摘要
帕金森（Parkinson’s Disease，PD）是神经退行性运动障碍疾病，其发病率逐年递增，并且预计到2030年，世界上超过一半的患者来自中国。PD以运动症状为主要特征表现，同时伴发多种非运动症状，如：认知下降、抑郁、嗜睡等。复杂的病情为PD研究和诊疗带来困难，相关神经病理机制还不明晰。为此，基于北京宣武医院运动门诊122名被试者的多模态影像数据进行帕金森病的脑网络分析研究，以挖掘特异性标记物，促进诊疗的发展。 针对帕金森复杂临床症状对应的脑网络标记物还不明晰的问题，构建动态功能网络量化模型。模型提供将影像信息转换为数据信息的标准化处理流程框架，输入为静息态功能影像，输出为描述网络时空特性的量化指标，包含：整合、分离、同步、亚稳态和功能连接动态。同时将以上4个指标和多项临床量表评估进行相关性分析。研究结果表明，帕金森伴有认知障碍患者的网络同步性、亚稳态和整合显著下降，分离程度增强。借助机器学习将量化指标对认知表现（MoCA评分）进行回归预测，具有较好的预测效果。所提出的模型将有望辅助识别PD中的认知障碍患者，开展个性化的诊疗措施。 针对帕金森潜在的神经动力学机制还不明晰的问题，基于“虚拟脑”神经计算平台，构建脑网络仿真计算模型，挖掘不可见的动力学信息，提取PD特异性标记物。所提出的模型融合个体的结构连接网络和局部神经动力学方程来仿真功能网络，并遍历搜寻经验与仿真最佳拟合下的模型参数集。研究结果表明，PD中抑制性和兴奋性神经集群的平衡工作点向更易兴奋处偏移，全局网络中长程耦合值变大。借助偏最小二乘相关，将模型动力学参数与临床量表评估得分进行关联分析，发现动力学特征与非运动表现之间存在相关性。将影像和模型中挖掘到的特征进行融合，构建集成学习模型对PD进行识别检测，准确度达到0.91，在辅助医生实现早期诊断上具有潜力。
NETL