帕金森病亚型中的大脑铁沉积差异:一项针对震颤为主型与姿势不稳/步态困难型表型的比较定量 susceptibility mapping 研究
《Frontiers in Neurology》:Differential brain iron deposition in Parkinson’s disease subtypes: a comparative quantitative susceptibility mapping study of tremor-dominant versus postural instability/gait difficulty phenotypes
【字体:
大
中
小
】
时间:2026年03月24日
来源:Frontiers in Neurology 2.8
编辑推荐:
摘要
引言:本研究利用定量磁化率成像(QSM)技术来探讨帕金森病(PD)不同运动亚型中的大脑铁沉积模式。我们比较了以震颤为主(TD)和以姿势不稳/步态困难为特征(PIGD)的患者,分析了铁沉积与核心运动症状之间的关联,并进一步探讨了其作为与临床亚型相关的影像学特征的潜力。
摘要
引言:本研究利用定量磁化率成像(QSM)技术来探讨帕金森病(PD)不同运动亚型中的大脑铁沉积模式。我们比较了以震颤为主(TD)和以姿势不稳/步态困难为特征(PIGD)的患者,分析了铁沉积与核心运动症状之间的关联,并进一步探讨了其作为与临床亚型相关的影像学特征的潜力。
方法:本研究共纳入45名PD患者(25名TD-PD患者,20名PIGD-PD患者)和23名健康对照组。在双侧尾状核(CN)、齿状核(DN)、苍白球(GP)、壳核(PUT)、红核(RN)、黑质(SN)和丘脑(TH)中测量了QSM值。
结果:与对照组相比,两组PD患者在多个脑区的铁含量均有所升高。值得注意的是,TD患者的DN磁化率显著高于PIGD患者和对照组,且DN磁化率与整个PD队列中的震颤严重程度呈正相关(rs = 0.339,p = 0.023)。结合DN磁化率和左旋多巴等效日剂量的联合模型能够有效区分TD和PIGD亚型,曲线下面积(AUC)为0.898。
讨论:这些发现表明,帕金森病的不同运动亚型具有不同的大脑铁分布模式,其中TD亚型的DN铁沉积增加。这支持了小脑-丘脑-皮质(CTC)回路在震颤中的作用,并强调了齿状核铁沉积作为与震颤为主表型相关的重要影像学特征。
引言
帕金森病(PD)是一种具有显著临床异质性的神经退行性疾病。根据运动症状的表现,通常将其分为以震颤为主型(TD-PD)、以姿势不稳/步态困难为特征型(PIGD-PD)和混合型(1)。不同亚型在疾病进展速度、认知衰退风险和治疗反应方面存在显著差异(2-4),这表明其潜在的神经病理生理机制各不相同。TD-PD中的震颤被认为与小脑-丘脑-皮质(CTC)回路的功能障碍密切相关(5, 6),而不仅仅是黑质-纹状体多巴胺系统的经典耗竭(7, 8)。相比之下,PIGD-PD的轴向症状更与传统的黑质-纹状体多巴胺能通路的退行性变化及广泛的非多巴胺能系统的参与有关(9, 10)。异常的大脑铁沉积是PD的一个重要病理特征,与氧化应激、神经炎症和多巴胺能神经元死亡密切相关(11, 12)。定量磁化率成像(QSM)作为一种磁共振后处理技术,能够无创且定量地评估大脑中铁沉积的含量,为探讨PD的亚型特异性病理变化提供了新的工具。尸检研究证实了大脑组织中的铁沉积与QSM测量的磁化率值之间存在线性关系(13)。鉴于QSM在铁检测方面的优越定量能力,当前研究越来越多地使用该技术来检查PD中的大脑铁差异。以往的研究主要集中在基底节区域,如黑质和苍白球(14-16),而对与非多巴胺能系统相关的核团(如小脑)中的铁沉积关注较少(17)。PD运动亚型的铁沉积模式仍不完全清楚(18, 19)。因此,本研究旨在使用QSM系统地比较TD-PD和PIGD-PD患者整个大脑中多个感兴趣区域的铁沉积差异,分析其与特定症状(如震颤和姿势/步态障碍)的关联,并进一步探讨影像学指标与临床亚型之间的关联,以提供理解PD临床异质性的新影像学证据。
方法
研究参与者
本研究为横断面研究。研究对象为2024年5月至2025年8月期间就诊于湖州中心医院神经科的PD患者,同时纳入23名年龄和性别匹配的健康志愿者。患者纳入标准:(1)符合运动障碍协会(MDS)2015年PD临床诊断标准(20);(2)处于“ON”状态,能够配合MRI扫描和临床评估;(3)具有稳定的抗PD药物方案。排除标准:(1)患有可能导致运动障碍或其他异常大脑铁沉积的其他神经系统疾病;(2)具有MRI检查禁忌症;(3)临床或影像学数据不完整。同时招募了年龄和性别匹配的健康对照组(HC)。所有参与者均签署了书面知情同意书。
临床评估和运动亚型分类
收集了所有参与者的 demographic 数据。两名神经科医生使用统一帕金森病评分量表(UPDRS)、Hoehn & Yahr(H-Y)分期和蒙特利尔认知评估(MoCA)对PD患者进行评估。根据转换因子记录了左旋多巴等效日剂量(LEDD)(21, 22)。运动亚型分类:根据MDS推荐的方法,基于UPDRS-II和UPDRS-III的子项计算震颤评分和PIGD评分。震颤评估包括UPDRS的8个项目(每个项目得分0-4):(1)UPDRS-II项目16(震颤);(2)UPDRS-III项目20a(面部静止震颤);(3)UPDRS-III项目20b(右侧上肢静止震颤);(4)UPDRS-III项目20c(左侧上肢静止震颤);(5)UPDRS-III项目20d(右侧下肢静止震颤);(6)UPDRS-III项目20e(左侧下肢静止震颤);(7)UPDRS-III项目21a(右侧上肢动作或姿势震颤);(8)UPDRS-III项目21b(左侧上肢动作或姿势震颤)。PIGD评估包括5个项目(每个项目得分0-4):(1)UPDRS-II项目13(跌倒);(2)UPDRS-II项目14(冻结);(3)UPDRS-II项目15(行走);(4)UPDRS-III项目29(步态);(5)UPDRS-III项目30(姿势稳定性)。计算震颤评分与PIGD评分的比值。比值≥1.5定义为TD,比值≤1定义为PIGD,比值在1到1.5之间定义为混合型(在本研究中未将混合型纳入组间比较)。
MRI数据采集和QSM处理
所有扫描均使用Siemens Magnetom Prisma 3.0 T MRI扫描仪和64通道头部线圈完成。采用多回波3D梯度回波序列进行QSM重建,参数如下:重复时间(TR)= 46 ms;六个等间隔的回波,回波时间(TE)分别为7.25、12.0、16.75、21.5、26.25和31.0 ms;翻转角(flip angle)= 20°;视野(FOV)= 220 mm × 177 mm;矩阵大小(matrix size)= 256 × 256;切片厚度(slice thickness)= 2 mm,无切片间隙;共64层,得到体素大小为0.5 × 0.5 × 2 mm。成像范围覆盖整个大脑。选择各向异性体素大小是为了在分辨率和信噪比(SNR)之间取得平衡。各向同性0.5 × 0.5 × 0.5 mm的分辨率会使体素体积减少四倍,导致SNR显著下降。优先选择0.5 mm的平面分辨率以准确勾勒深部脑核,而2 mm的切片厚度因这些核在上下方向上相对较厚且我们的分析关注整个核的平均值而被认为是可接受的。为减少采集时间,采用了加速因子为2的并行成像(mSENSE)技术。采集时间为8分7秒。扫描切片沿T1WI-MPRAGE图像确定的从前联合部到后联合部(AC-PC)线排列。扫描过程中为参与者提供耳塞,并要求其保持静止。使用泡沫垫固定头部以减少运动伪影。
QSM图像后处理使用美国康奈尔大学开发的MEDI工具箱在MATLAB中进行(23)。通过时间反卷积和加权最小二乘拟合利用多回波GRE数据的相位图像来估计总场图,使用幅度引导算法校正残余的空间缠绕。使用FSL BET生成脑掩模并手动调整以排除脑外组织。然后使用MEDI算法计算磁化率图,并应用形态学正则化。最后,将磁化率值参照胼胝体上方的白质进行校正。放射科医生使用以下评分系统独立评估QSM图像质量:1 = 非常好(几乎没有伪影);2 = 良好(可见伪影);3 = 较差(明显运动伪影);4 = 非常差(显著运动伪影);5 = 无法诊断。评分超过2分的受试者被排除在进一步分析之外。此外,还进行了常规的轴位T1加权成像(T1WI)、轴位T2加权成像(T2WI)、轴位扩散加权成像(DWI)和矢状位T2WI。这些常规序列用于排除其他神经系统疾病。
感兴趣区域(ROIs)的勾画
使用ITK-SNAP软件在QSM图像上手动勾画感兴趣区域(ROIs)(1)。根据QSM图像上显示为高信号区的深部脑核边界逐层勾画ROIs,这些区域反映了与异常铁沉积相关的升高磁化率值(13, 24)。为确保核边界的清晰勾画,所有ROIs勾画均在4倍放大条件下进行,并参考T1WI-MPRAGE和常规MRI序列(25)。在轮廓绘制过程中应用了1像素向内的偏移,以确保勾画区域局限于核内组织,同时避开基底节区域的扩张血管周围空间和生理钙化。勾画的ROI包括:尾状核(CN)、齿状核(DN)、苍白球(GP)、壳核(PUT)、红核(RN)、黑质(SN)和丘脑(TH)。计算每个ROI的平均磁化率值,并以十亿分之一(ppb)表示。所有勾画均由不了解临床数据的放射科医生完成。所有放射科医生都接受了ROI勾画的培训。为减少评分者间的差异,每个ROI测量两次,取两次测量的平均值进行分析。然后计算每个ROI的磁化率值,作为双侧结构的平均值(16, 26)。第一位放射科医生为所有参与者勾画ROI。通过将第二位不知情的放射科医生重新勾画的15名随机选择者的结果进行比较来评估评分者间的可靠性,组内相关系数(ICC)为0.948(95% CI,0.924–0.964)。
统计分析
统计分析使用SPSS 22.0进行。连续变量的正态性通过Shapiro–Wilk检验评估。正态分布的连续数据以均值±标准差表示,并使用单因素方差分析(ONEWAY ANOVA)或独立样本t检验进行比较。非正态分布的数据以中位数(四分位数范围)表示,并使用非参数检验进行比较。分类数据使用卡方检验进行比较。为了比较三组之间的QSM值,进行了一元协方差分析(ANCOVA),以每个脑区的QSM值为因变量,组别为固定因素,年龄和性别为协变量。使用Bonferroni方法进行了事后多重比较。还进行了另一次ANCOVA,包括年龄、性别、疾病持续时间、H&Y分期和LEDD作为协变量,以控制潜在的临床差异带来的混淆。
Spearman等级相关性用于分析大脑QSM值与临床评分之间的相关性。这些分析基于文献中的先验假设,主要关注两个关联:DN铁沉积与震颤之间的关联,以及SN铁沉积与运动症状之间的关联(27, 28)。为了解决多重比较问题,对这些关联应用了Bonferroni校正。所有其他相关性均为探索性分析。
为了识别区分PIGD和TD亚型的预测因子,进行了二元逻辑回归分析(前向:LR方法),以亚型(定义为PIGD = 0,TD = 1)为因变量,年龄、性别、疾病持续时间和显示组间差异的脑区QSM值为自变量。为了评估逻辑回归模型的潜在过拟合,使用自助法(bootstrapping)进行1000次重采样进行内部验证,计算校正后的曲线下面积(AUC)。构建了接收者操作特征(ROC)曲线,并计算了三个模型的曲线下面积(AUC):(1)临床模型(年龄、性别、疾病持续时间、LEDD);(2)仅影像模型(DN QSM值);(3)组合模型(临床变量和DN QSM值)。使用DeLong检验比较了临床模型和组合模型的AUC。p值< 0.05被认为具有统计学意义。
我们还基于主要结果(TD和PIGD之间的DN差异)进行了事后功效分析,以评估样本量的充分性。
人口统计学和临床特征比较
表1显示了所有参与者的基本人口统计学特征。共纳入25名TD患者、20名PIGD患者和23名健康对照组。三组之间的年龄或性别分布无显著差异(p > 0.05)。TD组和PIGD组之间的比较显示,PIGD组的病程更长,H-Y分期更高,UPDRS总分以及第一部分(情绪、行为和心情)、第二部分(日常生活活动)和第三部分(运动检查)的得分也更高,LEDD更大,并且MoCA得分呈下降趋势(p = 0.059)。核心运动症状在不同亚型之间有明显的差异:TD组的震颤得分更高,而PIGD组的PIGD得分显著更高(所有p < 0.05)。
表1 变量 TD-PD(n = 25) PIGD-PD(n = 20) HC(n = 23)
统计量 年龄(岁) 63.84 ± 9.73 65.80 ± 10.27 61.52 ± 6.90 F = 1.205 0.306
性别(男/女) 9/16 12/8 11/12 χ2 = 2.577 0.276
病程(年) 2(1.25, 5) 5(2, 10) –U = 157.000 0.033
LEDD(mg) 200.00(87.50, 325.00) 387.50(300.00, 506.25) –U = 87.500 <0.001
H-Y分期 2.0(1.5, 2.0) 3.0(2.125, 4.0) –U = 62.000 <0.001
UPDRS总分 31.32 ± 13.20 58.25 ± 20.70 –t = –5.303 <0.001
UPDRS-I 2.44 ± 1.50 4.15 ± 2.06 –t = –3.220 0.002
UPDRS-II 7.88 ± 3.69 15.85 ± 7.32 –t = –4.438 <0.001
UPDRS-III 18.00(10.50, 25.00) 30.50(24.25, 44.75) –U = 98.000 0.001
震颤得分 6.00(4.00, 9.50) 4.00(2.00, 8.00) –U = 159.500 0.038
PIGD得分 2.00(1.00, 3.50) 8.00(6.00, 11.00) –U = 25.000 <0.001
MoCA 25.00(21.50, 27.00) 21.50(17.25, 25.50) –U = 167.500 0.059
不同PD亚型和健康对照组(HC)的人口统计和临床数据。数据以平均值±标准差或中位数(四分位数范围)表示。UPDRS:统一帕金森病评分量表;H-Y:Hoehn & Yahr分期;LEDD:左旋多巴等效日剂量;MoCA:蒙特利尔认知评估。
在控制年龄和性别因素后,使用Bonferroni校正的ANCOVA分析显示三个组在多个脑区的QSM值存在显著差异(表2)。如图1所示,与HC组相比,TD组的DN、PUT、RN和SN区的磁化率显著更高(所有校正后的p < 0.05)。PIGD组的PUT和SN区的磁化率也显著更高(两个校正后的p < 0.05)。TD组的DN区磁化率显著高于HC组和PIGD组(校正后的p = 0.005和p = 0.013)。在PIGD组和HC组之间未发现DN区磁化率的差异。为了控制潜在的临床差异干扰,我们进行了额外的ANCOVA分析,包括年龄、性别、病程、H-Y分期和LEDD作为协变量。TD组和PIGD组之间的DN区磁化率差异仍然显著(F = 9.266, p = 0.004, 部分η2 = 0.200)。在SN区,两种PD亚型的磁化率均显著高于HC组(校正后的p < 0.05),但TD组和PIGD组之间没有差异。
图1 显示了TD、PIGD和HC组所有ROI的QSM值箱线图。数据以箱线图形式呈现。*p < 0.05, **p < 0.01。
脑磁化率与临床症状之间的相关性
Spearman相关性分析表明,在整个PD队列中(n = 45,rs = 0.339,p = 0.023),DN区的QSM值与震颤得分呈正相关,这一关联在Bonferroni校正后仍具有统计学意义(p < 0.025,如图2所示)。在TD-PD组内也观察到了这种相关性(rs = 0.405,p = 0.045),但在PIGD-PD组中未发现显著相关(rs = 0.748,p = 0.077)。SN区的磁化率与UPDRS-III运动得分呈显著正相关(rs = 0.362,p = 0.011),这种相关性在Bonferroni校正后仍然成立。对其他脑区(CN、GP、PUT和TH)的探索性分析未发现与震颤或其他临床指标的显著相关性(所有p > 0.05)。
基于逻辑回归的亚型鉴别模型
进行了带有向前逐步选择(似然比)的二元逻辑回归,以亚型(TD = 1,PIGD = 0)为因变量,年龄、性别、病程、LEDD和DN QSM值为自变量。最终模型包括两个独立预测因子:LEDD和DN QSM值,如表3所示。LEDD的OR小于1(OR = 0.989,p = 0.002),表明较高的LEDD与PIGD亚型相关。相反,DN QSM值的OR大于1(OR = 1.039,p = 0.014),表明较高的DN磁化率与TD亚型相关。该模型具有统计学意义(χ2 = 26.638,p < 0.001),Nagelkerke R2为0.598。总体预测准确率为75.6%,敏感性为76.0%,特异性为75.0%。我们进一步使用ROC分析评估了两种模型的鉴别能力:仅基于影像学的模型(DN QSM值)和结合影像学和临床信息的模型(LEDD和DN QSM值)。如图3所示,仅基于影像学的模型的AUC为0.784(95% CI,0.643–0.925,p = 0.001),表明其区分TD和PIGD亚型的能力适中。结合模型的AUC为0.902(95% CI,0.817–0.987,p < 0.001)。为了评估潜在的过度拟合情况,我们使用自助法进行了内部验证。结合模型的优化校正AUC为0.898,收缩系数为0.982,表明过度拟合情况轻微,模型稳定性良好。
进一步基于DN磁化率差异进行了亚型鉴别后的功效分析。根据Cohen's d = 0.99、alpha = 0.05和功效 = 0.80的计算,每组所需的样本量为18。我们的实际样本量(TD = 25,PIGD = 20)超过了这一要求,表明主要比较的效力足够。
讨论
本研究利用定量磁化率映射(QSM)来比较帕金森病不同运动亚型之间的脑铁沉积差异。我们使用QSM来测量磁化率,因为它与深部脑核中的铁沉积密切相关。研究结果表明,震颤主导型(TD)和姿势不稳/步态困难型(PIGD)患者在临床表现和小脑铁沉积方面存在显著差异。值得注意的是,小脑齿状核(DN)的磁化率水平与震颤严重程度密切相关。这为帕金森病的临床异质性提供了影像学证据,并表明QSM可能是一种有用的工具,可用于表征特定亚型的脑铁模式。
临床上,PIGD-PD患者的病程更长,H-Y分期更高,非运动症状(例如神经精神症状)和运动症状更严重,左旋多巴等效日剂量(LEDD)也显著更高。这与先前的研究结果一致(29, 30),这些研究表明PIGD亚型与疾病进展更快、多巴胺能缺陷更严重以及预后更差相关。Aleksovski等人(29)在为期四年的纵向随访研究中观察到PIGD患者认知功能下降更为明显。尽管在本研究中未发现显著差异,但组间比较显示PIGD患者的认知水平也呈下降趋势(p = 0.059)。相比之下,TD-PD患者的疾病进展相对较慢(31, 32),并且他们对多巴胺能药物的反应也更具异质性(33)。
本研究发现,TD患者的DN铁沉积显著高于健康对照组和PIGD组(两个p < 0.05)。相关性分析进一步表明,在整个PD组中,DN QSM值与震颤得分之间存在显著正相关(rs = 0.339,p = 0.023),这一关联在TD-PD组内也存在(rs = 0.405,p = 0.045),但在PIGD-PD组中未达到统计显著性。尽管TD-PD组的相关性在Bonferroni多重比较校正后未通过(显著性阈值设定为p < 0.025),但由于样本量较小以及中等效应大小(r = 0.405)及其与总体发现的一致性,这种相关性仍具有生物学合理性。这些结果与先前的研究一致,强调了在更大样本量中进行进一步研究的必要性。Zhang等人(26)指出DN是铁沉积量较高的脑核之一,且其QSM值仅在TD患者中显著升高。Guan等人(34)也观察到TD患者的DN和红核中的铁沉积与震颤严重程度相关。Chen等人(35)明确报告PIGD-PD患者的DN铁沉积低于TD-PD患者,推测小脑在PIGD亚型中可能处于活动减少的状态。这与TD亚型中CTC回路过度活跃的假设相反,强调了小脑在运动调节和姿势稳定性中的核心作用。总体而言,这些证据表明DN中的铁沉积是亚型相关的影像学特征,可能有助于区分TD-PD。
本研究的一个有趣发现是,尽管TD患者的整体疾病负担较轻(表现为病程较短、H-Y分期较低和LEDD较低),但其DN铁沉积量高于PIGD患者。这一看似矛盾的发现表明,DN的参与可能与震颤的病理生理机制有关,而不仅仅是疾病进展的反映。多项证据支持这一解释。首先,DN铁沉积与整个PD队列和TD亚组内的震颤严重程度相关,但与病程或H-Y分期无显著相关性。其次,先前的研究也报告TD患者的DN铁沉积升高,但其他疾病严重程度标志物没有相应增加(26, 35)。此外,越来越多的证据表明小脑及其输出通路是产生震颤的关键节点,功能成像研究显示TD-PD患者的CTC回路存在代谢亢进和连接性改变(5, 6, 37)。综上所述,这些证据表明TD-PD中DN铁沉积反映了特定亚型的特征,可能有助于区分TD-PD。
基于这些发现,我们使用二元逻辑回归构建了一个鉴别模型。最终逐步回归模型保留了LEDD和DN QSM值作为独立预测因子,表明较高的DN铁沉积是TD亚型的独立预测因子。该模型具有良好的鉴别能力,AUC为0.902(95% CI,0.817–0.987)。自助法内部验证(1,000次重采样)证实了其稳定性,优化校正后的AUC为0.898,收缩系数为0.982,表明过度拟合情况轻微。仅基于影像学的模型(DN QSM值)的AUC为0.784(95% CI,0.643–0.925,p = 0.001),表明其区分TD和PIGD亚型的能力适中。进一步比较了临床模型(年龄、性别、病程、LEDD)和结合影像学和临床信息的模型(年龄、性别、病程、LEDD、DN QSM值),发现结合模型的AUC更高(AUC为0.898,95% CI,0.810–0.986),最佳临界值为0.241,敏感性为100.0%,特异性为65.0%。DeLong检验显示两种AUC之间没有显著差异(ΔAUC = 0.042,p = 0.554),表明添加DN铁沉积信息并未显著提高鉴别能力。因此,将这些因素纳入模型并不会引入循环性;相反,它使我们能够测试铁沉积是否提供了超出这些常规临床指标的信息。尽管LEDD受到疾病严重程度和亚型分类的影响,但将其纳入模型是一种保守的调整方法,用于测试铁沉积是否提供了独立于这一临床相关变量的信息。在调整了LEDD之后,DN中的磁化率仍然是一个显著的预测因素,这增强了这种关联的有效性。然而,DN铁沉积与TD亚型之间的独立关联支持了CTC回路在震颤病理生理学中的作用。DN铁沉积与临床变量(如LEDD)之间的重叠在生物学上是合理的:齿状核的病理变化可能影响临床表型,进而表现为不同的临床特征和药物需求。这一解释与Parkinson病运动亚型源于不同神经回路脆弱性的观点一致。
相比之下,黑质(SN)中的铁沉积在TD组和PIGD组中都显著高于健康对照组,但两种PD亚型之间没有统计学差异。这表明SN铁异常是PD亚型中的一个共同病理特征,主要反映了多巴胺能神经元的退化,但其程度不足以区分不同的运动亚型。目前公认的PD病理机制主要位于黑质-纹状体多巴胺能系统中(38),而SN铁沉积异常被广泛认为是关键的病理特征(15, 39, 40)。然而,研究表明与α-突触核蛋白相关的病理变化也存在于帕金森病患者的小脑中(41–43)。许多研究在人类小脑中检测到了高水平的多巴胺和多巴胺能受体亚型(44, 45),表明小脑在PD的发病机制中起着重要作用,特别是在震颤的发展中。DN和SN铁沉积模式之间的差异表明,PD的临床异质性可能源于不同神经回路对病理损伤的不同敏感性:TD症状可能更多地受到小脑和小脑-丘脑-皮质(CTC)回路功能障碍的影响(5, 6),而PIGD症状可能更多地与黑质-纹状体通路和纹状体-丘脑-皮质(STC)通路有关(46)。
从机制上讲,DN(小脑的主要输出核)中的异常铁沉积可能反映了该区域由于氧化应激和神经炎症等过程引起的神经元代谢紊乱。这种结构变化可能会干扰CTC回路的正常功能和节律调节,从而促进震颤的产生和维持。功能成像研究还表明TD-PD和PIGD-PD患者之间的大脑网络连接模式存在差异,尤其是在涉及小脑和感觉运动网络的回路中(38, 47–50)。近年来,“Finger-Switch-Dimmer”模型进一步补充了Duval等人的研究(51),基于Helmich等人的工作(52),提出PD震颤可能起源于基底节(手指),特别是内侧苍白球。丘脑产生震颤振荡(开关),这些振荡通过CTC回路被放大和调节,起到“调光器”的作用(8, 53–55)。我们的研究发现DN铁沉积与震颤之间的相关性,以及TD亚型中DN的特定改变,为这一假说提供了直接的定量成像支持,进一步强调了小脑在PD震颤机制中的关键作用。
这些发现可能具有几个临床意义。首先,即使在校正了临床混杂因素后,DN铁沉积与TD亚型之间的独立关联表明QSM可以作为亚型特征的辅助成像生物标志物。这可能有助于患者的临床试验分层,并有助于更细致地了解个体预后。其次,DN和SN受累之间的差异支持了PD运动亚型源于不同神经回路病理学的观点。对于TD亚型,调节CTC回路功能或探索旨在减少小脑核中铁沉积或氧化应激的神经保护策略可能更精确地缓解震颤。对于PIGD亚型,重点可能在于优化多巴胺替代疗法、针对非多巴胺系统的联合治疗以及积极的步态康复。这些基于回路的见解最终可能指导更个性化的治疗手段。然而,鉴于横断面设计,需要纵向研究来确定DN铁沉积是先于还是随后于震颤的临床表现。
**局限性**
这项研究存在一些局限性。首先,横断面设计无法建立铁沉积与亚型特征之间的因果关系,也无法描绘它们的动态演变轨迹。其次,尽管基于事后功效分析确定总体样本量足以进行TD组和PIGD组之间的主要比较,但对于某些次要探索来说样本量有限。特别是,PIGD亚型患者数量较少(n=20),这在亚组相关分析(例如,在PIGD组内)和逻辑回归建模中可能会降低检测较弱关联的统计功效,并增加模型过度拟合的风险,即使使用了逐步选择和内部验证。因此,这些次要分析的结果应谨慎解释,并需要在更大、独立的队列中得到验证。第三,未来需要大规模的纵向研究来验证DN铁沉积的时间变化及其与临床症状进展的关系。同时,结合多模态神经成像、遗传学和体液生物标志物的综合分析将有助于构建更全面和精确的PD亚型分类和预测系统。
**结论**
总之,这项QSM研究表明,帕金森病的不同运动亚型对应不同的脑铁沉积模式。震颤主导(TD)亚型的一个特征是小脑齿状核中铁沉积增加,这与震颤症状相关。这种关联支持了小脑-丘脑-皮质(CTC)回路在震颤病理生理学中的作用,并突显了齿状核铁作为与该特定运动表型相关的潜在成像特征。姿势不稳定/步态困难(PIGD)亚型与更高的疾病严重程度和更高的多巴胺能药物需求相关。齿状核铁含量可能是与TD亚型相关的有用成像特征。这些发现从脑铁代谢的角度加深了对PD临床异质性的病理基础的理解,并为不同运动表型背后的神经回路提供了新的见解。