生物行移动版

帕金森病（Parkinson's disease, PD）是全球发展速度最快的神经系统疾病之一，仅次于阿尔茨海默病。该病可发生于各年龄段，从青少年到老年均可能受累，对健康危害极大。目前尚无药物能逆转或阻止疾病进展。临床诊断主要依赖运动症状，如行动迟缓、静止性震颤、肌肉僵直和姿势平衡障碍，但这些症状通常在发病数年后才出现。因此，迫切需要新的诊断生物标志物，尤其是能在早期检测疾病的标志物。

2022年8月22日，发表于《Nature Medicine》的一项研究中，麻省理工学院（MIT）团队开发了一个人工智能模型，仅通过读取呼吸特征即可检测帕金森病。该研究表明，AI能提供传统方法无法获得的临床见解。

此前，研究人员已发现一些潜在生物标志物，如脑脊液、血液生化指标和神经影像学，但这些方法具有侵入性、成本高，且需在专门医疗机构进行，不适合早期诊断或频繁监测。

早在1817年，帕金森病的发现者James Parkinson就注意到该病与呼吸的关系。后续研究证实，帕金森病会导致脑干呼吸控制区域退化、呼吸肌功能减弱及睡眠呼吸障碍。这些呼吸症状常在运动症状出现前数年出现，提示呼吸特征可用于临床风险评估。

该研究团队开发了一种基于人工智能的神经网络模型，用于检测帕金森病、预测疾病严重程度，并通过夜间呼吸（睡眠时的呼吸特征）跟踪疾病进展。系统以一夜的呼吸信号为输入，可通过佩戴在胸部或腹部的呼吸带采集。

为实现无接触监测，团队开发了一种类似家用Wi-Fi路由器的设备，它不提供互联网，而是发射无线电信号，分析反射信号以提取呼吸特征。呼吸信号输入神经网络，被动评估帕金森病，患者和护理人员无需任何操作。

模型设计的关键是学习从夜间呼吸预测定量脑电图（qEEG）的辅助任务，这能防止过拟合并帮助解释模型输出。

研究共同作者、罗彻斯特大学神经学家Ray Dorsey教授表示：“本世纪在帕金森病治疗上无突破，表明现有评估新疗法的方法不理想。这项研究可能是迄今为止最大的帕金森病睡眠研究之一。”

帕金森病药物开发平均成本约13亿美元，耗时13年，限制了制药公司的研发兴趣。该病进展缓慢，现有跟踪方法不敏感，无法捕捉细微变化。而基于AI的生物标志物对疾病进展变化敏感，有助于缩短临床试验、降低成本，促进药物开发。

初步证据表明，该系统可用于临床诊断前的风险评估。总之，这项研究展示了AI通过解决神经科学中的关键挑战，开发新生物标志物以支持医学发展的潜力。