Otse sisu
 
Rahvusvaheline Parkinsoni ja Liikumishäirete Ühing

        30. KÖIDE, 1. NUMBER • Märts 2026.  Täispikk number »

Sessiooni tipphetk: 2026. aasta PAS-i kongress

Kuidas neurokuvamine muudab kiiresti Parkinsoni tõve diagnoosimist ja ravi


Eksperdid jagavad, kuidas multimodaalne ja alfa-sünukleiinide kuvamine saab pakkuda sügavamat ülevaadet peenest neurodegeneratsioonist kogu haigusspektri ulatuses.

 

Artikli ülevaade

Hüppa: 

 

Kuidas kasutatakse tehisintellekti Parkinsoni tõve kuvamisvahendites?

Tehisintellekt (AI) kujundab kiiresti ümber seda, kuidas me kasutame neurokuvamist Parkinsoni tõve (PD) diagnoosimiseks ja mõistmiseks.

Traditsiooniliselt on kliiniline pildistamine keskendunud dopamiinergilise kaotuse kinnitamisele, kõige sagedamini DAT-SPECT-i abil nigrostriaalse terviklikkuse hindamiseks. Kuigi see tehnika on presünaptiliste dopamiinergiliste defitsiitide tuvastamiseks väljakujunenud Parkinsoni tõve korral väga täpne [1], on tavapärasel dopamiinergilisel pildistamisel visuaalse interpretatsiooni ja poolkvantitatiivsete mõõtmistega piirangud, eriti haiguse varajases/prodromaalses staadiumis, progresseerumise jälgimisel, Parkinsoni tõve eristamisel atüüpilistest parkinsonismi sündroomidest ja Parkinsoni tõve bioloogilise heterogeensuse tabamisel.

Parkinsoni tõve uuringud nihkuvad nüüd sümptomitepõhistelt kirjeldustelt bioloogiliselt põhjendatud raamistikele [2,3]. Täiustatud meetodid, sealhulgas struktuurilised ja funktsionaalsed ühenduvusanalüüsid; aju glükoosi metabolismi pildistamine; ja MRI-markerid (nt neuromelaniinitundlik pildistamine, vaba vee difusioon-MRI jne), pakuvad sügavamat ülevaadet peenest neurodegeneratsioonist kogu haigusspektri ulatuses [4].

Tehisintellekt avab peidetud pildisignaalid

Tehisintellekti integreerimine neurokuvamisega Parkinsoni tõves pakub palju potentsiaalseid eeliseid [5-7]. Neurokuvamine sisaldab rikkalikku struktuurilist, funktsionaalset ja molekulaarset teavet, millest suur osa on inimsilmale liiga peen. Tehisintellekt suudab neid signaale suures mahus eraldada ja integreerida: 1) juhendatud õppemudelid toetavad diagnoosimist ja ennustavad progresseerumist; 2) juhendamata õpe tuvastab bioloogiliselt olulisi alatüüpe; 3) süvaõpe eraldab automaatselt keerulised ruumilised ja tekstuurilised mustrid.

Dopamiinergilises pildistamises on tehisintellekti mudelid saavutanud Parkinsoni tõve ja tervete kontrollisikute eristamisel 90–97% diagnostilise täpsuse, mis sageli ületab traditsioonilisi poolkvantitatiivseid mõõtmisi. Need lähenemisviisid võivad suurendada tundlikkust peente defitsiidide suhtes, potentsiaalselt aidata ümber klassifitseerida skaneeringuid ilma dopamiinergilise defitsiidita (SWEDD) [8] ja vähendada vaatlejatevahelist varieeruvust [9,10].

Neuromelaniini suhtes tundlik magnetresonantstomograafia (MRI) on veel üks paljulubav marker dopamiinergilise neuronite kadu hindamiseks mustaines, kuid seda piiravad aeganõudvad käsitsi segmenteerimise analüüsid. Süvaõpe võimaldab Parkinsoni tõve korral mustaines neuromelaniiniga seotud signaalikadu kiiresti, automatiseeritud ja reprodutseeritavalt tuvastada [11].

¹⁸F-FDG PET-uuring aitab Parkinsoni tõve ja atüüpiliste parkinsonismi sündroomide eristamist parandada, jäädvustades nii striataalseid kui ka ekstrastriataalseid ainevahetusmuutusi. Tehisintellektiga täiustatud analüüsid näitavad nüüd Parkinsoni tõve ja atüüpilise parkinsonismi eristamisel tundlikkust ja spetsiifilisust, mis ületab 90% [12,13].

Difusioon-MRI pakub paljulubavat mitteinvasiivset meetodit mikrostruktuurilise neurodegeneratsiooni mõõtmiseks. Vaba vee pildistamine kvantifitseerib kudede ja rakuväliste muutuste esinemist mustaines Parkinsoni tõve korral ning laialt levinud halli ja valgeaine piirkondades atüüpiliste parkinsonismide korral [14–16]. Parkinsoni tõve korral on püsivalt kõrgenenud vaba vee sisaldus tagumises mustaines usaldusväärne diagnostiline ja progresseerumise marker [14, 15]. Hiljuti on näidatud, et masinõppe rakendamine vaba vee pildistamise mõõdikutele eristab Parkinsoni tõbe täpselt parkinsonismi tüüpi mitmesüsteemsest atroofiast (MSA-P) ja progresseeruvast supranukleaarsest paralüüsist (PSP) [17, 18]. Integreerimine kliiniliste pildistamisprotsesside töövoogudesse on nüüd käimas.

Väljakutsed ja edasine tee

Vaatamata oma paljulubavatele võimalustele seisab tehisintellekt Parkinsoni tõve neurokuvamises silmitsi paljude väljakutsetega [5,12,19,20]. Diagnostilised sildid võivad olla mürarikkad. Andmekogumid on sageli väikesed või heterogeensed ning paljudel mudelitel puudub väline valideerimine ja tõlgendatavus. Pikisuunalised ja prodromaalsed andmed on endiselt piiratud. Edasine areng sõltub ulatuslikust mitmekeskuselisest koostööst standardiseeritud kuvamisprotokollidega; kuvamis-, kliiniliste, geneetiliste ja digitaalsete biomarkerite multimodaalsest integreerimisest; ning läbipaistvamate ja auditeeritavate tehisintellekti süsteemide väljatöötamisest, mis sobivad ohutuks kliiniliseks juurutamiseks.

Lõppkokkuvõttes ei ole tehisintellekt loodud kliinilise oskusteabe asendamiseks. Läbimõeldult kasutades saab see parandada diagnostilist täpsust, võimaldada varasemat sekkumist ja viia valdkonda lähemale personaalsele ravile Parkinsoni tõves.

Kuidas aitab multimodaalne pildistamine Parkinsoni tõve korral haiguse varajast avastamist ja progresseerumise jälgimist?

Biomarkeritel on Parkinsoni tõve patofüsioloogia avastamisel keskne roll. Biomarkerid, mida defineeritakse kui bioloogiliste protsesside mõõdetavaid näitajaid, saavad toetada diagnoosimist, prognoosimist, vastuvõtlikkuse hindamist ja raviohutuse hindamist. Kujutisepõhised biomarkerid pakuvad ülevaadet mehhanismidest, mis ulatuvad kaugemale kliinilistest sümptomitest.

Traditsioonilised biomarkerite valideerimismudelid tuginevad kliinilistele fenotüüpidele – näiteks treemori domineerivatele ja PIGD alatüüpidele – võrdlusstandardina. See aga tekitab eelarvamusi, kuna fenotüübid ei taba Parkinsoni tõve bioloogilist heterogeensust piisavalt hästi. Esitluses vastandatakse seda biomarkeritel põhinevale, fenotüübi-agnostilisele mudelile, mis on kooskõlas tekkivate raamistikega, mis rõhutavad bioloogiliselt sidusate alarühmade määratlemisel molekulaarseid signaale kliiniliste märgiste asemel.

Ettekandes vaadeldi laia spektrit neurokuvamismeetodeid. Dopamiinergilised PET- ja SPECT-tehnikad – näiteks F-DOPA, VMAT2 ja DAT-kuvamine – tuvastavad presünaptilist nigrostriataalset degeneratsiooni ja toetavad Parkinsoni tõve sündroomide, sealhulgas PSP ja MSA, diferentsiaaldiagnostikat. Metaboolne PET-kuvamine näitab, kuidas metaboolsed muutused levivad närvivõrkudes, sidudes metaboolsed mustrid motoorse ja kognitiivse düsfunktsiooniga.

Sünaptilise tiheduse pildistamine SV2A PET-märgiste (nt 18F-SynVesT-1) abil võimaldab in vivo kvantifitseerida sünaptilise terviklikkust ja toob esile varajase sünaptilise haavatavuse degeneratiivsete parkinsonismide korral. MRI-põhised markerid – sealhulgas neuromelaniinitundlik pildistamine, difusioon-MRI (nt vaba vee kaardistamine), rauatundlik pildistamine (QSM, R2*) ja struktuuriindeksid, näiteks MR Parkinsonismi indeks – pakuvad võimsaid tööriistu nigraalse degeneratsiooni hindamiseks, atüüpiliste sündroomide eristamiseks ja progresseerumise jälgimiseks.

Täiendavad meetodid – näiteks südame MIBG stsintigraafia autonoomsete muutuste ja TSPO PET neuroinflammatsiooni hindamiseks – laiendavad biomarkerite võimekust mittedopamiinergilistele ja perifeersetele süsteemidele, mis on kooskõlas Parkinsoni tõve patoloogia multisüsteemsete mudelitega.

Parkinsoni tõbi on multisüsteemne haigus, mis nõuab integreeritud bioloogilist iseloomustamist. Multimodaalne pildistamisstrateegia – koos biomarkeripõhise haiguste klassifikatsiooniga – on oluline varasemaks avastamiseks, paremaks diferentsiaaldiagnoosiks, progresseerumise jälgimiseks ja sihipäraste ravimeetodite väljatöötamiseks.

Alfa-sünukleiini kuvamise olulisus sünukleinopaatiate korral

Sünukleinopaatiate hulka kuuluvad mitmesugused haigused, näiteks Parkinsoni tõbi, Lewy kehadega dementsus ja hulgisüsteemne atroofia. Nende patoloogiline tunnus on alfa-sünukleiinide agregatsioon ja diferentsiaaldiagnostika põhineb endiselt peamiselt kliinilistel tunnustel, mis viib sagedaste valediagnoosideni. Hiljuti on välja pakutud bioloogilisel alusel põhinev klassifikatsioon, kus sünukleiinil on keskne roll (kuigi see pole alati olemas või diagnoosimiseks vajalik), mis võimaldab varasemat ja täpsemat diagnoosi ning pakub lõppkokkuvõttes võimalust varajaseks terapeutiliseks sekkumiseks tulevikus.

Biomarkerite uuringutes on mitmetes bioloogilistes proovides tehtud edusamme ning viimase kümnendi jooksul on pildistamisvaldkonda aktiivselt uuritud spetsiifiliste alfa-syn-märgistajate osas, mis võiksid pakkuda võimalust alfa-syn-tuvastamiseks in vivo mitteinvasiivsel viisil.

Alfa-sünukleiini sihtivate PET-ligandide väljatöötamine on keeruline alfa-syni madala esinemise, selle rakusisese lokaliseerumise ja konformatsioonilise oleku sarnasuse tõttu teiste valesti volditud valkudega. Siiski on mitmed praegu prekliinilistes ja kliinilistes uuringutes uuritavad kandidaatmärgistajad, mille eesmärk on saavutada piisav afiinsus ja selektiivsus, minimeerides samal ajal sihtmärgivälist seondumist.

Ettekandes käsitleti mitmeid kandidaatühendeid, sealhulgas [18F]C05-05 (1), [18F]SPAL-T-06 (2), [18F]ACI-12589 (3), [11C]MODAG-005 (4) ja [18F]F0502B (5). Varased uuringud näitavad, et mõned märgistusained võivad MSA-s teiste sünukleinopaatiatega võrreldes eelistatavalt tuvastada alfa-sün patoloogiat, kuid on vaja täiendavat valideerimist.

Edasised uuringud on kriitilise tähtsusega täppismeditsiini edendamiseks, võimaldades patoloogiliste protsesside visualiseerimist, diagnostilise täpsuse parandamist ja patsiendikeskse lähenemisviisi suunas liikumist, et saavutada tulevikus haigust modifitseerivate ravimeetodite rakendamine sünukleinopaatiate korral.

 

 

Tehtud tööd

Jaotis: Kuidas tehisintellekti praegu Parkinsoni tõve kuvamisvahendites kasutatakse?

  1. Hastings A, Cullinane P, Wrigley S jt. Presünaptilise dopamiinergilise kuvamise neuropatoloogiline valideerimine ja diagnostiline täpsus parkinsonismi diagnoosimisel. Neurology. 11. juuni 2024;102(11):e209453. doi:10.1212/WNL.0000000000209453
  2. Hoglinger GU, Adler CH, Berg D jt. Parkinsoni tõve bioloogiline klassifikatsioon: SynNeurGe uuringu diagnostilised kriteeriumid. Lancet Neurol. Veebruar 2024;23(2):191-204. doi:10.1016/S1474-4422(23)00404-0
  3. Simuni T, Chahine LM, Poston K jt. Neuronaalse alfa-sünukleiinihaiguse bioloogiline definitsioon: integreeritud staadiumisüsteemi väljatöötamise suunas uuringuteks. Lancet Neurol. Veebruar 2024;23(2):178-190. doi:10.1016/S1474-4422(23)00405-2
  4. Zarkali A, Thomas GEC, Zetterberg H, Weil RS. Neurokuvamine ja vedeliku biomarkerid Parkinsoni tõve korral sihipäraste sekkumiste ajastul. Nat Commun. 5. juuli 2024;15(1):5661. doi:10.1038/s41467-024-49949-9
  5. Dennis AP, Strafella AP. Tehisintellekti ja masinõppe roll Parkinsoni tõve ja atüüpiliste parkinsonismide diagnoosimisel. Parkinsonismiga seotud häire. September 2024;126:106986. doi:10.1016/j.parkreldis.2024.106986
  6. Gupta R, Kumari S, Senapati A, Ambasta RK, Kumar P. Parkinsoni tõve tehisintellekti ja masinõppel põhineva tuvastamise, diagnoosimise ja ravi uus ajastu. Ageing Res Rev. september 2023;90:102013. doi:10.1016/j.arr.2023.102013
  7. Myszczynska MA, Ojamies PN, Lacoste AMB jt. Masinõppe rakendused neurodegeneratiivsete haiguste diagnoosimisel ja ravis. Nat Rev Neurol. August 2020;16(8):440-456. doi:10.1038/s41582-020-0377-8
  8. Choi H, Ha S, Kang H, Lee H, Lee DS, Alzheimeri tõve neurokuvamine I. Sügav õppimine ainult normaalse aju PET-uuringuga tuvastab avastamata ajuanomaaliaid. EBioMedicine. Mai 2019;43:447-453. doi:10.1016/j.ebiom.2019.04.022
  9. Palumbo B, Fravolini ML, Buresta T jt. Parkinsoni tõve diagnostiline täpsus 123I-FP-CIT aju SPECT-andmete tugivektorimasina (SVM) analüüsi abil: putaminaalsete leidude ja vanuse mõju. Medicine (Baltimore). Detsember 2014;93(27):e228. doi:10.1097/MD.0000000000000228
  10. Martinez-Murcia FJ, Gorriz JM, Ramirez J, Moreno-Caballero M, Gomez-Rio M. 123I-ioflupaani kuvamise tekstuurimustrite parameetriseerimine parkinsonismi automaatseks tuvastamiseks. Med Phys. Jaanuar 2014;41(1):012502. doi:10.1118/1.4845115
  11. Gaurav R, Valabregue R, Yahia-Cherif L jt. NigraNet: Automaatne raamistik nigraalse neuromelaniini sisalduse hindamiseks varajases Parkinsoni tõve staadiumis, kasutades konvolutsioonilist närvivõrku. Neuroimage Clin. 2022;36:103250. doi:10.1016/j.nicl.2022.103250
  12. Zhang J. Parkinsoni tõve diagnoosimiseks ja varajaseks avastamiseks masinõppe meetodite abil pildi- ja kliiniliste andmete kaevandamine. NPJ Parkinsons Dis. 21. jaanuar 2022;8(1):13. doi:10.1038/s41531-021-00266-8
  13. Meyer PT, Frings L, Rucker G, Hellwig S. (18) F-FDG PET parkinsonismi korral: kognitiivse kahjustuse diferentsiaaldiagnostika ja hindamine. J Nucl Med. Detsember 2017;58(12):1888-1898. doi:10.2967/jnumed.116.186403
  14. Ofori E, Pasternak O, Planetta PJ jt. Parkinsoni tõve mustaines suurenenud vaba vee hulk: ühe- ja mitmekeskuseline uuring. Neurobiol Aging. Veebruar 2015;36(2):1097-104. doi:10.1016/j.neurobiolaging.2014.10.029
  15. Ofori E, Pasternak O, Planetta PJ jt. Parkinsoni tõve mustaines vaba vee pikisuunalised muutused. Brain. August 2015;138(Pt 8):2322-31. doi:10.1093/brain/awv136
  16. Planetta PJ, Ofori E, Pasternak O jt. Vaba vee pildistamine Parkinsoni tõve ja atüüpilise parkinsonismi korral. Brain. Veebruar 2016;139(Pt 2):495-508. doi:10.1093/brain/awv361
  17. Archer DB, Bricker JT, Chu WT jt. Parkinsonismi automatiseeritud pildistamisdiferentseerimise (AID-P) väljatöötamine ja valideerimine: mitmekeskuseline masinõppe uuring. Lancet Digit Health. September 2019;1(5):e222-e231. doi:10.1016/s2589-7500(19)30105-0
  18. Vaillancourt DE, Barmpoutis A, Wu SS jt. Parkinsonismi diagnoosimine automatiseeritud pildistamise teel. JAMA Neurol. 1. mai 2025;82(5):495-505. doi:10.1001/jamaneurol.2025.0112
  19. Garcia Santa Cruz B, Husch A, Hertel F. Masinõppe mudelid Parkinsoni tõve diagnoosimiseks ja prognoosimiseks aju kuvamise abil: üldine ülevaade, peamised väljakutsed ja tulevikusuunad. Front Aging Neurosci. 2023;15:1216163. doi:10.3389/fnagi.2023.1216163
  20. Shokrpour S, MoghadamFarid A, Bazzaz Abkenar S, Haghi Kashani M, Akbari M, Sarvizadeh M. Masinõpe Parkinsoni tõve ravis: andmekogumite, algoritmide ja väljakutsete põhjalik ülevaade. NPJ Parkinsons Dis. 1. juuli 2025;11(1):187. doi:10.1038/s41531-025-01025-9

Jaotis: Alfa-sünukleiini kuvamise olulisus sünukleinopaatiate korral

  1. Endo H, Ono M, Takado Y, Matsuoka K, Takahashi M, Tagai K, Kataoka Y, Hirata K, Takahata K, Seki C jt. α-sünukleiini patoloogiate kuvamine loommudelites ja Parkinsoni tõve ning sellega seotud haigustega patsientidel. Neuron. 2024;112(15):2540–2557.e8. doi: 10.1016/j.neuron.2024.05.006
  2. 2. Matsuoka, K., Ono, M., Takado, Y., Hirata, K., Endo, H., Ohfusa, T., Kojima, T., Yamamoto, T., Onishi, T., Orihara, A., Tagai, K., Takahata, K., Seki, C., Shinotoh, H., Kawamura, K., Shimizu, H., Shimada, H., Kakita, A., Zhang, M.-R., Suhara, T. ja Higuchi, M. (2022), α-sünukleiini patoloogiate kõrge kontrastsusega pildistamine elavatel patsientidel, kellel on mitmesüsteemne atroofia. Mov Disord, 37: 2159-2161
  3. 3. Smith, R., Capotosti, F., Schain, M. jt. α-sünukleiini PET-märgistaja [18F] ACI-12589 eristab hulgisüsteemi atroofiat teistest neurodegeneratiivsetest haigustest. Nat Commun 14, 6750 (2023)
  4. 4. Saw R, Buss S, Schmidt F, Ryazanov S, Leonov A, Bleher D, Gotegerd A, Kuebler L, Roben B, Schmidt F, Reimold M, Bonanno F, Ruf V, Dahl B, Sandiego C, Henry K, Papadopoulos I, Schaller M, Kahle P, Levin J, Gasser T, Brockmann K, Reischl G, Fougere C, Pichler B, Maurer A, Griesinger G, Giese A, Herfert K. REsearch Square, 2024 (trükieelne)
  5. 5. Xiang J, Tao Y, Xia Y, Luo S, Zhao Q, Li B, Zhang X, Sun Y, Xia W, Zhang M, Kang SS, Ahn EH, Liu X, Xie F, Guan Y, Yang JJ, Bu L, Wu S, Wang X, Cao X, Liu C, Zhang Z, Li D, Ye K. α-sünukleiini positronemissioon-tomograafia märgistusaine väljatöötamine sünukleinopaatiate kuvamiseks. Cell. 2023 3. august;186(16):3350-3367.e19

 

 

Loe edasi Liikudes edasi:

Täisväljaanne    Arhiiv