基于18F-FDG PET成像与深度学习探究帕金森病冻结步态脑葡萄糖代谢特征及其诊断价值

本研究针对帕金森病(PD)冻结步态(FOG)临床诊断主观性强、客观标志物缺乏的难题，利用18F-FDG PET脑成像技术结合3D卷积神经网络(3D CNN)，成功识别出PD-FOG患者特有的脑葡萄糖代谢模式（主要涉及额顶叶网络），并构建出诊断准确率达95.40%的智能识别模型。该研究为揭示FOG的神经机制提供了新证据，为PD-FOG的精准诊断和评估提供了可靠的影像学与人工智能支持。

当帕金森病进展到中晚期，许多患者会遭遇一种令人困扰的症状——冻结步态(Freezing of Gait, FOG)。患者常常感觉双脚像被胶水粘在地面上，难以起步或转身，尤其在狭窄空间或紧张时更容易发生。这种症状不仅显著增加跌倒风险，更严重影响了患者的独立生活能力和生活质量。目前，临床上主要依靠医生观察和患者主观描述的评定量表（如FOG-Q）来诊断FOG，缺乏客观、量化的生物学标志物。虽然步态分析系统能提供一些客观参数，但对短暂、不规则发作的FOG捕捉能力有限。因此，探寻FOG背后特异的脑功能改变，并开发客观、精准的诊断工具，成为帕金森病研究领域的一个重要挑战。

在此背景下，Zhu等人发表在《BMC Neurology》的研究，创新性地将¹⁸F-氟代脱氧葡萄糖正电子发射断层扫描(¹⁸F-FDG PET)脑功能成像与深度学习技术相结合，旨在揭示帕金森病伴冻结步态(PD-FOG)患者独特的脑葡萄糖代谢模式，并评估三维卷积神经网络(3D CNN)在自动识别FOG中的价值。研究招募了18名PD-FOG患者、11名不伴FOG的PD(PD-NFOG)患者及17名健康对照(HC)，所有参与者均接受了¹⁸F-FDG PET扫描。研究人员首先采用统计参数图(SPM12)软件进行基于体素的组间分析，寻找葡萄糖代谢存在显著差异的脑区；进而构建了专门的3D CNN模型，并与多种传统机器学习模型（如MLP、SVM、2D CNN等）进行比较，评估其在区分PD与HC、以及区分PD-FOG与PD-NFOG方面的诊断效能；此外，还利用该模型预测了FOG-Q评分，以评估其评估疾病严重程度的潜力。

研究主要应用了几项关键技术方法：首先，纳入了来自南京医科大学第一附属医院的明确分组的临床队列（PD-FOG 18人，PD-NFOG 11人，HC 17人）；其次，采用¹⁸F-FDG PET成像技术定量评估脑局部代谢活动，并通过SPM12进行基于体素的统计比较；最后，构建并训练了3D CNN深度学习模型，采用10折交叉验证(10-FCV)策略评估模型在疾病分类和严重程度预测（FOG-Q评分回归）上的性能，并与传统机器学习方法进行对比。

PET数据

基于体素的统计分析显示，与PD-NFOG组相比，PD-FOG组在右侧额下回三角部、右侧中央后回、左侧初级躯体感觉皮层1区、左侧顶上小叶5区、右侧中央前回及左侧中扣带回等脑区表现出葡萄糖代谢增高，而在左侧角回、左侧次级躯体感觉皮层2区和右侧后扣带回等脑区代谢减低。这些差异脑区主要位于额顶叶网络(FPN)，涉及运动计划、执行控制和感觉整合功能。与HC组相比，PD-FOG组在双侧脑岛、双侧小脑VIII/IX叶、右侧丘脑等区域代谢增高，而在右侧中央前回、左侧辅助运动区、右侧壳核、右侧内侧额上回、左侧尾状核等区域代谢减低。PD-NFOG组与HC组比较也发现了特定的代谢差异模式，但程度和范围与PD-FOG组不同。

PD-FOG和PD-NFOG组差异脑区FDG代谢值与FOG-Q评分的偏相关分析

偏相关分析（控制UPDRS-III和LEDD等混杂因素后）进一步揭示了这些代谢改变与FOG严重程度的直接关联。右侧额下回三角部、右侧中央前回、左侧初级躯体感觉皮层1区和左侧中扣带回的代谢值与FOG-Q评分呈显著正相关。相反，左侧次级躯体感觉皮层2区、左侧角回和右侧后扣带回的代谢值与FOG-Q评分呈显著负相关。这表明FOG的症状严重程度与特定脑网络的代谢活动紊乱密切相关。

深度学习对PD和PD-FOG的诊断效能

在模型性能方面，3D CNN展现出了卓越的诊断能力。在区分PD患者与健康对照的任务中，3D CNN模型的准确率达到90.09%，曲线下面积(AUC)为0.82。在更具挑战性的区分PD-FOG与PD-NFOG的任务中，3D CNN的表现更为突出，准确率高达95.40%，精确度为97.93%，召回率为95.68%，F1分数为96.38，其性能显著优于MLP、SVM、GCN、Tucker分解、CP分解和2D CNN等其他对比模型。

3D CNN和传统回归方法评估FOG-Q分数的性能

在预测FOG-Q评分的回归任务中，3D CNN也表现出色，其均方误差(MSE)为48.01，平均绝对误差(MAE)为4.44，均方根误差(RMSE)为4.44，整体预测性能优于多项式回归、决策树回归和随机森林回归等传统方法，显示出3D CNN在评估FOG严重程度方面的潜力和稳定性。

讨论

本研究结合¹⁸F-FDG PET和深度学习技术，深入探讨了PD-FOG患者独特的脑葡萄糖代谢模式及其诊断价值。研究发现，PD-FOG患者存在以额顶叶网络为核心的复杂脑代谢改变模式，其中某些脑区的代谢减低（如后扣带回、角回）可能反映了运动协调和感觉整合网络的功能障碍，而另一些脑区的代谢增高（如额下回、中扣带回、中央前回）则可能代表了大脑为应对步态控制困难而产生的代偿性机制。这些代谢改变与FOG的严重程度显著相关，支持了FOG源于分布式脑网络功能失调的病理生理机制。

更重要的是，研究构建的3D CNN深度学习模型在自动识别PD-FOG方面表现出高准确率（95.40%），并能较好地预测FOG的临床严重程度。3D CNN的优势在于能够直接从三维PET图像数据中自动学习具有判别性的空间特征，无需依赖人工提取特征，从而可能捕捉到更复杂、更细微的脑代谢异常模式。这表明，将先进的脑功能成像技术与人工智能算法相结合，有望为帕金森病冻结步态的客观、精准诊断和评估提供新的有力工具。

尽管本研究存在样本量相对较小、横断面设计等局限性，但其结果为进一步探索FOG的神经机制和开发临床辅助诊断工具提供了有价值的方向。未来研究可通过扩大样本量、纳入多中心队列、结合多模态影像数据（如MRI）以及采用可解释性深度学习技术来验证和拓展本研究的结果。

结论

本研究成功识别了PD-FOG患者特异的脑葡萄糖代谢模式，主要涉及额顶叶网络。集成¹⁸F-FDG PET成像与3D CNN深度学习的方法能有效区分伴与不伴FOG的PD患者。3D CNN模型展现出高诊断准确率，为PD-FOG提供了可靠的影像学与人工智能支持，为理解其病理机制和改善临床诊疗策略提供了新的见解。