0 引言

       帕金森病（Parkinson's disease, PD）是与年龄呈正相关的、世界第二常见的中枢神经系统退行性疾病^{[1, 2]}。随着我国人口老龄化时代的来临，其发病率逐年攀升。PD的症状包括静止性震颤、运动迟缓、僵直和姿势反射丧失，目前PD的确诊主要依靠对其临床症状的综合分析并长期随访^{[3, 4]}。鉴于PD具有不可逆进展性和早期干预获益显著的特点，开发客观、量化的影像学生物标志物对实现精准诊疗具有重要意义。磁共振成像目前在中枢神经系统检查中应用最为广泛，其可直观反映结构和功能等病理改变^{[5, 6]}，神经黑色素敏感的磁共振成像（neuromelanin magnetic resonance imaging, NM-MRI）因成像方法简单、靶区黑色素含量可视化的优点而成为一种新的PD影像诊断方法^{[7, 8, 9]}。但NM-MRI对于早期PD的黑质损害以及对黑质不同部位损害的内在细节和异质性特性用常规的视觉分析有一定的局限性和偏差^{[10, 11, 12]}。影像组学可有效提取特征，全面、准确性高、易操作性强，而成为近年来影像医学的热门研究方向^[12]。本研究整合NM-MRI影像组学特征与传统临床、影像参数，构建多维度诊断模型，通过机器学习算法筛选具有诊断特异性的影像标志物，并分析特异性影像指标与临床Hoehn-Yahr（H-Y）分级和统一帕金森病评定量表Ⅲ（Unified Parkinson's Disease Rating Scale Part Ⅲ, UPDRS-Ⅲ）评分的相关性，旨在建立基于影像组学的PD客观评估体系，为疾病早期识别和进展监测提供新方法。

1 材料与方法

1.1 临床资料

       本研究遵守《赫尔辛基宣言》，经湖北省襄阳市第一人民医院伦理委员会批准，批准文号：2018KYLL。本研究纳入2018年6月至2022年12月从本院PD数据库及本院门诊招募中符合英国脑库原发性帕金森病诊断标准的患者^[13]，年龄（65.72±7.47）岁。PD组纳入标准：符合2015年国际帕金森病和运动障碍协会（International Parkinson and Movement Disorder Society, MDS）的诊断标准^[13]；年龄在50岁~80岁之间。排除标准：（1）各种继发性帕金森综合征患者；（2）有严重的脑卒中、脑外伤、脑肿瘤及脑部手术史的患者；（3）患有神经精神障碍性疾病或有神经退行性疾病家族史的患者；（4）休息时有明显头动的患者；（5）幽闭恐惧症者；（6）既往或正在服用任何抗PD药物史的患者。另从门诊及社区招募与上述PD患者年龄、性别相匹配的健康志愿者，年龄（63.88±8.99）岁。所有受试者统一接受病史采集、体格检查、运动评估及MRI检查。所有研究对象均已签署知情同意书。健康对照（healthy control, HC）组排除标准：（1）MRI等影像学检查显示脑部结构或功能异常（如黑质致密部退化）；（2）MRI等图像显示不佳，影响评估；（3）有药物或物质滥用史，包括长期使用酒精、毒品或神经毒性物质；（4）存在生物标志物异常，如脑脊液α-突触核蛋白、血清标志物异常。

1.2 MRI检查方案及数据采集

       MRI扫描均采用GE公司signa HDXT 3.0 T超导型扫描仪，采用改良的T1加权快速回波序列采集所有受试者的中脑NM-MRI图像及头部常规MRI序列，包括T1WI、T2液体衰减反转恢复（fluid attenuated inversion recovery, FLAIR）序列图像和弥散加权成像（diffusion-weighted imaging, DWI），以排除可能干扰进一步评估的其他病理影像学表现，患者仰卧于检查床、头先进。

       NM-MRI扫描参数根据以往相关研究^[14]类似采用改良的2D-T1快速自旋回波（fast spin echo, FSE）序列，并结合本院机器型号扫描参数稍作调整，具体扫描参数如下：TR 600 ms；TE 11 ms；回波链长度2；层厚2.5 mm；无层间距；采集层数16；矩阵大小512×320；视野220 mm×220 mm；激励次数5；采集时间8.03 min。扫描基线与前连合-后连合连线平行，扫描范围上到前后连合下到脑桥底。所有PD患者MRI图像均在“开期”采集，以排除身体抖动带来的运动伪影，所有磁共振检查与临床评估在同一天进行，检查前12 h停用抗PD药。

1.3 图像分割及数据提取

       试验由一名在读研究生将入组患者图像从PACS（Picture archiving and communication system）导出患者的图像，去掉图像标注，文件格式为DICOM；并由两名工作6年和8年的放射科医师通过加州大学研发的开源软件3D Slicer (4.8.1)中的SegmentEditor模块，从改良的2D-T1-FSE-NM-MRI轴位图像中逐层勾画黑质，形成感兴趣容积（volume of interest, VOI）。将所得原图像和VOI保存为.NII格式，并且命名规则为ID编号。整个试验过程均为双盲操作，所得图像数据经过归一化处理。对于所勾画的纹理结果进行组内相关系数（intra-class correlation coefficient, ICC）的计算，去除ICC<0.8的患者样本（保留ICC为0.91的一组数据）。试验中通过Radiomics软件包对所得图像的数据进行分析提取一阶和高阶特征，建立影像组学库，并通过Python 3.6.7对数据进行统计分析。

       临床传统影像因素由上述两名医师分别逐层勾画左、右两侧黑质作为感兴趣区（region of interest, ROI），并将黑质核头到黑质核尾均分三等份，提取每层黑质核头、尾及黑质整体的信号及噪声，并记录数据，计算整体平均黑质核头、尾及黑质整体的对比噪声比（contrast-to-noise ratio, CNR），分别为Head_CNR、Tail_CNR、Whole_CNR。传统影像特征ROI勾画示意图见图1。

点击查看大图

图1  传统影像特征感兴趣区（ROI）勾画示意图。1A：箭所指高信号区域为神经黑色素敏感的磁共振成像图像上的黑质致密部（SNc）；1B：右侧高信号区域为SNc亚区划分方法，与SNc最大轴线平行的为最大纵轴线，将其等分3份，由腹侧-背侧依次为头、中、尾，左侧为SNc各亚区及同层面相邻大脑脚的ROI放置及信号强度测量，计算各亚区的信噪比及对比噪声比；1C：双侧SNc高信号边界勾画与面积测量。
Fig. 1  Schematic diagram of traditional image feature region of interest (ROI) delineation. 1A: The high signal area is the substantia nigra density part (SNc) on the neuromelanin magnetic resonance imaging image. 1B: The high signal area on the right side represents the sub-regions of SNc. The maximum longitudinal axis, parallel to the largest axis of SNc, is divided into three equal parts, from ventral to dorsal as head, middle, and tail. On the left side, ROI placement and signal intense measurements are shown for each sub-region of SNc and adjacent cerebral peduncle at the same level. The signal-to-noise ratios and contrast-to-noise ratios of each sub-region are calculated. 1C: the delineation and area measurement of the high signal boundary in both sides of SNc.

1.4 统计学方法

       用SPSS 25、R 4.2.1和Python 3.9.5软件进行统计学分析和建立模型。对于服从正态分布的计量资料用Mann-Whitney U检验或t检验（用均数±标准差表示），计数资料比较用χ²检验。筛选高相关性诊断PD的特征并经过统计学分析，纳入Head_CNR、Whole_CNR构建临床传统影像模型，运用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）对影像组学特征降维，通过10倍交叉验证法得出最佳的log(λ)值，筛选最优特征（将数据集按7∶3比例随机划分为训练集与独立测试集，其中训练集通过重复分层10折交叉验证进行模型优化；在每次交叉验证迭代中，采用坐标下降算法求解最优正则化参数λ：在λ搜索路径上设置100个候选值，通过最小化10折交叉验证均方误差确定λ_1se（λ最优值+1倍标准误），为防止过拟合，所有影像组学特征在建模前均进行Z-score标准化，并通过Shapiro-Wilk检验确保数据正态性假设，并剔除λ系数为0的特征，从而减少选择偏差）；再利用回归权重构建影像组学标签评分，计算每个样本的标签评分作为影响特征，然后绘制受试者工作特征（receiver operating characteristic, ROC）曲线，计算曲线下面积（area under the curve, AUC）并评价各模型预测PD的效能，再由临床决策曲线（decision curve analysis, DCA）比较AUC值>0.7的不同模型的临床获益。P<0.05为差异有统计学意义。以Radscore绘制定量的影像组学评分（Radscore）列线图，可视化结果。将最优的影像组学特征以及临床传统影像组学特征与H-Y分期及UPDRS-Ⅲ评分进行Pearson或Spearman相关性分析。

2 结果

2.1 临床特征

       临床传统影像特征模型的建立包括临床评估指标及传统影像指标，其中临床评估指标包括：性别、年龄、高血压、糖尿病、高血脂、特殊药物史、抽烟史、饮酒史、饮茶史、喝咖啡史、是否有神经系统症状；传统影像特征包括：黑质核头、尾及整体对比噪声比（contrast-to-noise ratio, CNR）、面积（square, S），详见表1；对以上15个临床特征进行统计学分析（表2），结果显示：Head_CNR t=3.857，P<0.01，差异有统计学意义；Whole_CNR χ²=8.841，P=0.003，差异有统计学意义；在logistic回归中，Head_CNR OR=0.000，95% CI：0.000~0.001，P=0.008，差异有统计学意义；Whole_CNR OR=0.995，95% CI：0.991~1.000，P=0.030，差异有统计学意义。其他指标P>0.05，差异无统计学意义。

点击查看表格

表1  各临床、传统影像因素描述基线量表
Tab. 1  Baseline scale describing clinical and traditional imaging factors

点击查看表格

表2  二元多因素logistic回归分析统计量图表
Tab. 2  Binary multivariate logistic regression analysis statistics chart

2.2 影像组学特征

       运用3D Slicer（4.8.1）内置的Segment Editor模块逐层勾画ROI、形成三维立体黑质VOI，并提取数据，进行数据分析，通过LASSO回归降维筛选特征；通过10倍交叉验证确定最佳log(λ)值（图2）。

       影像组学筛选出的10个高度相关特征及相关系数图见图3，影像组学模型的预测见图4。

点击查看大图

图2  LASSO回归。使用LASSO算法进行特征筛选，图片上缘横轴代表特征数量，左侧垂直虚线代表最佳λ值对应的log(λ)值；下图是基于训练集数据中纹理特征在数据收束过程中的变化图示，虚线所在部位是基于10倍交叉运算λ值截取，本试验中log(λ)=0.041 572 166 840 731 8。LASSO：最小绝对收缩和选择算子。
Fig. 2  LASSO regression. The LASSO algorithm is used for feature screening. On the image, the horizontal axis of the edge represents the number of features, and the left vertical dashed line represents the log(λ) value. The following figure shows the change of the texture characteristics in the data and the dotted line is based on 10-fold crossover. log(λ)=0.041 572 166 840 731 8 in this experiment. LASSO: least absolute shrinkage and selection operator.

点击查看大图

图3  相关系数图。横坐标表示相关性的系数值；纵坐标表示影像组学方法筛选出的10个影像组学特征，英文为影像组学特征，后方数值为提取的第几个特征（例Mean...225表示第225个影像组学特征值Mean）。
Fig. 3  Correlation coefficient diagram. The horizontal axis represents the coefficient value of correlation; the vertical axis represents the 10 imageomics features selected by the imageomics method. The English word is imageomics feature, and the number after the square brackets is the number of features extracted (for example, Mean...225 means the 225th imageomics feature value Mean).

点击查看大图

图4  影像组学模型受试者工作特征曲线。左侧为训练集、右侧为验证集。AUC：曲线下面积。
Fig. 4  The receiver operating characteristic curve of the imaging-omics model. The left side shows the training set, and the validation set is shown on the right side. AUC: area under the curve.

2.3 模型预测、评估

       绿色曲线表示根据回归分析结果使用P值<0.05的评估指标建立的临床传统影像评估模型；蓝色曲线表示使用筛选出的10个影像组学参数建立的影像组学模型，同时计算影像组学评分Radscore=-0.12×LargeDependenceHighGrayLevelEmphasis...453+0.023×LargeDependenceLowGrayLevelEmphasis...826-0.32×SmallAreaLowGrayLevelEmphasis...766-0.378×LeastAxisLength+0.479×SurfaceVolumeRatio+0.36×Idmn...153-0.241×GrayLevelNonUniformity...847+0.441×Mean...225-0.081×MCC...68-0.22×LargeAreaEmphasis...758+0.709；研究结果显示联合模型的效能在训练集和测试集的表现最佳，AUC值分别为0.90、0.88（图5）。

       对测试集进行DeLong检验，结果显示如下：

       影像组学与联合模型：Z=0，P>0.999，95% CI：-0.038 092 91~0.038 092 91；影像组学模型和临床模型：Z=1.328 1，P=0.184 1，95% CI：-0.04 757 701~0.247 577 01；临床模型与联合模型：Z=1.151，P=0.249 7，95% CI：-0.070 280 81~0.270 280 81；各模型间差异无统计学意义。

点击查看大图

图5  模型受试者工作特征（ROC）曲线。三种不同预测模型ROC曲线，绿线为临床模型，蓝线为影像组学特征模型，红线为联合模型。左侧为训练集、右侧为验证集。AUC：曲线下面积。
Fig. 5  Receiver operating characteristic curve of model. The ROC curves of three different prediction models, the green line is the clinical model, the blue line is the imaging omics feature model, and the red line is the joint model. The left side shows the training set, and the validation set is shown on the right side. AUC: area under the curve.

2.4 模型拟合度验证

       使用Hosmer-Lemeshow对预测模型拟合度进行检验P=0.672表明PD诊断或患病风险的预测模型预测结果和实际结果在训练集和测试集结果表现相近，模型预测的稳定性能良好（图6）。

点击查看大图

图6  模型Hosmer-Lemeshow校正曲线。
Fig. 6  Correction curve of model Hosmer-Lemeshow.

2.5 DCA分析

       ROC曲线只代表模型的准确效能，试验同时还进行了DCA分析以帮助患者提供预后决策。

       结果表明在5%~95%阈值的情况下，影像组学的加入可以使PD患者的诊断明显获益（图7）。

点击查看大图

图7  临床决策曲线。None代表健康对照人群，ALL代表所有帕金森病患者。红色曲线代表影像组学加入后的联合预测模型。绿色曲线代表临床传统影像预测模型，影像组学的加入可以使患者显著获益。
Fig. 7  The decision curve analysis. None is for the healthy control population and ALL is for all Parkinson's disease patients. The red curve represents the joint prediction model after the addition of imaging omics. The green curve represents the traditional clinical imaging prediction model, and the addition of imaging omics can benefit patients significantly.

2.6 影像组学列线图

       列线图模型利用风险评分可以实现定量评估患者患病风险，实用便利的特性使得它得到广泛的推广和应用，为了方便计算我们将影像组学特征通过权重计算融合为影像组学特征，使用logistics回归建立临床传统评估指标与Radscore列线图实现PD患病风险的量化评估（图8）。

点击查看大图

图8  影像组学评分列线图。Points为单项评分，包括Head_CNR、rad_score每个定量指标对应的评分，两者相加总和即为Total Points，Total Points总分在20~45范围内，对应的帕金森病的患病风险为0.1~0.9。
Fig. 8  Radscore nomogram. Points is a single score, including the score corresponding to each rad_score. The combined sum of the two is Total Points. The Total Points total score is in the range of 20 to 45, corresponding to the risk of PD is 0.1 to 0.9.

2.7 影像组学特征统计量描述及其H-Y分级、UPDRS-Ⅲ评分相关性分析

       本研究将筛选出的10个高度相关的影像组学特征以及2个临床传统影像特征分别与H-Y分级、UPDRS-Ⅲ评分作相关性分析（表3）。结果显示：LeastAxisLength、LargeAreaEmphasis、Head_CNR与H-Y分级呈负相关，而与UPDRS-Ⅲ评分无明显相关性。

点击查看表格

表3  10个影像组学特征、2个临床传统影像组学特征与H-Y分级、UPDRS-Ⅲ评分相关性分析
Tab. 3  The correlation analysis of 10 imaging omics characteristics, 2 clinical traditional imaging omics characteristics and H-Y grade and UPDRS-Ⅲ score

3 讨论

       本研究采用影像组学方法建立并验证了基于NM-MRI图像的联合模型用于区分PD患者与HC，并评估了联合模型的可靠性。结果显示，对比临床传统诊断模型，联合模型的预测能力更优；且联合模型在训练及测试集中AUC值较高且模型稳定，其能有效地区别PD患者与HC。DCA显示，通过加入影像组学可以显著增强临床对PD患者的诊断、预后和评估。PD患者震颤等运动症状，以及睡眠障碍、认知功能下降等非运动症状，严重影响患者生活质量^[15]，而当前PD诊断存在诊断延迟（1~3年）、主观误差（非运动症状评估Kappa值<0.6）、人工成本高昂等问题；现阶段基于影像组学在乳腺癌、胃癌、肺癌等的早期诊断及预防中已广泛普及^{[16, 17]}，本研究创新性地将多模态MRI（NM-MRI）与影像组学纹理分析相结合，实现可视化及量化，通过单次扫描量化黑质神经黑色素丢失、铁沉积等纹理特征，可快速实现精准诊断，显著缩短诊断周期，为支持纵向病理追踪，指导分期与疗效评估提供有效帮助，目前国内外研究相对较少。

3.1 临床传统诊断模型、影像组学模型及其联合模型对PD的诊断价值

       本研究相较于李星江等^[18]单纯影像组学的研究，增加了与临床传统诊断模型的比较，并建立了联合模型，通过纵向对比，得出了联合模型优于影像组学模型、影像组学模型优于临床传统诊断模型的结论；对于韦福利等^[19]的研究，其结果表明黑质的诊断模型效能（AUC 0.817、0.733）明显高于其他模型（红核、尾状核、壳核及苍白球模型），与本研究VOI一致；但其建立的联合模型诊断效能（AUC 0.865、0.836）略高于本研究诊断效能，分析其原因可能是韦福利的研究纳入了临床病程这一高危临床因素，而病程的严重程度对疾病的诊断价值占比较大，但本研究所受试的患者可能大部分为早中期的患者，故带来些许结果的差异，在后续的研究中笔者计划将早期、中期及晚期的患者分组进行对比研究。在其他疾病如肿瘤的影像组学预测或分期或肺结节的良恶性预测研究中，联合模型的价值一般均高于影像组学及临床模型^{[19, 20, 21, 22, 23, 24, 25]}。此外本研究验证集中结果显示：联合模型与影像组学模型的效能相当，分析该结果出现的原因，可能是样本量较少的缘故。同时本研究对三个模型进行DeLong检验，结果显示两两模型之间差异均无统计学意义，从构成的重要特征的占比成分方向分析：影像组学模型所筛选出的10个特征值与临床传统诊断模型筛选出的2个特征值均为黑质的灰度CNR，对应的一阶及二阶特征显示的病理基础基本一致，且各特征值所占比重相差不大，故对PD的诊断价值差异性不大。从试验设计及实施过程中分析原因可能有三个方面：一是在建立影像组学模型时VOI范围较小、所勾画的层面较少，导致影像组学特征值的量化可能存在一定的缺失，故而会降低影像组学模型对PD的诊断效能；二是传统影像组学的评价指标纳入的不多，目前基于NM-MRI的传统影像学评估指标也尚在探索中，有意义的部分尚无明确定论，或许纳入更多有意义的指标可得到更稳定的结果；三是此类疾病阶段性可收集到的、符合条件的样本量较少。与此同时，为了更直观地辅助临床诊断PD或者区分PD与HC，本研究以所有受试者的Radscore与临床传统影像学高评估价值指标（Head-CNR）为基础创建了列线图，结果显示Head-CNR与影像组学总评分在20~45范围内对应的联合模型对是否患有PD的预测风险值为0.1~0.9，其中总分值在33~45范围内评估预测值高达0.5~0.9，对PD的患病风险预测或对临床诊断鉴别PD与HC有显著的指导意义，该方法与康锦涓等^[26]研究方法基本一致，可视化、直观性更强。

3.2 临床基础特征、传统影像特征对PD的诊断价值

       PD患者不宜采集活体病理结果，目前确诊主要依靠临床长期追踪随访^[3]，其评估包括多种量表，考虑到量表评估结果受人为主观因素的影响，且为追踪结果参照标准，故本研究临床模型的临床特征主要纳入性别等11个客观基本特征，未将各量表评分纳入本模型，其中性别和年龄在PD组与对照组中差异无统计学意义，该结果与以往的研究^[27]结论不一致，主要与本研究入组要求有关，其他各项临床客观指标差异均无统计学意义；传统影像特征主要纳入亚区CNR、面积等4个特征，这与其他研究^{[28, 29, 30]}传统的神经黑色素成像分析特征基本一致，也有研究将长度作为评估传统影像模型的指标，但有研究显示其差异无统计学意义，故本研究未纳入模型；本研究最终筛选出Head-CNR、Whole-CNR对PD的诊断有统计学意义，且黑质核头、黑质整体CNR的OR值小于1，说明随着信号强度的减低程度加重，PD的患病风险增高；该结论与李星江等^[18]的研究结果一致，同时也印证了PD发病主要以SNc多巴胺能神经元变性、丢失和突触核蛋白在路易小体体内积蓄为特征^{[31, 32, 33, 34]}，随着疾病的发生、进展，黑质由头发生病理改变逐步向体尾部延伸，其与高平等^[35]由磁敏感成像中黑质小体-1所在位置推测出的PD病变可能最早累及黑质尾部的结论不一致。

3.3 影像组学特征对PD的诊断价值

       此外，本研究在构建模型的同时，筛选出了LargeDependenceHighGrayLevelEmphasis（LDHGLE）大依赖性高强度体素区域分布的程度、LargeDependenceLowGrayLevelEmphasis（LDLGLE）大依赖性低强度体素区域分布的程度、SmallAreaLowGrayLevelEmphasis小面积低灰度区域强调、LeastAxisLength最短轴长度、SurfaceVolumeRatio表面积体积比、Idmn逆差分矩归一化、GrayLevelNonUniformity（GLN）体素灰度强度的非均一性、Mean、MCC最大相关系数、LargeAreaEmphasis大面积区域分布的度量10个高度相关纹理特征，其中有50%的纹理特征提示了PD的诊断或患病预测与灰度依赖矩阵密切相关，二阶纹理特征更大程度说明了纹理分析挖掘了更多的灰度矩阵信息，这与李星江等^[18]、顾慧芳等^[36]的研究结果基本一致，为未来影像诊断PD提供了新的思路；其中LDHGLE、LDLGLE、GLN 三个特征说明随着PD患者铁沉积或神经元的缺失，纹理存在显著变化，PD患者可能具有纹理异质性，本研究结果与韦福利等^[19]基于T2WI序列SN组学模型及谷翔等^[37]基于SWI所得出的结论基本一致，可能与黑质富含多巴胺能神经元，从而可能比其他脑区更容易受到铁沉积的影响有关^{[38, 39]}；此外LeastAxisLength、SurfaceVolumeRatio 等特征提示其结构、形态学特征存在异常，谷翔等的研究亦发现2个占比较高的形态学特征，且相较于上述基于T2WI影像组学的研究^[19]，本研究基于NM-MRI在捕捉结构异质性上更有优势；同时研究发现SurfaceVolumeRatio、Mean相关系数相对较高，分别为0.479、0.441，有望成为PD诊断的特异性影像标志物，为鉴别PD和HC提供了可视化及量化的证据支持。

3.4 高度相关性的临床特征与影像组学特征对临床评估PD的价值

       最后，本研究将筛选出的高度相关性的影像组学特征与部分临床量表评分做了相关性分析，结果提示LeastAxisLength、LargeAreaEmphasis、Head_CNR与H-Y分级呈负相关，表明随着疾病病程的进展，黑质核头的信噪比逐渐减低，LeastAxisLength、LargeAreaEmphasis特征值越小，最短轴长度逐步缩短，神经元退化的空间分布越不对称；大面积区域纹理的分布越模糊，病理损伤逐步增多。以往的纵向研究中，PD早期局部活动熵（local activity entropy, LAE）值可能存在短暂升高（反映局部神经元代偿性增生），而随着疾病进展，LAE 值下降可能因为神经元退变导致的异质性增加^[40]，本研究结论与之基本保持一致。若P值限定小于0.05，则上述特征与UPDRS-Ⅲ评分无明显相关性，基于FLAIR^[41]以及基于3D-T1WI、T2 FLAIR^[42]的组学研究中亦得出相类似的结论，或许该结果说明：本研究所收集的病例随着病程的进展所引起的运动损伤或相应运动症状不明显，而其黑质结构、形态学的损伤相对更明显，其结构异质性可能更高；当然其与H-Y分期有明显相关性，早中期的患者运动症状相对不明显，故亦可能因以上研究纳入的PD患者大部分为早中期的缘故。但其中LargeDependenceLowGrayLevelEmphasis、Head_CNR P值分别为0.079 519、0.088 195，若P值<0.1，或许大依赖性低强度体素区域分布的程度，黑质核头的CNR与UPDRS-Ⅲ评分有一定的相关性^[1]，SHIMOZONO等^[43]基于T1WI中提取的部分特征与UPDRS-Ⅲ评分亦有明显相关性。

3.5 局限性

       本研究存在以下局限性。第一，样本量较小，模型的效能尚缺乏多中心验证。第二，NM-MRI基于2D~3D基础，层厚相对较厚，可能会因此影响影像组学量化值的准确性。第三，临床特征值纳入相对较少，未纳入临床患者表现及各评估量表（因其为目前诊断参照标准），临床传统影像模型的效能有待进一步验证。在接下来的研究中，一是可以继续补充样本量，并增加外部验证使模型更加方便临床应用；二是继续收集PD运动及其他不同亚组病例，探究影像组学在亚组的价值；三是纳入临床其他相关指标，在后续的研究当中继续探索。

4 结论

       NM-MRI影像组学联合模型可显著提高PD诊断准确性，筛选出的SurfaceVolumeRatio和Mean等影像组学特征具有成为PD特异性标志物的潜力，同时，Head_CNR及形态学参数（LeastAxisLength、LargeAreaEmphasis）对疾病严重程度的量化评估具有临床应用价值；本研究融合了NM-MRI纹理分析与黑质定量化参数，为PD的无创诊断和病情评估提供了新策略。未来需通过多中心大样本验证标志物的普适性，并进一步探索其在PD运动亚型鉴别及前驱期诊断中的转化潜力。