Gå till innehåll
 
Internationella Parkinson- och rörelsestörningssällskapet

        VOLYM 30, NUMMER 1 • Mars 2026.  Hela numret »

Höjdpunkter från sessionen: PAS-kongressen 2026

Hur neuroavbildning snabbt förändrar diagnosen och behandlingen av Parkinsons sjukdom


Experter delar med sig av hur multimodal och alfa-synuklein-avbildning kan ge djupare insikter i subtil neurodegeneration över hela sjukdomsspektrumet.

 

Artikelöversikt

Hoppa till: 

 

Hur används artificiell intelligens för närvarande i avbildningsverktyg för Parkinsons sjukdom?

Artificiell intelligens (AI) omformar snabbt hur vi använder neuroavbildning för att diagnostisera och förstå Parkinsons sjukdom (PD).

Traditionellt har klinisk avbildning fokuserat på att bekräfta dopaminerg förlust, oftast med DAT-SPECT för att bedöma nigrostriatal integritet. Även om denna teknik är mycket noggrann för att detektera presynaptiska dopaminerga brister vid etablerad Parkinsons sjukdom [1], har konventionell dopaminerg avbildning med visuell tolkning och semikvantitativa mätningar begränsningar, särskilt vid tidig/prodromal sjukdom, spårning av progression, differentiering av Parkinsons sjukdom från atypiska Parkinsons syndrom och registrering av Parkinsons biologiska heterogenitet.

Forskning om Parkinsons sjukdom (PD) övergår nu från symptombaserade beskrivningar till biologiskt grundade ramverk [2,3]. Avancerade tekniker, inklusive strukturella och funktionella konnektivitetsanalyser; avbildning av cerebral glukosmetabolism; och MR-markörer (t.ex. neuromelaninkänslig avbildning, MR med fri vattendiffusion, etc.), ger djupare insikter i subtil neurodegeneration över hela sjukdomsspektrumet [4].

AI låser upp dolda bildsignaler

Att integrera AI med neuroavbildning vid Parkinsons sjukdom erbjuder många potentiella fördelar [5-7]. Neuroavbildning innehåller rik strukturell, funktionell och molekylär information, mycket av den för subtil för det mänskliga ögat. AI kan extrahera och integrera dessa signaler i stor skala: 1) Övervakade inlärningsmodeller stöder diagnos och förutsäger progression; 2) Oövervakad inlärning identifierar biologiskt meningsfulla subtyper; 3) Djupinlärning extraherar automatiskt komplexa rumsliga och texturella mönster.

Inom dopaminerg avbildning har AI-modeller uppnått diagnostiska noggrannheter på 90–97 % när det gäller att skilja Parkinsons sjukdom från friska kontrollpersoner, vilket ofta överträffar traditionella semi-kvantitativa mätningar. Dessa metoder kan öka känsligheten för subtila brister, potentiellt bidra till att omklassificera skanningar utan dopaminerga brister (SWEDD) [8] och minska variationen mellan observatörer [9,10].

Neuromelaninkänslig MRI är en annan lovande markör för att bedöma dopaminerg neuronal förlust i substantia nigra, men begränsad av tidsintensiva, manuella segmenteringsanalyser. Djupinlärning möjliggör en snabb, automatiserad och reproducerbar detektion av neuromelaninrelaterad signalförlust i substantia nigra vid Parkinsons sjukdom [11].

¹⁸F-FDG PET kan förbättra differentieringen av PD från atypiska parkinsonsyndrom genom att fånga både striatala och extrastriatala metaboliska förändringar. AI-förstärkta analyser rapporterar nu sensitiviteter och specificiteter som överstiger 90 % för att skilja PD från atypiska parkinsonismer [12,13].

Diffusions-MRI erbjuder ett lovande icke-invasivt mått på mikrostrukturell neurodegeneration. Fritt vatten-avbildning kvantifierar vävnads- och extracellulära förändringar inom substantia nigra vid Parkinsons sjukdom, och över utbredda grå och vit substans-regioner vid atypiska parkinsonismer [14-16]. Vid Parkinsons sjukdom är konsekvent förhöjt fritt vatten i den bakre substantia nigra en robust diagnostisk och progressionsmarkör [14,15]. Nyligen har maskininlärning tillämpad på fritt vatten-avbildningsmetriker visat sig kunna exakt skilja Parkinsons sjukdom från parkinsonistisk multipel systematrofi (MSA-P) och progressiv supranukleär pares (PSP) [17,18]. Integrering i kliniska avbildningsarbetsflöden pågår nu.

Utmaningar och vägen framåt

Trots sitt löfte står AI inom neuroavbildning vid Parkinsons sjukdom inför många utmaningar [5,12,19,20]. Diagnostiska etiketter kan vara brusiga. Datamängderna är ofta små eller heterogena, och många modeller saknar extern validering och tolkningsbarhet. Longitudinella och prodromala data är fortfarande begränsade. Framtida framsteg kommer att bero på stora, multicentersamarbeten med standardiserade avbildningsprotokoll; multimodal integration av avbildnings-, kliniska, genetiska och digitala biomarkörer; och utveckling av mer transparenta, granskningsbara AI-system som är lämpliga för säker klinisk implementering.

I slutändan är AI inte utformad för att ersätta klinisk expertis. Använd med eftertanke kan den förbättra diagnostisk precision, möjliggöra tidigare interventioner och föra området närmare personlig vård vid Parkinsons sjukdom.

Hur multimodal avbildning bidrar till tidig upptäckt och övervakning av sjukdomsprogression vid Parkinsons sjukdom?

Biomarkörer spelar en central roll för att upptäcka patofysiologin vid Parkinsons sjukdom. Biomarkörer definieras som mätbara indikatorer på biologiska processer och kan stödja diagnos, prognos, bedömning av mottaglighet och utvärdering av terapeutisk säkerhet. Bildbaserade biomarkörer ger insikt i mekanismer bortom kliniska symtom.

Traditionella valideringsmodeller för biomarkörer förlitar sig på kliniska fenotyper – såsom tremordominanta kontra PIGD-subtyper – som referensstandard. Detta introducerar dock bias, eftersom fenotyper inte tillräckligt fångar Parkinsons biologiska heterogenitet. Presentationen kontrasterar detta med en biomarkördriven, fenotypagnostisk modell, i linje med nya ramverk som betonar molekylära signaler framför kliniska etiketter vid definitionen av biologiskt koherenta subgrupper.

Presentationen granskade ett brett spektrum av neuroavbildningsmetoder. Dopaminerga PET- och SPECT-tekniker – såsom F-DOPA-, VMAT2- och DAT-avbildning – detekterar presynaptisk nigrostriatal degeneration och stöder differentialdiagnos bland parkinsonsyndrom, inklusive PSP och MSA. Metabolisk PET-avbildning avslöjar hur metaboliska förändringar sprider sig över neurala nätverk och kopplar metaboliska mönster till motorisk och kognitiv dysfunktion.

Synaptisk densitetsavbildning med SV2A PET-spårämnen (t.ex. 18F-SynVesT-1) ger in vivo-kvantifiering av synaptisk integritet och belyser tidig synaptisk sårbarhet vid degenerativa parkinsonismer. MR-baserade markörer – inklusive neuromelaninkänslig avbildning, diffusions-MRI (t.ex. kartläggning av fritt vatten), järnkänslig avbildning (QSM, R2*) och strukturella index som MR Parkinsonism Index – erbjuder kraftfulla verktyg för att bedöma nigral degeneration, särskilja atypiska syndrom och följa progression.

Ytterligare modaliteter – såsom hjärt-MIBG-scintigrafi för autonoma förändringar och TSPO PET för neuroinflammation – utökar biomarkörers kapacitet till icke-dopaminerga och perifera system, i överensstämmelse med multisystemmodeller av PD-patologi.

Parkinsons sjukdom är en multisystemsjukdom som kräver integrerad biologisk karakterisering. En multimodal avbildningsstrategi – i kombination med biomarkördriven sjukdomsklassificering – kommer att vara avgörande för tidigare upptäckt, förbättrad differentialdiagnos, progressionsövervakning och utveckling av riktade behandlingar.

Relevans av alfa-synukleinavbildning vid synukleinopatier

Synukleinopatier omfattar olika sjukdomar såsom Parkinsons sjukdom, Lewykroppsdemens och multipel systematrofi. Deras patologiska kännetecken är alfa-synuklein-aggregering, och differentialdiagnos baseras fortfarande huvudsakligen på kliniska egenskaper, vilket leder till frekvent feldiagnos. En biologiskt baserad klassificering har nyligen föreslagits, där synuklein spelar en central roll (men inte alltid närvarande eller nödvändig för diagnosen), vilket möjliggör en tidigare, mer exakt diagnos och i slutändan erbjuder möjligheten till tidig terapeutisk intervention i framtiden.

Det har gjorts framsteg inom biomarkörforskning i flera biologiska prover, och under det senaste decenniet har avbildningsområdet varit under aktiv forskning för specifika alfa-syn-spårämnen, vilka skulle kunna erbjuda möjligheten till alfa-syn-detektion på ett in-vivo, icke-invasivt sätt.

Utvecklingen av PET-ligander som riktar sig mot alfa-synuklein är utmanande på grund av den låga förekomsten av alfa-syn i hjärnvävnad, dess intracellulära lokalisering och likheten med andra felveckade proteiner i dess konformationella tillstånd. Emellertid syftar flera kandidatspårämnen som för närvarande undersöks i prekliniska och kliniska studier till att uppnå tillräcklig affinitet och selektivitet, samtidigt som bindning utanför målet minimeras.

Presentationen diskuterade flera kandidatsubstanser, inklusive [18F]C05-05 (1), [18F]SPAL-T-06 (2), [18F]ACI-12589 (3), [11C]MODAG-005 (4) och [18F]F0502B (5). Tidiga studier tyder på att vissa spårämnen företrädesvis kan detektera alfa-syn-patologi i MSA, jämfört med andra synukleinopatier, men ytterligare validering krävs.

Ytterligare studier är avgörande för att utveckla precisionsmedicin, möjliggöra visualisering av patologiska processer, förbättra diagnostisk noggrannhet och gå mot en patientcentrerad metod för att uppnå implementering av sjukdomsmodifierande behandlingar vid synukleinopatier i framtiden.

 

 

Referensprojekt

Avsnitt: Hur används artificiell intelligens för närvarande i avbildningsverktyg för Parkinsons sjukdom?

  1. Hastings A, Cullinane P, Wrigley S, et al. Neuropatologisk validering och diagnostisk noggrannhet av presynaptisk dopaminerg avbildning vid diagnos av Parkinsonism. Neurology. 11 juni 2024;102(11):e209453. doi:10.1212/WNL.0000000000209453
  2. Hoglinger GU, Adler CH, Berg D, et al. En biologisk klassificering av Parkinsons sjukdom: SynNeurGe-forskningens diagnostiska kriterier. Lancet Neurol. Feb 2024;23(2):191-204. doi:10.1016/S1474-4422(23)00404-0
  3. Simuni T, Chahine LM, Poston K, et al. En biologisk definition av neuronal alfa-synukleinsjukdom: mot ett integrerat stadiesystem för forskning. Lancet Neurol. Feb 2024;23(2):178-190. doi:10.1016/S1474-4422(23)00405-2
  4. Zarkali A, Thomas GEC, Zetterberg H, Weil RS. Neuroavbildning och vätskebiomarkörer vid Parkinsons sjukdom i en tid av riktade interventioner. Nat Commun. 5 juli 2024;15(1):5661. doi:10.1038/s41467-024-49949-9
  5. Dennis AP, Strafella AP. AI:s och maskininlärningens roll i diagnosen av Parkinsons sjukdom och atypiska parkinsonismtillstånd. Parkinsonism Relat Disord. Sep 2024;126:106986. doi:10.1016/j.parkreldis.2024.106986
  6. Gupta R, Kumari S, Senapati A, Ambasta RK, Kumar P. Ny era av artificiell intelligens och maskininlärningsbaserad detektion, diagnos och behandling vid Parkinsons sjukdom. Ageing Res Rev. Sep 2023;90:102013. doi:10.1016/j.arr.2023.102013
  7. Myszczynska MA, Ojamies PN, Lacoste AMB, et al. Tillämpningar av maskininlärning för diagnos och behandling av neurodegenerativa sjukdomar. Nat Rev Neurol. Augusti 2020;16(8):440-456. doi:10.1038/s41582-020-0377-8
  8. Choi H, Ha S, Kang H, Lee H, Lee DS, Alzheimers sjukdomsneurologiska avbildning I. Djupinlärning endast med normal hjärn-PET identifierar oanade hjärnavvikelser. EBioMedicine. Maj 2019;43:447-453. doi:10.1016/j.ebiom.2019.04.022
  9. Palumbo B, Fravolini ML, Buresta T, et al. Diagnostisk noggrannhet vid Parkinsons sjukdom genom analys av support vector machine (SVM) av 123I-FP-CIT hjärnans SPECT-data: implikationer av putaminala fynd och ålder. Medicine (Baltimore). Dec 2014;93(27):e228. doi:10.1097/MD.0000000000000228
  10. Martinez-Murcia FJ, Gorriz JM, Ramirez J, Moreno-Caballero M, Gomez-Rio M. Parametrisering av texturmönster i 123I-ioflupanavbildning för automatisk detektion av Parkinsonism. Med Phys. Jan 2014;41(1):012502. doi:10.1118/1.4845115
  11. Gaurav R, Valabregue R, Yahia-Cherif L, et al. NigraNet: Ett automatiskt ramverk för att bedöma nigral neuromelanininnehåll vid tidig Parkinsons sjukdom med hjälp av faltningsneurala nätverk. Neuroimage Clin. 2022;36:103250. doi:10.1016/j.nicl.2022.103250
  12. Zhang J. Utvinning av bild- och kliniska data med maskininlärningsmetoder för diagnos och tidig upptäckt av Parkinsons sjukdom. NPJ Parkinsons Dis. 21 jan 2022;8(1):13. doi:10.1038/s41531-021-00266-8
  13. Meyer PT, Frings L, Rucker G, Hellwig S. (18) F-FDG PET vid Parkinsonism: Differentialdiagnos och utvärdering av kognitiv funktionsnedsättning. J Nucl Med. Dec 2017;58(12):1888-1898. doi:10.2967/jnumed.116.186403
  14. Ofori E, Pasternak O, Planetta PJ, et al. Ökat fritt vatten i substantia nigra vid Parkinsons sjukdom: en studie på en och flera platser. Neurobiol Aging. Feb 2015;36(2):1097-104. doi:10.1016/j.neurobiolaging.2014.10.029
  15. Ofori E, Pasternak O, Planetta PJ, et al. Longitudinella förändringar i fritt vatten inom substantia nigra vid Parkinsons sjukdom. Brain. Aug 2015;138(Pt 8):2322-31. doi:10.1093/brain/awv136
  16. Planetta PJ, Ofori E, Pasternak O, et al. Fritt vatten-avbildning vid Parkinsons sjukdom och atypisk parkinsonism. Brain. Feb 2016;139(Pt 2):495-508. doi:10.1093/brain/awv361
  17. Archer DB, Bricker JT, Chu WT, et al. Utveckling och validering av automatiserad avbildningsdifferentiering vid parkinsonism (AID-P): En maskininlärningsstudie på flera platser. Lancet Digit Health. Sep 2019;1(5):e222-e231. doi:10.1016/s2589-7500(19)30105-0
  18. Vaillancourt DE, Barmpoutis A, Wu SS, et al. Automatiserad avbildningsdifferentiering för Parkinsonism. JAMA Neurol. 1 maj 2025;82(5):495-505. doi:10.1001/jamaneurol.2025.0112
  19. Garcia Santa Cruz B, Husch A, Hertel F. Maskininlärningsmodeller för diagnos och prognos av Parkinsons sjukdom med hjälp av hjärnavbildning: allmän översikt, huvudsakliga utmaningar och framtida inriktningar. 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. Maskininlärning för Parkinsons sjukdom: en omfattande granskning av datamängder, algoritmer och utmaningar. NPJ Parkinsons Dis. 1 juli 2025;11(1):187. doi:10.1038/s41531-025-01025-9

Avsnitt: Relevans av alfa-synukleinavbildning vid synukleinopatier

  1. Endo H, Ono M, Takado Y, Matsuoka K, Takahashi M, Tagai K, Kataoka Y, Hirata K, Takahata K, Seki C, et al. Avbildning av α-synukleinpatologier i djurmodeller och patienter med Parkinsons sjukdom och relaterade sjukdomar. 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. och Higuchi, M. (2022), Högkontrastavbildning av α-synukleinpatologier hos levande patienter med multipel systematrofi. Mov Disord, 37: 2159-2161
  3. 3. Smith, R., Capotosti, F., Schain, M. et al. α-synuklein PET-spårämnet [18F] ACI-12589 skiljer multipel systematrofi från andra neurodegenerativa sjukdomar. 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 (förtryck)
  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. Utveckling av en α-synuklein positronemissionstomografi-spårare för avbildning av synukleinopatier. Cell. 2023 aug 3;186(16):3350-3367.e19

 

 

Läs mer Flytta med:

Hela numret    Arkiv