帕金森病(PD)是一種神經退行性疾病，其特征是黑質多巴胺能神經元逐漸喪失，受影響細胞的胞質中存在路易體。臨床特征是運動遲緩、僵硬和靜止性震顫，此外還有非運動症狀，如自主神經、認知、精神、感覺和睡眠障礙，這些症狀可能先於運動功能障礙。多巴胺替代療法可緩解PD的運動功能障礙，這意味著突觸後的多巴胺能係統被相對保留。這種有效性將PD與非典型帕金森綜合征(APS)區分開來，包括多係統萎縮(MSA)、進行性核上麻痹(PSP)和皮質基質綜合征(CBS)。

        由於APS的運動功能障礙通常對多巴胺能治療無效，與PD相比，APS的疾病進展和預後不佳。因此，早期和準確的診斷是至關重要的。多巴胺轉運體(DAT)單光子發射計算機斷層掃描(SPECT)使用放射性配體，如123I-N-ω-氟丙基-2β-甲氧羰基-3β-{4-碘苯基}諾托品(123I-FP-CIT)，可以使紋狀體突觸前多巴胺能功能可視化。紋狀體DAT結合異常減少是PD的強製性發現，並可能有助於早期診斷，以區別於原發性震顫患者。

        盡管如此，APS的特點是紋狀體DAT結合率低，使用低紋狀體DAT結合率很難區分PD和APS。另一個限製是隨著正常老化，黑質體功能減退，使得在不同年齡段的人中量化紋狀體DAT結合具有挑戰性。最近，為了克服這個問題，在一項大規模的多中心定量研究中，引入了一種方法來規範123I-FP-CIT SPECT中與年齡有關的下降和與掃描儀有關的差異。

        腦血流(CBF)和腦葡萄糖代謝圖像對帕金森病的鑒別診斷是有效的。值得注意的是，帕金森病患者在額頂聯合區的代謝或灌注減少：這被稱為帕金森病相關共變模式(PDRP)。

        PDRP分數的大小可以通過多巴胺能治療來調節，盡管多巴胺替代的影響在不同的腦區可能有所不同。

        監督機器學習是一種人工智能，最近被應用於從健康參與者中鑒別診斷PD的神經影像學，並可能作為一種新的診斷方法。盡管每種成像模式都可以有效地區分帕金森病，但不同類型的成像模式之間的關係卻不太清楚。因此，有監督的機器學習方法可用於評估多模態影像在區分帕金森病的功效。

        藉此，日本千葉大學的Yoshikazu Nakano等人，研究帕金森病患者的CBF和DAT SPECT之間的關係，確定每種帕金森病患者的紋狀體多巴胺能與CBF的相關性，並比較不同的疾病。

        58名PD患者和71名APS患者(24名多係統萎縮，21名進行性核上麻痹，26名皮質基底綜合征)接受了123 I-IMP和123 I-FP-CIT單光子發射計算機斷層掃描。對每一組進行了CBF和紋狀體DAT結合的多元回歸分析。通過機器學習和接收器操作特征曲線預測PD概率。

        他們發現：PD組顯示更多的紋狀體DAT結合與同側前額葉灌注呈正相關，與雙側小腦灌注呈負相關。

        在皮質基質綜合征中，紋狀體DAT結合與同側前額葉灌注呈正相關，與對側腹前灌注呈負相關。

        在Richardson綜合征中，紋狀體DAT結合與同側腹前皮層和基底神經節的灌注呈正相關。機器學習顯示，CBF和DAT的組合比單獨的CBF(0.67)或DAT(0.50)更能區分PD與APS(曲線下麵積[AUC]=0.87)。

        該研究的重要意義在於發現了：在PD和四次重複的tauopathy中，前額葉灌注與同側黑質多巴胺能功能有關。這種雙tracer的額葉與紋狀體的關係可有效地作為劃分PD與APS的一種診斷工具。