大脑“老化时钟”可预测帕金森病恶化速度

论坛导读：帕金森病（PD），作为一种常见的神经系统退行性疾病，其核心特征不仅是震颤、僵硬等运动症状，更令人困扰的是疾病进展的极大差异性。两位病程相似的患者，一位可能多年维持基本正常的生活质量，而另一位却在短期内出现明显的认知下降和功能衰退。这种“异质性”为临床精准管理带来了巨大挑战，也使得旨在延缓甚至阻断疾病进程的新药临床试验举步维艰——为了在“平均”人群中检测出药物效果，往往需要招募成百上千的患者，耗时耗力且成功率低。

有没有一种方法，能在疾病早期，甚至在用药前，就识别出哪些患者属于“快速进展型”，从而进行更有针对性的干预和更高效的临床研究呢？近期，一项发表于《npj-Parkinsons Dis》的研究为我们带来了突破性的启示。由Tom Hähnel等科学家领导的研究团队发现，通过人工智能（AI）分析常规大脑结构磁共振成像（MRI），计算出的“脑年龄差”（Brain Age Gap, BAG）——即大脑的“身份证年龄”与实际生理年龄的差值——可以作为一个强大的预测指标，精准识别那些未来可能面临更快认知衰退和神经退变的帕金森病患者，并有望将新药临床试验的所需样本量大幅减少23%-58%。

破解异质性谜题：从寻找亚型到“计算”脑年龄

面对帕金森病进展的多样性，科学界的传统思路是寻找不同的疾病“亚型”。先前的研究，包括本研究团队早期的工作，已经通过分析患者长期的临床数据（如运动评分、认知测试等），成功区分出“快速进展”和“缓慢进展”两种亚型。快速进展型患者不仅在运动症状上恶化更快，更突出的是在认知功能、非运动症状等多个领域全面衰退，预后较差。

然而，这种基于长期随访数据的亚型分类方法存在一个“先天不足”：它需要患者在入组前已经积累了相当一段时间的病情资料。这在实际临床场景和临床试验设计中很难实现，因为医生和研究者往往需要在患者刚确诊、几乎没有随访数据时，就做出关键决策。

有没有一个在疾病早期就能获得的、客观的生物学指标呢？研究团队将目光投向了大脑的“年龄”。我们知道，随着年龄增长，大脑会发生结构和功能上的规律性变化，例如某些脑区的灰质体积会逐渐萎缩。利用AI模型分析大脑结构MRI（特别是灰质体积信息），可以预测出一个人的“脑年龄”。如果一个人的大脑结构比其实际生理年龄更“苍老”，即脑年龄差（BAG）为正值，往往提示大脑可能经历了超越正常老化的损害，这在阿尔茨海默病等神经退行性疾病中已得到证实。

那么，在帕金森病中，BAG是否也与疾病的严重程度和进展速度相关呢？这正是本研究要探索的核心问题。

研究方法：严谨设计与先进算法的结合

为了回答这个问题，研究团队利用了一项国际知名的帕金森病长期随访研究——帕金森病进展标志物倡议（PPMI）的数据。他们分析了451名早期帕金森病患者和172名健康对照者的基线大脑结构MRI数据。

1. 核心创新：校正“疾病阶段”的差异

一个关键的技术挑战在于，即使在确诊早期的患者中，他们实际所处的“疾病阶段”也可能不同。有的患者可能在出现明显症状前，疾病过程已在脑中潜伏多年。为了更公平地比较不同患者，研究团队采用了一种先进的“潜在疾病时间”模型。该模型通过整合每位患者多种症状（运动和非运动）的纵向变化轨迹，将其“对齐”到一个统一的疾病时间轴上。这样，即使两位患者日历年龄和确诊时间相同，也能估算出谁的实际疾病进程更早或更晚。在所有后续分析中，研究者都对此进行了校正，确保了结果更真实地反映BAG与疾病进展的关系，而非仅仅是疾病阶段的差异。

2. 脑年龄模型的筛选与验证

研究没有简单地套用已发表的脑年龄计算模型，而是系统地评估了多种主流算法（包括不同图像处理方式和机器学习模型），并在健康对照组中通过交叉验证，选择了在PPMI数据集上预测最准确、偏差最小的一种模型。最终选定的模型，在健康人中的预测误差约为4.34岁，与文献报道的最高水平相当，且成功消除了脑年龄预测中常见的对年轻人低估、对老年人高估的系统偏差，保证了BAG的可靠性。

主要发现：脑年龄差——一把衡量进展速度的标尺

1. 帕金森病整体大脑“显老”约1岁，但差异巨大

分析发现，早期帕金森病患者群体的平均BAG为+1.1岁，意味着他们的大脑结构平均比同龄健康人“老”1.1岁。这个数值虽然显著，但比阿尔茨海默病患者通常表现的+3至+8岁要小，这可能与帕金森病患者在早期研究入组时疾病相对更早期有关。

然而，平均数背后隐藏着巨大的差异。当研究人员将患者按照已知的“快速进展”和“缓慢进展”亚型进行分组时，惊人的区别出现了：

①快速进展型患者：他们的基线BAG高达+3.0岁，与健康对照组有显著差异。

②缓慢进展型患者：他们的BAG与健康对照组没有显著差异。

更值得关注的是纵向变化：在随后的数年中，快速进展型患者的BAG以每年0.42岁的速度在“加速变老”，而缓慢进展型患者的BAG则基本保持稳定。这表明，BAG不仅能区分亚型，其本身也在动态反映着快速进展亚型中持续恶化的大脑结构退变。

2. BAG预测认知衰退，而非所有症状

研究者深入分析了BAG与数十种临床指标的关系，得出了两个层面的重要结论：

①反映当前严重程度：较高的BAG与更差的基线运动症状和整体疾病严重程度评分相关。

②预测未来恶化速度：基线BAG是未来认知功能下降的强力预测因子。BAG越高的患者，在多项认知测试（包括符号数字转换、词语流畅性、字母数字排序等）上的衰退速度越快。统计模型显示，BAG每增加1岁，患者发展为轻度认知障碍（MCI）的风险就增加4%。这是一个具有重要临床意义的发现。

相反，BAG与抑郁、焦虑、睡眠障碍、自主神经功能障碍等非运动症状的进展无关，也与运动症状的进展速度没有显著关联。这说明，BAG主要捕捉的是与认知衰退相关的大脑结构变化通路。

3. 独立于其他生物标志物

为了明确BAG的独特价值，研究者检验了其与已知的其他生物标志物的关系。结果发现：

①BAG与反映阿尔茨海默病病理的脑脊液生物标志物（如β淀粉样蛋白、磷酸化Tau蛋白）无关。这表明BAG预测的认知风险独立于阿尔茨海默病共病。

②BAG与反映神经轴突损伤的脑脊液神经丝轻链蛋白无关。

③关键的关联在于：较高的基线BAG，能够预测未来多巴胺能神经元末梢更快的丢失速度（通过重复的DaTSCAN核医学显像测量）。这直接将大脑结构的“过早衰老”与帕金森病核心的、渐进性的多巴胺系统退变联系了起来。

临床转化的巨大潜力：优化临床试验设计

本研究最具震撼力的发现之一，在于其对未来药物研发的直接影响。研究者模拟了一个情景：假设有一款旨在延缓认知衰退的新药，计划开展为期两年的临床试验，预期药物能减缓30%的认知下降速度。

①传统设计（不筛选患者）：需要招募约1218名帕金森病患者，才能有80%的把握检测出药物的疗效。

②基于BAG的富集设计（仅招募BAG高于中位数的患者）：所需样本量降至930名，减少23%。

③进一步富集（仅招募BAG最高的前30%患者）：样本量降至874名，减少28%。

②严格筛选（仅招募BAG最高的前10%患者）：样本量仅需507名，大幅减少58%！

这种策略在临床研究领域被称为“预后性富集”，即通过筛选更可能发生目标临床事件（在此为快速认知衰退）的患者入组，来增加试验的检测效能。美国FDA已明确鼓励此类策略。尽管这会增加筛查成本并可能限制药物最终批准的适用人群，但对于动辄耗资数亿、耗时数年的神经退行性疾病新药研发而言，大幅降低所需样本量意味着研发成本、时间和失败风险的显著降低，有望极大地加速有效疗法的问世进程。

讨论与展望：开启精准神经病学新篇章

这项研究的意义深远。首先，它验证了基于常规MRI的BAG可以作为一个实用、无创、可早期获取的预后生物标志物。它像一面镜子，映照出帕金森病患者大脑结构健康的“底子”，尤其擅长识别出那部分（约18%）大脑“未老先衰”、未来认知风险更高的快速进展型患者。

其次，研究强化了帕金森病“异质性”的生物学基础。BAG的差异及其动态变化支持帕金森病存在本质不同的亚型，而非单一疾病的连续谱。这为未来针对不同亚型开发个性化疗法提供了理论依据。

当然，研究也有其局限性。它基于早期帕金森病的PPMI队列，对于疾病晚期BAG的变化模式尚不清楚。BAG的预测误差（约4-5岁）使其更适用于群体风险分层，而非针对个体的绝对精确预测。未来的研究需要在更广泛、更多样的独立队列中验证这些发现，并探索结合BAG与其他数据（如遗传信息、数字运动标志物等）是否能构建出更强大的个体化预测模型。

结语

Tom Hähnel团队的研究，巧妙地将人工智能、神经影像和临床数据深度融合，为我们打开了通过大脑结构“计算年龄”来窥视帕金森病未来轨迹的一扇窗。脑年龄差（BAG）不再只是一个抽象的数字，它成为了连接当下大脑状态与未来认知命运的桥梁，更成为了优化临床试验设计、加速攻克疾病难关的一把关键钥匙。这项研究标志着帕金森病的管理和药物研发正大步迈向一个更精准、更高效的新时代。对于数百万帕金森病患者及其家庭而言，这意味着更早的风险预警、更精准的治疗策略，以及更快的有效新药到来的希望。

信源：Hähnel T, More S, Hoffstaedter F, Patil KR, Fröhlich H, Falkenburger BH. Brain age gap as predictor of disease progression in Parkinson's disease. NPJ Parkinsons Dis. 2025 Dec 8. doi: 10.1038/s41531-025-01232-4.