人工智能技术在帕金森病诊治中的应用现状及展望

Current Status and Outlook of the Application of Artificial Intelligence Technology in the Diagnosis and Treatment of Parkinson’s Disease

摘要: 帕金森病是一种神经系统退行性疾病，给患者的生活带来了重大影响。而近年来，人工智能技术的发展为帕金森病的诊治提供了新的机会和挑战。本文将从帕金森病的诊断、监测和评估、治疗方法三个方面切入，对不同人工智能技术在帕金森病诊治中的应用进行总结，了解其原理、分析其应用现状及存在的问题，并对未来的发展进行展望。

Abstract: Parkinson’s disease is a neurodegenerative disease that brings significant impact on patients’ lives. And in recent years, the development of artificial intelligence technology has provided new opportunities and challenges for the diagnosis and treatment of Parkinson’s disease. In this paper, we will summarize the application of various AI technologies in the diagnosis and treatment of Parkinson’s disease from three aspects, namely, diagnosis, monitoring and evaluation, and treatment methods, in order to understand the principles, analyze the current status of their application and the existing problems, and to look forward to the future development.

1. 引言

帕金森病(PD)作为一种慢性神经系统退行性疾病，其核心特征表现为运动功能障碍以及一系列非运动症状。在全球人口老龄化的背景下，PD的患病率持续上升，给患者及其家庭带来了沉重的负担。目前，PD的传统治疗手段主要依赖于药物治疗和物理治疗，但这些方法存在诸多局限，如潜在的副作用和疗效的不稳定性等。

在这样的背景下，人工智能(AI)技术的快速发展为PD的治疗带来了新的机遇和挑战。AI技术通过分析海量数据并应用机器学习算法，能够提供更为精准和个性化的诊断及治疗方案。在PD治疗领域，AI技术在诊断、监测和评估、治疗方法等方面均有应用，且各环节相互关联。准确诊断是后续有效监测评估和制定合理治疗方案的基础，而通过监测评估反馈又能优化治疗方案，同时促进诊断技术的改进。

然而，AI技术在PD治疗中的应用仍面临一系列挑战。例如，许多研究受限于较小的样本量，难以全面评估PD的多种并发症，且模型评估往往过于侧重于准确性，缺乏科学和临床验证的解释力。为了深入探讨AI技术在PD治疗中的应用现状、潜力与局限，并展望未来的发展方向，本文就不同的AI技术在PD的诊断、监测和评估、治疗方法三个方面的作用做综述分析，旨在为PD的治疗提供新的视角和策略。

2. 诊断

2.1. 背景

帕金森病(PD)作为世界上最常见的疾病之一，是由多巴胺分泌减少引起的。PD，又称震颤性麻痹，是一种常见的神经退行性疾病，主要表现为运动迟缓、肌强直、静息性震颤和姿态不稳，临床症状也可能包括非运动症状，如嗅觉功能下降、便秘和抑郁。作为一种进行性疾病，运动和非运动的各种症状随着病程的发展而日益严重，且并发症种类繁多，如“开–关”现象，运动障碍，药物疗效下降，病情严重的患者可能会出现平衡障碍、步态冻结、跌倒、语言障碍等，导致患者无法自理，生活质量下降[1]。临床诊断往往基于后者，非运动症状虽然可能比运动症状更早出现[2]，但这些症状由于缺乏特异性，尚不能单独用于PD的诊断。随着人口老龄化趋势的加剧，帕金森病的发病率不断增加，目前PD以成为继阿尔茨海默病之后第二常见的神经退行性疾病，准确和及时的诊断至关重要。然而，本病的诊断目前在很大程度上只能依赖于患者的病史。近年来，人工智能技术的快速发展为PD的早期诊断带来了新的机遇和挑战。

2.2. 应用现状

人机交互(HCI)技术提供了可用于评估用户生理、行为和心理状态的多种指标。电脑、手机、平板电脑、游戏平台和可穿戴技术等均属于HCI的范畴。HCI技术的应用使得早期预测PD的运动症状成为可能。例如，通过监测用户使用触摸屏或打字时的特征可以协助早期诊断PD，包括对信息的反应速度、输入模式、重复运动退化、重复运动和输入字母顺序能力的下降、手指肌肉运动的迹象等。与传统的PD检测方法相比，AI模型虽然在准确性上有所提升，但在科学和临床验证的解释力方面存在不足，且由于样本量小，缺乏对PD多种并发症的全面临床评估，因此存在一定的偏差[3]。目前，大多数研究将步态、行动迟缓、语言和面部表情等作为诊断PD的危险因素[4]-[8]。以下对这些基于不同特征的诊断方法进行介绍并比较总结。

2.2.1. 步态

在PD早期诊断中，识别病理性步态是一个复杂的过程，因为很难捕捉全身运动并对其进行分析。2021年5月至2022年11月，Chifumi Iseki等人[9]利用iPhone应用程序TDPT-GT (一种标记运动捕捉系统)收集并分析了114名患有PD及其他神经肌肉疾病患者在直径约1米的圆形路径上行走的步态数据，该系统能有效区分PD患者的病理步态和控制步态。但同时此方法也具有局限性，其一是对iPhone进行频繁分析可能导致设备处理能力超负荷，使iPhone的运行速度变慢，其二是由于该研究需要受试者独立行走，故并未纳入严重步态障碍的患者。

2.2.2. 行动迟缓

运动迟缓，即连续运动时运动缓慢，幅度或速度下降(或进行性犹豫/停顿)，是PD最相关的临床运动特征[10]。统一帕金森病评定量表运动子量表(MDS-UPDRS part III)将其评定为不同运动迟缓任务的单一严重程度评分。该量表是PD中最常用的运动功能评估标准[11]。

Mariana H. G. Monje等人[12]提出了一种基于网络摄像头的新技术，使用标准的笔记本电脑网络摄像头和AI算法，证明了远程捕捉PD患者的运动迟缓在理论上是可行的。但是该方法具有局限性，首先，这是一项概念验证研究，样本量较少，疾病核心特征单一，仅与健康组对照进行比较，且纳入了以单侧运动症状为主的早期PD患者，这都限制了结果的普遍性。为了得到更可靠的结果，还需要进行样本量更大的研究，比如不同年龄、不同病程的PD患者，以代表更广泛的人群。

2.2.3. 语言

由于肌肉控制不当导致的运动困难影响了患者正确说话的能力。声音是PD早期最突出的诊断属性，也是最常受影响的属性[13]。

Celik Gaffari等人[14]使用包含健康人和PD患者语音信号的数据集(PD_Dataset and PDO_Dataset)诊断PD，并探索了一种基于卷积神经网络(CNN)和随机森林(RF)的不同方法，即SkipConNet + RF，从语音信号中获得重要特征后使用RF诊断PD，其在PD_Datasaset和PDO_Datasaset上分别取得了99.11%和98.30%的准确率。

Zhang等人[15]提出了一种使用移动录制语音检测PD的系统DeepVoice。他们仅用10秒的音频片段就获得了90.45% ± 1.71%的准确率。

Quan等人[16]提出应用双向长短期记忆(LSTM)模型来捕捉语音信号的时间序列动态特征，以检测帕金森病。实验表明，与使用静态特征的传统机器学习模型相比，这种方法显著提高了PD检测的准确性。

但Rahul Nijhawan等人[17]认为之前提出的方法都没有研究如何应用深度神经网络从语音记录中提取发音障碍的数据。于是他们基于深度神经网络、利用从患者录音中提取的发音障碍数据，提出了一种诊断PD的新技术，该方法对于诊断PD的准确率得到了显著提高。

2.2.4. 面部表情

PD患者的特异性面部表情一直是研究的焦点。早在19世纪60年代，Charcot便首次描述了PD患者的“蒙面”特征[18]。PD患者常常表现出“面具脸”，即面无表情和眼球运动减少[19]。

在2017年，Bandini及其团队[20]开发了一种非接触式视频分析技术，专门用于自动识别PD患者的面部表情变化。该技术通过先进的面部追踪技术，精确测量了面部特征点之间的平均距离。此外，他们还开发了一种自动化面部表情识别算法系统，用以比较PD表情与正常表情之间的差异。研究结果显示，与视频分析的结果相反，PD患者的面部动作幅度明显较小，尤其是在愤怒和厌恶这两种标签上，显示出更严重的受损程度。

2019年，Langevin及其同事[21]设计了PARK，这是一个创新的远程运动分析工具，用于评估PD的症状。该系统利用网络摄像头捕捉用户的动作，并通过分析这些动作来识别PD的特征。此外，他们还设计了一种基于感兴趣区域光流快速傅立叶变换(FFT)的新型工具，以精确量化视频数据中的运动变化，该系统可以从视频资料中提取出与运动障碍学会统一帕金森病评定量表(MDS-UPDRS)相关的面部特征和运动特征。据调查显示，90.6%的PD患者认为PARK操作简便、易于使用，而93.7%的患者表示愿意在未来继续使用该系统。

2020年，Bo Jin等人[22]进行了一项研究，他们随机收集了64名经常进行体育锻炼的老年人的数据，这些参与者包括了33名PD患者。研究要求参与者观看一系列时长约5秒的表情符号图片，并模仿其中的表情。通过face++这一先进的人脸识别和人脸标记检测服务，研究者们提取了参与者面部表情的强度以及106个面部关键点，以此来评估他们的面部表情变化幅度和面部小肌肉群的震颤情况。利用深度学习技术长短期记忆网络(LSTM) [23]对数据进行了分类和分析。实验结果表明，该模型在识别PD患者的面部表情方面表现出色，且面部关键点的震颤特征可能比面部表情振幅特征更重要。尽管如此，由于该实验的样本量较小，结果尚不足够令人信服，还需要收集更多数据来进一步验证其可靠性。

上述基于步态、行动迟缓、语言和面部表情等特征的诊断方法均有各自的优势与局限。在准确性方面，基于语音信号的部分诊断方法如SkipConNet + RF方法准确率较高。然而，在样本量和普适性上，多数研究存在不足，如基于网络摄像头检测运动迟缓的研究样本量少且疾病特征单一。在数据采集便利性上，基于语音和面部表情的部分方法可借助常见设备如移动设备、网络摄像头进行数据采集 ，而基于步态分析的方法，如TDPT-GT对设备及受试者状态有一定要求。总体而言，目前这些诊断方法均需要进一步扩大样本量、优化算法并结合临床验证，以提高诊断的准确性和可靠性。

3. 监测和评估

AI技术在PD的监测和评估中发挥着重要作用，能够提供精准、实时的数据分析和结果预测，从而帮助医生更深入地了解患者的病情，并据此做出相应的治疗调整。准确的诊断为监测评估确定了对象和基础，而通过监测评估了解患者病情变化，又能为调整治疗方案提供依据，进而与治疗环节紧密相连。

Michael H. Li等人[24]进行的一项研究阐释了如何利用卷积姿势机(一种通过深度学习构建的姿态估计算法)从2D视频中提取运动轨迹，以检测疾病严重程度或左旋多巴诱导的运动障碍(LID)。在实验中，有9名被诊断患有PD和LID的参与者完成了左旋多巴输注方案，并定期使用统一运动障碍评定量表(UDysRS)和统一帕金森病评定量表(UPDRS)评估症状。研究发现，视频中运动轨迹的特定特征可以用来检测和估计PD的严重程度和LID的存在，其中，脚趾敲击更适合检测PD，而腿敏捷性检测则更适合估计PD的严重程度。

Francesco Asci等人[25]提出，通过专用的电化学生物传感器对左旋多巴血浆水平进行长期微创监测，有助于预测长期治疗患者的运动波动和LID，从而避免与药物相关的并发症。此外，与生物传感器相关的另一个应用是可穿戴惯性传感器，一些研究表明，这些传感器已被广泛用于客观评估PD的运动症状和量化疾病严重程度[26]-[29]。

此外，Monje等人[30]的研究还展示了在不同技术准备水平上部署的其他几种技术。例如，图像和深度传感器、声音或音频传感器也可被用于捕捉运动和非运动PD表现。所有这些可穿戴或不可穿戴传感器都是联网的，可以通过物联网基础设施将数据从手机、平板电脑或其他智能设备传输到远程数据库，为PD的监测和评估提供了更多可能性[31]。

4. 治疗方法

近年来，AI技术在医疗领域的应用备受关注，尤其是在PD的治疗中展现出巨大潜力。通过提供更精确、个性化和有效的治疗方式，AI技术正在改变PD的治疗格局。诊断和监测评估的结果为治疗方案的制定和调整提供了依据，合理的治疗方案又会反馈影响患者的病情，进而影响后续的监测评估等环节。以人工智能技术在手术治疗和药物治疗中的应用为例。

DBS是PD的常规手术治疗方法。然而，患者在术后通常需要长时间的恢复期。Shamir等人[32]基于机器学习算法创建了一个临床决策支持系统(CDSS)以优化治疗。CDSS是根据10例患者的临床数据和他们在89次DBS术后的诊断、药物治疗信息创建的，旨在提供信息检索、治疗可视化和对预期有效刺激或药物治疗调整的建议。该实验表明，使用患者特定信息，CDSS能够帮助选择理论上最佳的治疗方案，并预测DBS后一年86%的运动改善评分。

PD的药物治疗通常包括补充多巴胺和其他药物来缓解症状。由于神经系统疾病的复杂性，中枢神经系统药物开发仍然是一个漫长、昂贵、低效和具有挑战性的过程。目前AI技术已被用于早期药物发现过程的三个不同阶段，包括靶点识别、先导物生成和优化以及临床前开发。研究表明，基于AI/ML的方法在药物发现的各个阶段都发挥了很好的作用[33]。但其不足之处在于仍缺乏高质量的数据以及缺乏不同数据类型的整合。

5. 未来展望和小结

PD是一种广泛存在的神经退行性疾病，在全球范围内的致残率和致死率都很高[34]。据WHO调查，每年大约有1000万例PD，且发病率正在随着人口老龄化趋势的加剧而不断增加。然而目前本病的诊断在很大程度上只能依赖于患者的病史，治疗也处于初级阶段，医生只能帮助患者减轻症状[35]。而AI技术的快速发展为帕金森病的诊治提供了新的机会和挑战。

通过分析大量数据和应用机器学习算法，AI技术能够提供更精准、个性化的诊断和治疗手段。在PD的诊断方面，通过分析运动、声音、表情等数据辅助诊断，可以在早期更准确地诊断疾病。通过机器学习算法的不断优化和数据的积累，我们可以期待更精准、个性化的诊断工具的发展。在监测和评估方面，传感器和可穿戴设备的应用使得PD患者的日常活动和运动能够被实时记录和分析，结合AI技术，可以通过对这些数据的处理和解读，实现对病情的准确监测和评估。在治疗方法方面，基于机器学习算法和AI技术优化药物及手术治疗，可以有更好的治疗效果并提供更个性化的治疗方案，有望在未来为PD患者提供更好的生活质量。

然而，AI技术在PD治疗中的应用也面临一些挑战。研究普遍存在样本量小的问题，无法充分评估众多PD并发症，模型多以准确性为基础进行评估而无法解释科学和临床验证等；同时，将AI技术应用于临床实践中也需要充分考虑医疗专业知识和临床验证的重要性。因此，需要进一步研究AI技术在PD治疗中的应用，探讨其潜力和限制，并为未来的发展方向提供指导。

综上所述，AI技术在PD的诊断、监测和评估、治疗方法等方面具有广阔的应用前景。目前已有大量证据表明，AI技术可以彻底改变PD的诊断和治疗方式。我们有理由相信，随着技术的不断进步和研究的深入，AI技术将为PD患者带来更准确、个性化和有效的治疗方式，提高他们的生活质量。同时，我们也需要克服技术和实践中的挑战，确保AI技术在PD诊治中的可靠性和安全性。

NOTES

^*通讯作者。