European Radiology：放射组学在识别帕金森病方面的应用

帕金森病（PD）是老年人群中最常见的慢性进行性神经退行性疾病之一，是由中枢神经系统中的多巴胺能神经元早期死亡所引起，可产生各种运动和非运动症状，严重影响患者的生活质量。此外，随着人口的老龄化，PD的年发病率继续呈现上升趋势，预计将给社会带来巨大的经济和社会负担。因此，PD的早期和准确诊断已成为向患者提供及时治疗和干预的关键。

近年来，如多巴胺转运体（DAT）和氟脱氧葡萄糖（FDG）PET成像等分子影像技术在PD的临床诊断中发挥了越来越重要的作用。多项研究证实，正常的DAT在排除PD方面有很高的准确性，但DAT成像有一些局限性。例如，由于DAT PET成像的合成技术成本较高，仅在少数医疗中心实施，因此没有得到很好的普及。此外，其在非典型帕金森综合征（APS）的鉴别和早期诊断中的价值也很有限[。相比之下，许多研究表明，[18F]FDG PET脑成像技术在神经退行性帕金森综合征的早期和鉴别诊断中表现出良好的适用性，并已成为越来越多的研究重点。

基于深度学习的放射组学（DLR）是一种新开发的方法，可以作为一种替代方法来解决放射组学的限制。DLR方法的目标是通过卷积神经网络（CNN）从医学图像中提取定量和高通量的特征，然后将图像特征与临床信息协同互补，从而提高临床决策能力。由于特征是基于整个图像的深度学习网络提取的，DLR方法不需要ROI分割或手工提取特征。

近日，发表在European Radiology杂志的一项研究提出了一种用于计算机辅助诊断PD的新型DLR方法，并进一步明确了从[18F]FDG PET脑图像中提取的DLR特征灶诊断PD和PD早期方面的价值。

本项研究从中国华山医院招募了255名正常对照组（NCs）和103名PD患者；从中国无锡904医院招募了26名NCs和22名PD患者作为单独的测试组。拟议的DLR模型由一个基于卷积神经网络的特征编码器和一个基于支持向量机（SVM）模型的分类器组成。DLR模型在华山队列中进行了训练和验证，并在无锡队列中进行了测试，准确性、敏感性、特异性和ROC曲线图用来描述该模型的性能，并在比例模型、放射组学模型、标准摄取值比（SUVR）模型和DLR模型中进行了比较实验。 

与其他模型相比，DLR模型在区分PD患者和NC方面表现出优势，在华山队列中的准确率为95.17%[90.35%, 98.13%]（95%置信区间，CI）。此外，DLR模型在早期诊断PD方面也表现出比常规方法更强的性能，在华山队列中的准确率为85.58% [78.60%, 91.57%]。 

图 四个模型在PD和NC分类中的ROC曲线比较。(a)华山队列中PD与NC的比较，(b)无锡队列中PD与NC的比较

本项研究开发了一种DLR方法来诊断PD和PD亚组，所提出的模型在诊断性能上比现有的方法有明显的改善，为计算机辅助诊断PD提供了一个实用的影像学方法。

原文出处：

Xiaoming Sun,Jingjie Ge,Lanlan Li,et al.Use of deep learning-based radiomics to differentiate Parkinson's disease patients from normal controls: a study based on [ 18 F]FDG PET imaging.DOI:10.1007/s00330-022-08799-z