传统上，帕金森病（PD）被认为是一种运动障碍，但随着技术的进步，现在临床已经认识到一些非运动症状也是PD的组成部分。认知能力下降是PD最常见的非运动症状之一。PD痴呆（PDD）发生在80%以上的患PD超过20年的患者身上。轻度认知障碍（MCI）不会像PDD那样影响日常功能，即使在诊断PD时，也有19%-42%的患者普遍存在。患有MCI的PD通常被认为是PDD的一个风险因素。然而认知状态的进展个体差异很大，有些患者会发展为PDD，有些则保持稳定，有些甚至恢复到正常认知水平。因此，有必要根据PD和MCI患者的PDD发展风险进行分层。

纵向研究显示，后皮质受累会增加PDD的风险，因为语义流畅性和视觉空间功能表现下降、后皮质区域代谢下降、海马和后脑皮层萎缩的PD患者更有可能发生PDD。然而，其他研究显示，额叶皮层认知能力下降和萎缩与PDD有关。

近日，发表在Radiology杂志的一项研究开发了一个基于机器学习的预测模型，只使用MRI的皮质厚度、并结合临床信息，在个体水平上评估PD和MCI患者转换为痴呆的风险，为PD患者的早期诊断及疾病监测提供了有力的支持。

本项回顾性研究纳入了2008年9月至2016年11月期间接受MRI检查的PD和MCI患者。在10000个随机生成的训练集中，从临床表现和皮质厚度变量中选择特征。选择5000次以上的特征用于训练随机森林和支持向量机模型。每个模型都在10000个随机重新采样的数据集中进行了训练和测试，并为每个模型计算了10000个受试者工作特征曲线（AUC）下的面积中值。模型的表现在一个外部测试集中得到验证。

42名患者进展为PDD（转换者）（平均年龄，71岁±6[标准差]；22名女性），75名患者未进展为PDD（非转换者）（平均年龄，68岁±6；40名女性）。4名PDD转换者（平均年龄，74岁±10；4名男性）和20名非转换者（平均年龄，67岁±7；11名女性）被纳入外部测试集。用皮层厚度变量训练的模型（AUC范围，0.75-0.83）显示出与用临床变量训练模型（AUC范围，0.70-0.81）类似的一般到良好的性能。当用两个变量训练模型时，模型的表现有所改善（AUC范围，0.80-0.88）。在所有的模型类型中的成对比较中，用两个变量训练的模型更多地显示出比其他模型更好的性能。用这两个变量训练的模型在外部测试集中得到成功验证（AUC范围，0.69-0.84）。

图 用于帕金森病痴呆症转换者和非转换者分类的皮质厚度特征的表面渲染图像。ACG.R=右前扣带回和副扣带回，ANG.L=左角回，CAL.R=右钙质裂隙及周围皮质，L=左，OLF.L=左嗅觉皮质，OLF.R=右嗅觉皮质，ORBmid.L=左额中回。 R=右嗅觉皮层，ORBmid.L=左额中回，眶部，PHG.L=左海马旁回，R=右，REC.R=右直回，SOG.R=右枕上回。

尽管仅应用MRI测量的皮层厚度预测PDD转化尚有局限性，但将皮层厚度与临床变量相结合，对临床预测PD和MCI患者在个体水平上的PDD意义重大。具体来说，后脑区域（包括角质层）和与嗅觉有关的额叶区域的皮质变薄可能有助于预测PD和MCI患者的PDD转换。

原文出处

Na-Young Shin,Mirim Bang,Sang-Won Yoo,et al.Cortical Thickness from MRI to Predict Conversion from Mild Cognitive Impairment to Dementia in Parkinson Disease: A Machine Learning-based Model.DOI:10.1148/radiol.2021203383