例前瞻性患者），AIDP诊断与病理黄金标准高度吻合（46/49例，93.9%），明显优于临床诊断的确认率（81.6%）。值得注意的是，部分临床诊断为“可能”MSA或PSP的患者，AIDP成功预测了正确的病理类型。

该项多中心前瞻性研究系统性地验证了基于3T扩散MRI自由水成分及组织各向异性与人工智能相结合的自动化分类模型（AIDP）在鉴别PD、MSA及PSP中的优越诊断性能。相比DaT-SPECT等传统核医学成像，其无创、无辐射、成本低廉且扫描时间短，且能超越单纯临床症状判断，实现对神经退行性帕金森综合征的精准区分。

神经病理学验证结果表明，该模型有潜力在临床实践中辅助诊断，减少误诊率，促进更合理的治疗制定与患者预后改善。结合最新α-突触核蛋白相关的生物标志物和神经影像标志物，未来有望推动PD及相关综合征的生物学分类和疾病进展分期。

此外，该研究涵盖多种MRI设备和多家专业中心，显示该技术具备跨站点实际应用的可行性。其基于可标准化采集的常规扩散MRI序列及自动化后处理流程，适合纳入现有神经影像工作流程，未来或发展为云端辅助诊断平台。

梅斯小编点评

这项研究填补了当前帕金森综合征鉴别诊断中缺乏高效、无创且自动化辅助工具的空白，以丰富的临床病例和纵向数据，结合先进的机器学习算法，对于PD、MSA及PSP实现了高准确率的区分，尤其令人瞩目的是与神经病理学真值的高度一致性，极大增强了临床应用的信心。

未来研究可聚焦以下几个方向：（1）扩大纳入范围，包括临床诊断存在疑难和重叠表现的患者，探究模型在边缘病例的适用性；（2）结合更多生物标志物如α-突触核蛋白种子扩增检测（SAA）、皮肤活检等，打造多模态诊断体系；（3）评估其在疾病早期和疑似前驱状态中的发掘潜力；（4）推动AIDP技术从科研向临床转化，通过法规认证、软硬件一体化，实现多中心普及，造福广大患者。

原始出处

Vaillancourt DE, Barmpoutis A, Wu SS, et al. Automated Imaging Differentiation for Parkinsonism. JAMA Neurol. 2025;82(5):495-505. doi:10.1001/jamaneurol.2025.0112. Published online March 17, 2025.

Tags： JAMA Neurology ：利用自动化影像技术精准区分帕金森综合征多种亚型