中山大學附屬第一醫院&中科大先進院等研究團隊，提出了一種深度學習模型——圖信號處理-圖卷積網絡 (GSP-GCNs)，利用從涉及聲調調節的特定任務中獲得的事件相關腦電圖數據來診斷帕金森病。

震顫、動作遲緩、表情僵硬……提起帕金森病，多數人會率先想到「手抖」，殊不知，在患病中晚期，患者甚至還會出現平衡障礙、翻身困難等問題，下肢、頭部都會不自主地抖，嚴重影響生活質量。

中國康復醫學會於 2023 年 4 月發佈的數據顯示，我國現有帕金森病患者 300 多萬，超過全世界總數的四分之一，並且每年新增加約 10 萬，預計到 2030 年，我國帕金森病患者總數將達到 500 萬人，幾乎達到全球患病人數的一半。

然而目前帕金森病的發病機制尚未可知，僅 20% 的病例可歸因於特定的遺傳因素，因此早期診斷面臨重大挑戰。

靜息態腦電 (electroencephalogram,EEG) 因其無創性以及捕捉高時序分辨率腦活動的能力，已成為帕金森病診斷的重要途徑。近年來，已經有相關研究開始將深度學習與 EEG 結合，進行帕金森病的早期診斷。然而，這些方法大多需要基於平穩的 EEG 信號才能奏效，無法捕捉帕金森病相關腦活動變化的動態特征。

針對於此，中國科學院深圳先進技術研究院和中山大學附屬第一醫院的研究人員，利用帕金森病言語運動任務的異常腦電特征，提出了一種具有可解釋性的圖信號處理-圖卷積網絡 (GSP-GCNs) 模型，利用言語基頻調控任務腦電數據，通過挖掘帕金森病患者大尺度腦功能網絡的神經標記物，實現了帕金森病的高精度智能診斷。

獲取論文：

https://www.nature.com/articles/s41746-023-00983-9
公眾號後臺回復「帕金森」獲取完整 PDF

數據集：百位參與者的發聲實驗

研究團隊邀請到了 100 名參與者，其中包括 52 名被診斷為特發性帕金森病的患者（24 名女性和 28 名男性），和 48 名與患者性別、年齡相匹配的健康對照。所有參與者都進行了發聲實驗。

在實驗過程中，參與者需要持續發出元音 5-6 秒，持續時間為 200 毫秒。每次發聲包括 4-5 次擾動，以偽隨機方式呈現。參與者連續發聲 20-25 次，共進行 100 次試驗。

當參與者進行發聲實驗時，研究人員使用 NetStation 軟件，以 1kHz 的采樣頻率，使用連接到 Net Amps 300 放大器 (EGI) 的 64 導聯電極帽來記錄 EEG 信號。

GSP-GCNs模型：由4個連續組件組成

GSP-GCNs 模型框架包括 4 個模塊：圖信號處理模塊 (GSP)、圖網絡模塊 (graph-network module)、分類器 (classifier) 和可解釋模型 ( interpretable model)。

* 首先，GSP 模塊對大規模 EEG 網絡進行分析和處理，識別動態連接模式；

* 其次，圖網絡模塊捕獲這些連接模式作為分類的關鍵特征；

* 隨後，分類器組件利用這些提取的特征來區分帕金森病患者和健康個體；

* 最後，可解釋性模型通過提供全局可視化學習基本特征，並將其與語音相關的 EEG 微態特征對齊，來增強框架的可解釋性。

通過采用這種創新方法，GSP-GCNs 框架旨在提供說明性信息，以促進深度學習模型在具有任務相關 EEG 數據的帕金森病診斷中的使用。

模型效果：具有較好的解釋性

該研究提出了四個基於圖網絡的模型: PCC GCN、 PLV GCN、 PCC GSP-GCN 和 PLV GSP-GCN。

其中，PCC (Pearson Correlation Coefficient)、PLV (Phase Locking Value) 分別代表用於構建腦網絡的不同特征。然而，無論特征類型如何，GSP-GCNs 模型都表現出明顯優於 GCNs 模型的性能。

如下圖所示，該研究所提出的 GSP-GCN 模型的 ROC 值均保持在 0.08 以下。這凸顯了 GSP 通過圖聚合平衡單跳和多跳網絡的局部和全局信息，從而提高分類性能的潛力。

通過結合局部和全局信息，該研究提出的 GSP-GCNs 模型區分帕金森病患者與正常對照的平均分類準確率達 90.2%，比其他深度學習模型顯著提高 9.5%。此外，GCNs 模型顯示出比所有基線模型 (baseline models) 更低的計算復雜度。

GSP-GCNs 模型與其他模型 分類性能、計算復雜度對比

此外，研究團隊通過分析 GSP-GCNs 模型的可解釋性，揭示了其對大尺度腦電圖網絡和 MS5 微狀態腦電地形圖之間差異分佈的學習結果。帕金森患者與正常對照在言語基頻調控任務中，存在顯著差異的腦區主要位於的左腹前運動皮層、顳上回和 Broca 區域，這與既往發現的帕金森病言語運動障礙腦網絡存在高度一致性。

這說明，該研究提出的 GSP-GCN 模型能夠從大規模網絡中識別出獨特的腦電圖生物標志物，並提供了良好的可解釋性。

帕金森病組和正常對照組在言語運動任務中的 ERP 微狀態類分佈對比 右上角標註PD為帕金森病組，HC為正常對照組

更重要的是，該模型可以有效學習帕金森病患者和正常對照組在聽覺反饋任務中腦功能網絡之間的差異，為分析深度學習應用於疾病診斷分類模型的可解釋性提供了新方法。

AI識別生物標志物，助力帕金森病診斷

帕金森病起病隱匿，進展緩慢，盡早診斷、及時幹預，對提高療效極為重要。而帕金森病早期診斷的重要途徑在於識別各種行為領域的生物標志物，包括筆跡模式、運動功能、步態模式和語言特征等。

機器學習近年來已成為醫學影像領域的一個強大工具，這項技術有助於從復雜的神經成像數據中提取高級特征和模式。此外，由於其卓越的多維分析能力，機器學習還可用於醫學影像領域的個體分類。本次中山附醫聯合研究團隊所提出的 GSP-GCNs 模型便是通過挖掘帕金森病患者語言相關的的神經標記物實現診斷，而 AI 深度學習模型運用於帕金森病各種行為領域方面的識別，還有十分可觀的發展空間。

與之類似，福建醫科大學附屬協和醫院研究團隊近期開發了一種機器學習模型，預測帕金森病患者在個體水平上患凍結步態的風險，可用於早期識別有可能發展成延遲凍結步態的帕金森病患者，從而為臨床醫生預防和幹預帕金森病患者的凍結步態癥狀提供有價值的指導。

此外，University College London (UCL) 的研究團隊使用 300 名帕金森病患者和 300 名健康志願者的視頻數據訓練了人工智能算法，使其能夠識別帕金森病患者的運動模式，在診斷帕金森病方面的準確率高達 90%。

在未來，期待基於神經成像學的機器學習 AI 能進一步被運用，幫助人們有效識別帕金森病癥狀相關的各種行為領域的生物標志物，從而推動帕金森病早期診斷的進一步發展。