《npj Parkinson's Disease》：Data-driven subtyping of early Parkinson’s disease via mutual cross-attention fusion of EEG and dual-task gait features
编辑推荐：
本研究针对帕金森病(PD)显著的临床异质性给早期诊断和精准治疗带来的挑战，开发了一种数据驱动的多模态融合框架。该研究创新性地结合静息态脑电图(EEG)和双任务步态特征，通过互交叉注意力(MCA)机制进行融合，成功识别出三个具有显著临床差异的早期PD亚型。研究结果表明，基于双任务步态的融合模型在亚型区分上优于传统方法，中央区β和θ频段EEG活动以及转身步长等双任务步态指标是亚型分化的关键特征。纵向随访进一步揭示了亚型特异性康复反应，为PD精准医学提供了新的数字化表型分析工具。
帕金森病作为第二大神经退行性疾病，一直以其复杂的临床表现和异质性进展轨迹困扰着临床医生和研究人员。这种"千人千面"的疾病特征使得早期诊断、预后判断和治疗方案制定都面临着巨大挑战。传统的帕金森病分型方法主要依赖于震颤主导型(TD)和姿势不稳/步态障碍型(PIGD)的临床分类，但这些基于主观量表的分类往往难以捕捉患者之间细微但重要的神经生理和行为功能差异。
更令人困扰的是，随着疾病进展，患者的亚型特征还会发生动态变化，这种不稳定性进一步限制了传统分型方法的临床应用价值。面对这一困境，数据驱动的亚型识别方法应运而生，成为破解帕金森病异质性难题的新希望。然而，现有的多模态融合方法在整合不同类型数据时，往往难以充分挖掘模态间复杂的相互作用关系。
正是在这样的背景下，天津大学明东教授团队在《npj Parkinson's Disease》上发表了一项创新性研究，他们开发了一种基于互交叉注意力机制的多模态融合框架，成功实现了帕金森病早期的精准亚型分类。这项研究突破了传统单模态数据的局限，开创性地将静息态脑电与双任务步态特征相结合，为帕金森病的精准医疗提供了新的技术路径。
研究团队采用了几项关键技术方法：招募了40名特发性早期帕金森病患者（来自天津医科大学总医院神经内科），采集静息态脑电信号和单任务/双任务步态数据；使用卷积神经网络(CNN)从脑电功率谱密度(PSD)特征中学习与运动严重程度(MDS-UPDRS-III)相关的表征；通过互交叉注意力(MCA)机制实现脑电与步态特征的双向融合；采用k均值聚类进行亚型识别，并通过特征贡献度分析确定关键生物标志物。
多模态融合与亚型识别
研究人员首先验证了脑电PSD特征对运动障碍的预测价值。遮挡分析显示，中央区θ频段活动以及中央区β频段和枕叶α频段活动具有最强的预测权重，证实这些特征编码了与运动严重程度相关的临床意义信息。随后，这些经过验证的PSD特征与单任务和双任务步态指标进行融合，生成多模态嵌入用于亚型识别。
通过肘部法则确定最优聚类数目为3个，基于双任务融合的亚型显示出更高的轮廓系数，表明聚类效果更好、亚型间分离更明显。与传统的TD/PIGD分类相比，MCA融合方法产生的亚型具有更强的临床可区分性，因此研究选择聚焦于双任务衍生的三个亚型进行后续分析。
亚型的临床和神经生理特征
三个亚型呈现出显著的临床、步态和脑电特征差异。亚型I患者表现出最严重的运动缺陷，MDS-UPDRS-III评分显著高于亚型III，具有更明显的强直症状和上肢灵活性受损。步态分析显示该亚型关节活动度、步长和步行速度均显著降低。
亚型II表现为中度运动障碍，但生活质量相对较好，身体不适感较轻。脑电地形图显示该亚型在额叶和顶叶区域具有升高的β频段PSD，其中右侧顶叶通道P8在经过多重比较校正后仍保持显著差异。
亚型III运动症状最轻微，强直程度最低，步态功能相对保留，但社会支持和认知方面表现较差。这些特征与早期帕金森病中常见的"不确定"亚型相符，即既未完全表现为PIGD也未完全表现为震颤主导特征。
聚类特征重要性分析
通过基于掩蔽的差异度评分量化各特征对亚型分化的贡献。结果显示，中央区β频段PSD和枕叶α频段PSD在脑电特征中对聚类结构的影响最大。在步态参数中，双任务直线行走时髋关节矢状面活动度和转身时的步长对亚型分离的影响最为显著。
纵向康复反应
在完成3个月康复计划的35名患者中，运动改善程度存在亚型特异性差异。虽然整体组间效应不显著，但亚型I显示出最大的MDS-UPDRS-III评分平均降低值(-10.50分)，而亚型II和III分别降低-2.30和-3.90分。重要的是，多巴胺能药物治疗在整个干预期间保持稳定，表明确切的改善并非由药物剂量调整驱动。
全队列分析显示，较大的运动改善与几个基线特征显著相关，包括双任务步态指标。然而，当按亚型分层分析时，这些关联仅在亚型III中显著，而在亚型I或II中未观察到显著相关性。
研究结论与意义
这项研究成功开发了一个数据驱动的多模态框架，通过整合静息态脑电和双任务步态数据，识别出具有临床意义的帕金森病亚型。研究结果表明，基于双任务步态的特征融合能够比单任务数据产生更具临床区分度的亚型分类，凸显了双任务范式在检测帕金森病复杂认知-运动功能障碍方面的增强敏感性。
特征贡献分析揭示了特定的脑电频带和双任务运动学参数是亚型分离的关键驱动因素。纵向随访进一步显示了亚型特异性的康复反应，支持基线神经生理特征的预后价值。这些发现为帕金森病的精准医疗奠定了基础，为开发亚型特异性干预措施和改善临床结局提供了有希望的途径。
研究的创新之处在于将注意力机制应用于多模态数据融合，通过互交叉注意力机制动态调整各模态在整合过程中的贡献，从而更好地捕捉帕金森病的多面异质性特征。尽管注意力架构通常需要大量数据，但互交叉注意力在小样本应用中表现出良好特性，通过操作预设计的低维特征降低了模型复杂度和过拟合风险。
这项研究不仅为帕金森病的数字化表型分析提供了新方法，也为理解疾病异质性的神经机制提供了新视角。通过将行为表现与底层神经活动相联系，研究揭示了认知负荷下受损的运动自动性可能是帕金森病异质性的关键驱动因素，这反映了基底节-丘脑-皮层和额顶叶网络的功能障碍。这些发现为未来开发针对特定亚型的个性化干预策略奠定了重要基础。
