深脑刺激（Deep Brain Stimulation, DBS）电极技术的进步为多部位神经环路调控带来了新的可能，尤其在冻结步态治疗中具有重要潜力，但目前尚缺乏系统的轨迹规划策略。研究人员分析了612例按标准方案植入的电极轨迹，发现61%的轨迹可触及黑质网状部（Substantia Nigra pars reticulata, SNr）；若模拟更大阵列跨度或更深植入深度，SNr触及率可提升至76%。随后，研究人员训练高斯过程分类器（Gaussian Process Classifier, GPC）预测SNr成功触及的概率，结果显示，在Bejjani线基础上，选择距离丘脑底核（Subthalamic Nucleus, STN）内侧边界至少1.5 mm的外侧靶点，且前连合-后连合（Anterior Commissure-Posterior Commissure, AC-PC）夹角≥55°时，SNr轨迹的成功概率≥95%。该框架表明，机器学习辅助的数据分析能够为精准双靶点刺激策略提供可推广的规划原则。
该研究发表于《npj Parkinson's Disease》，针对帕金森病（Parkinson’s Disease, PD）患者冻结步态及轴向运动障碍的治疗需求，探讨了单根电极同时靶向丘脑底核（STN）与黑质（Substantia Nigra, SN）的可行性。当前多靶点DBS技术已可通过独立刺激的多个触点实现，但在轨迹规划上仍缺乏系统性方法，尤其是STN与SN不同功能亚区（SNr与致密部SNc）的精确触及尚未形成标准化流程。现有临床操作通常仅以STN为单一目标，依赖术后影像判断SN触及情况，结果不稳定且难以区分SN的功能分区，这导致疗效差异显著。因此，研究人员引入机器学习方法，基于大样本术后电极轨迹数据，构建可指导双靶点优化的规划模型，旨在提高SNr或SNc触及的可靠性，同时保持STN的有效刺激。
研究采用单中心回顾性队列，纳入338例接受STN靶向DBS手术的PD患者，经影像重建与质量控制筛选后得到306例患者共612条电极轨迹。研究人员使用Lead-DBS软件在患者个体空间完成电极与轨迹重建，结合高分辨率概率性皮下核团图谱进行SNr/SNc分割，并通过体积激活组织（Volume of Activated Tissue, VAT）模型量化靶区触及质量。轨迹特征提取包括最大红核平面（max-RN平面）上的X/Y坐标、矢状面（MS）夹角与AC-PC夹角，并利用高斯过程分类器（GPC）建立触及概率预测模型。
在结果部分，双STN-SN靶向的可行性 分析显示，标准植入条件下61%的轨迹可触及SNr，36%触及SNc，仅13%未触及SN；虚拟延伸电极2–6 mm后，SNr触及率升至76%，SNc升至49%。电极设计对SN触及的影响 表明，阵列跨度较大的电极（1.5 mm间距或多触点）SN触及率达99%，显著高于标准短阵列电极的86%；虚拟延长2 mm亦能提升至94%。双靶点轨迹的STN触及情况 显示，触及SNr的轨迹中79%同时覆盖STN运动区（Motor Compartment, MC），49%覆盖中央靶区（Central Target, CT）；触及SNc的轨迹分别为88%与59%；而未触及SN的轨迹仅有约30%覆盖MC或CT，证明SN触及轨迹整体STN定位更佳。轨迹特征与规则开发 中，SNr轨迹平均MS夹角为22.3°，AC-PC夹角为50.1°；SNc轨迹分别为22.5°与49.2°。GPC模型的五折交叉验证准确率分别为90%（SNr）和87%（SNc），在预测概率≥95%时的准确率可达99%与98%。STN-SNr靶向规则 建议选择距STN内侧边界沿Bejjani线≥1.5 mm的外侧靶点，AC-PC夹角≥55°；STN-SNc靶向规则 建议靶点在Bejjani线内侧≤1.0 mm且后方≤1.0 mm，MS夹角≥25°，AC-PC夹角≤45°；深度规则 显示最低触点需置于max-RN平面下方4.0 mm，以确保完全位于SN内。
在讨论中，研究人员指出，优化轨迹可在不牺牲STN刺激效果的前提下显著提高SN触及率，这对未来DBS电极设计（更大阵列跨度）与双靶点临床应用具有重要意义。机器学习在此发挥了关键作用，将复杂解剖关系转化为可直接用于规划的启发式规则，避免了单纯依赖经验和手动调整的不确定性。研究同时承认SNr与SNc内部异质性及影像分割对结果的潜在影响，未来可结合患者特异性病变信息进行更精细的分区靶向。总体而言，该工作为PD及其他神经系统疾病的多靶点DBS提供了可复制、可推广的规划框架，并为后续前瞻性临床试验奠定了基础。
打赏
