首都医科大学附属北京天坛医院张建国教授团队于 2024 年 8 月在《American Journal of Neuroradiology》发表研究。针对 STN - DBS 治疗帕金森病（PD）患者术后效果差异大且现有预测方法有限的问题，研究利用 T1 成像构建 PD 患者个体结构网络。共入组 178 人（138 名 PD 患者和 40 名健康对照），根据术后 3 年运动改善情况分组。发现小脑 - 基底节 - 前额叶网络连边特征可高效预测疗效（AUC 值 0.802），其拓扑属性与长期运动预后密切相关，度中心性和局部效率与预后正相关，网络离散性高则改善有限。通过 XGBOOST 构建的该网络预测模型与真实值相关性达 0.671，均方误差 0.055，提示其可作为术前评估新型生物标志物。此研究突破传统成像技术局限，提升 DBS 疗效预测精度，为 PD 个体化治疗提供新思路，推动精准医疗在 PD 领域的发展。

帕金森病（PD）是一种严重影响患者运动功能的神经系统退行性疾病。丘脑底核脑深部电刺激（STN - DBS）作为一种有效的治疗手段，能够缓解 PD 患者的长期运动症状。然而，在临床实践中，不同患者接受 STN - DBS 术后的效果存在显著差异。

目前，临床上常用多巴胺冲击试验来筛选患者，期望提高疗效的稳定性。但这种方法对于术后长期疗效的预测能力较为有限。基于功能磁共振成像（fMRI）的大尺度脑网络研究虽然在一定程度上显示出了预测潜力，不过其扫描时间长，并且在扫描过程中容易受到生理因素的干扰，这使得它很难在术前常规筛查中广泛推广。

相比之下，T1 加权结构成像具有扫描时间短和重复性高的优势。但以往的技术局限在于只能进行组水平的脑网络分析，无法针对个体患者进行疗效预测。幸运的是，最新的网络模板扰动方法为基于 T1 的个体化结构网络构建带来了可能。在此背景下，首都医科大学附属北京天坛医院神经外科学中心张建国教授团队开展了此次研究，旨在基于最新的网络模板扰动方法，通过 T1 成像构建 PD 患者的个体化结构网络，进而探索其在 DBS 疗效预测中的应用价值。

本次研究共入组了 178 名参与者，其中包括 138 名 PD 患者和 40 名健康对照。研究团队重点关注了接受 STN - DBS 治疗的 PD 患者，并根据患者术后中位数为 3 年的运动改善情况，将患者分为改善良好（GIG）组和改善较差（MIG）组。这种分组方式为后续分析不同患者对治疗反应的差异提供了依据。

研究团队利用神经网络多层感知分类器对全脑连边特征进行筛选。在这个过程中，一个重要的发现是小脑 - 基底节 - 前额叶网络在区分 GIG 和 MIG 两组患者时效果显著。通过计算得到的曲线下面积（AUC）值达到了 0.802。这一结果表明，基于个体化结构网络的连边特征在预测患者术后改善情况方面具有较高的效率。这一发现为个体化的 DBS 疗效评估提供了有力的科学依据。

在 PD 患者中，这个特殊网络的连边特征就像是一把独特的 “钥匙”，能够打开预测疗效的 “大门”。以往的研究往往忽略了这种个体化网络特征在预测疗效中的作用，而此次研究则将目光聚焦于此，为更精准地了解患者对治疗的反应提供了新的视角。这意味着医生在术前可以通过分析患者小脑 - 基底节 - 前额叶网络的连边特征，对患者术后长期运动改善情况有一个更为准确的预估，从而为治疗方案的制定提供重要参考。

进一步深入分析发现，PD 患者的长期疗效与小脑 - 基底节 - 前额叶网络的拓扑结构属性存在密切联系。具体而言，该网络的度中心性和局部效率与长期运动预后呈现出显著的正相关关系。这就好像是一个紧密连接的网络 “高速公路”，当这个网络的拓扑结构更紧密时，就更容易受到 DBS 的有效调节，从而促进患者运动功能的改善。

相反，那些网络离散性较高的患者群体，在术后运动功能的改善则相对有限。这一发现深刻地揭示了患者在接受治疗前的早期网络状态是影响疗效的关键因素之一。它提示我们，在考虑治疗方案时，不能仅仅关注患者的表面症状，还需要深入到大脑网络的微观结构层面，了解其网络拓扑属性。这对于优化治疗策略、提高治疗效果具有重要的指导意义。例如，对于网络离散性较高的患者，或许可以在术前或术后采取一些针对性的干预措施，来尝试调整其网络拓扑结构，以期望获得更好的治疗效果。

研究团队通过 XGBOOST 构建了小脑 - 基底节 - 前额叶网络预测 PD 患者 STN - DBS 术后长期运动评分的预测模型。这个预测模型与真实值的相关性达到了 0.671，均方误差为 0.055。这一系列数据表明该预测模型具有良好的应用前景。

这一模型的成功构建进一步强调了小脑 - 基底节 - 前额叶网络在 PD 治疗中的重要性。它提示我们，PD 患者的运动恢复不仅仅依赖于传统意义上的运动系统，还需要认知网络的高度参与。也就是说，这个网络作为一个 “运动 - 认知” 网络，在 PD 患者的治疗过程中扮演着至关重要的角色。它可以为 PD 患者的术前评估提供新型的生物标志物，就像在茫茫的医疗决策大海中竖起了一座明亮的灯塔，帮助医生更准确地判断患者的病情和预测治疗效果。这一发现有望改变当前 PD 患者术前评估相对单一的现状，为实现更加精准的个体化治疗奠定坚实的基础。

此次研究具有多方面的重要意义。首先，从技术层面来看，它揭示了 T1 加权个体结构网络在预测 STN - DBS 疗效方面具有广泛的应用潜力。这一发现突破了传统成像技术在疗效预测方面的限制，利用临床常用的检查手段，为实现个性化、精准化的 DBS 疗效预测开辟了新的途径。以往的研究由于受到各种技术和方法的局限，很难在术前准确地预测患者的治疗效果，而这项研究则为解决这一难题提供了新的思路和方法。

其次，从临床实践的角度，张建国教授团队的工作显著提升了 DBS 疗效的预测精度。这对于 PD 患者的个体化治疗具有深远的影响。医生可以根据更准确的疗效预测结果，为患者制定更加合适的治疗方案，避免不必要的手术风险和资源浪费。同时，这也为患者和家属提供了更清晰的治疗预期，增强了他们对治疗的信心。

此外，本研究对于推动精准医疗在 PD 领域的进展具有重要意义。精准医疗是现代医学发展的重要方向，它强调根据患者的个体特征制定个性化的治疗方案。通过此次研究，我们在 PD 治疗领域朝着精准医疗的目标迈进了一大步。未来，我们可以进一步深入研究，探索如何更好地利用这一发现来优化治疗过程，例如是否可以通过调整 DBS 的参数或者结合其他治疗方法来进一步提高疗效。同时，也可以将这一研究思路拓展到其他神经系统疾病的治疗中，为更多患者带来福音。

总之，张建国教授团队的这项研究为帕金森病患者脑深部电刺激治疗的术前评估和疗效预测提供了全新的视角和方法，具有重要的理论和实践价值，有望在未来的临床实践中得到广泛应用和进一步发展。