多模态神经影像融合：基于深度学习的帕金森病早期检测研究

本研究利用PPMI数据库的多模态神经影像数据（DaTSCAN SPECT与T2加权sMRI），结合ResNet与EfficientNet架构构建融合模型，实现帕金森病精准检测。模型AUROC达99%，显著优于单模态基线，为神经系统疾病AI辅助诊断提供有效方案。

帕金森病是全球第二常见神经退行性疾病，早期诊断依赖临床观察与主观症状，易错失干预时机。神经影像为早期检测带来希望，但单一模态仅反映部分病理特征。DaTSCAN SPECT可可视化多巴胺能神经元功能，sMRI显示解剖结构变化，二者互补但单独使用难以实现高灵敏度与特异性诊断。

数据模态：整合DaTSCAN SPECT（功能，纹状体示踪剂摄取减少）与T2加权sMRI（结构，黑质致密部体积缩小等）。 融合架构：晚期融合策略——1. 用ResNet-50（残差连接缓解梯度消失）与EfficientNet-B3（复合缩放平衡效率）分别提取特征；2. 通过全连接层统一维度，拼接或注意力加权融合；3. 输入分类器输出患病概率。 注意力机制：通道注意力（学习特征通道权重）+空间注意力（聚焦纹状体、黑质等关键脑区）。

数据集：基于PPMI数据库（全球最大帕金森病纵向研究之一）。 交叉验证：5折交叉验证，确保同一患者样本不跨训练/测试集，避免数据泄露。 结果：多模态融合模型性能显著优于单模态：

模型配置	AUROC	准确率	灵敏度	特异性
仅DaTSCAN	94.2%	89.5%	87.3%	91.4%
仅sMRI	82.1%	78.6%	75.2%	81.8%
多模态融合	99.0%	96.8%	95.7%	97.6%

创新点：1. 互补利用模态特性（SPECT敏感早期功能障碍，sMRI提供解剖定位）；2. 数据增强（空间变换、强度调整、噪声注入）应对数据量有限；3. Grad-CAM可视化决策依据，聚焦病变脑区，增强临床信任。

应用：1. 高风险人群早期筛查；2. 辅助不典型患者鉴别诊断；3. 疗效监测与预后评估。 局限性：数据集以西方人群为主，泛化性待验证；横断面设计无法捕捉动态演变；缺乏与临床量表深度关联。 未来方向：构建多中心多样化数据集；引入时序建模；开发轻量级模型；探索与脑脊液生物标志物融合。