孤立性肌张力障碍是一种异质性病理生理学神经障碍，它引起无意识肌收缩，导致异常的运动和姿势。由于缺乏生物标志物或金标准诊断测试，对它的精确诊断极具挑战性。这导致临床医师之间很难达成共识, 可能有高达50%的病例被误诊, 最高诊断延误长达10.1年。因此本文的研究者们开发了一个深度学习算法平台DystoniaNet，从612名被试(包括392名患有三种不同形式的孤立性肌张力障碍的患者和220名健康对照者)的原始结构脑磁共振成像(mri)中自动识别并验证用于诊断肌张力障碍的微结构神经网络生物标志物。DystoniaNet确定了胼胝体脑区、丘脑前后放射、额枕下束、颞下回和眶上回为生物标志物成分。在肌张力障碍病理生理学中，这些区域有助于异常的半球间信息传递、异体感觉运动处理和运动命令的执行控制。基于肌张力障碍的生物标志物诊断肌张力障碍的总体准确率为98.8%，由于诊断不确定而转诊的病例占3.5%。用DystoniaNet计算每个被试的诊断决策时间为0.36秒。在基准测试比较中，DystoniaNet显著优于浅层机器学习算法，其诊断性能提高了近20%。重要的是，与目前临床医生之间34%的肌张力障碍诊断一致意见相比，微结构神经网络生物标志物及其肌张力障碍网络平台有了实质性的提高。该生物标志物的潜力在于其高度准确、可解释和可推广的性能，这可以有效的增强临床决策能力。本文发表在PNAS杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料）。
（目前该平台已经推出，并进入运营，以下是具体网址：
https://simonyanlab.hms.harvard.edu/news/dystonianet-first-deep-learning-platform-objective-accurate-and-fast-diagnosis）
思影科技曾做过肌张力障碍相关的文章解读，可结合浏览：
BRAIN：基于致病性颅脑病灶的颈肌张力障碍的网络定位
NEUROLOGY:局灶性肌张力障碍患者的感觉运动网络
肌张力障碍是一种罕见的病理生理学异质性神经系统疾病，会引起无意识的肌肉收缩，导致异常的（通常是有规律的）扭曲运动和姿势。肌张力障碍的症状会影响患者的日常活动和生活质量，通常会导致持续的压力，精神病并发症，社交障碍和职业障碍。作为仅次于震颤和帕金森病的第三大常见运动障碍，每10万个普通人中就有35.1个孤立性肌张力障碍。但是，其确切发病率尚不清楚，因为高达50％的肌张力障碍病例在初次诊断时会被误诊，最高诊断延迟长达10.1年，具体时间取决于肌张力障碍的形式。诊断难度主要在于缺乏孤立肌张力障碍的生物标志物，生物标志物的定义和客观特征可作为对其进行准确诊断的常见病理生理指标。在没有生物标志物，没有针对肌张力障碍的金标准诊断测试的情况下，目前的诊断建议只能根据临床综合征特征制定。诊断通常受到许多因素的影响，包括疾病的变异性，评估情况，临床医生的经验和专业知识，患者的心理状况以及类似肌张力异常症状的非神经系统疾病。此外，目前的诊断建议在其可靠性，敏感性和特异性方面的预测影响尚未确定，而没有生物标志物的肌张力障碍临床诊断的有效性尚无法评估。例如，对临床医生之间对孤立局灶性肌张力障碍的诊断共识的几项研究反复失败，包括喉肌张力障碍，宫颈肌张力障碍，睑肌痉挛，眶下肌张力障碍和抽筋。因此，当前的诊断方法容易产生偏差，并且临床医生之间难以达成诊断共识。该疾病除了造成对患者生活质量的负面影响外，还导致了当前对肌张力障碍的包括反复上门就诊，重复评估的次优临床护理和长期残疾造成的医疗保健费用的持续增长。
材料和方法
共有612名被试参加了该研究，包括392例孤立性肌张力障碍患者和220名健康对照者（表1）。根据详细病史，体检确定了孤立局灶性肌张力障碍（喉肌张力障碍，宫颈肌张力障碍或眼睑痉挛）的诊断，并且排除了其他神经系统疾病，包括抽动，运动障碍和其他运动亢进性运动障碍或精神病和喉病以及适当的神经学和喉科评估（视情况而定）（表1提供的被试统计）。已知震颤在多达70％的肌张力障碍患者中发生，而肌张力障碍性震颤被认为是肌张力障碍表现的一部分。与之相符的是，在我们队列中，有24.7％的患者同时发生肌张力障碍性震颤，而有7.7％的患者患有原发性震颤。由于震颤的总并发率比一般研究报告的要低，因此不太可能显着影响肌张力障碍特异性生物标志物的鉴定。对照对象是健康个体，没有任何过去或现在的神经，精神病或喉部疾病史。这项研究得到了西奈山伊坎医学院的机构审查委员会和Mass Brigham Research Program的批准。在参加研究之前，所有被试均签署了知情同意书。在3.0T（n = 545）或1.5-T（n = 67）扫描仪上获取了全脑T1加权MRI数据。 用于深层分类模型（DystoniaNet）和三个浅层机器学习模型（包括LDA，SVM和ANN）的生物标志物开发和测试。为了获得更强大的性能，在功能齐全的，均衡的，同类的大型数据集上训练机器学习算法至关重要。这对于缺乏确定的生物标志物的罕见疾病（例如肌张力障碍）尤其重要。本研究的160名喉肌张力障碍患者和160名年龄和性别相匹配的健康对照者队列符合这些特征，因此被选为生物标志物开发和模型训练的训练集（表1）。随后的生物标志物和模型测试及优化是在60例喉肌张力障碍患者（即与训练集诊断相同）的第一个独立测试组和60例健康对照中进行的。最后，在172名患有三种不同形式的肌张力障碍的患者（包括喉部肌张力障碍，宫颈肌张力障碍或眼睑痉挛）的第二个独立测试集中进行了生物标志物性能的验证，这可以评估DystoniaNet在整个肌张力障碍表型谱，各种张力谱，扫描硬件，MRI采集序列和数据收集站点中的可推广性。训练集中被试的年龄和性别在患者和对照组之间紧密匹配（基于D'Agostino-Pearson数据分布正态性和双样本独立t检验，所有P≥0.37），这阻止了机器学习从这些生物学变量的差异中学习作为错误的诊断预测特征。其余被试随机分配到第一和第二独立测试集。因此，未在第一和第二独立测试集中进行年龄和性别平衡的测试。并且，由于所有机器学习算法的内部参数在其开发过程中都是针对年龄和性别平衡的训练集而固定的，因此第一和第二个独立测试集中性别或年龄分布的可能差异不会对诊断性能产生影响机器学习算法。此外，在第一和第二独立测试集中对被试进行随机化提供了一个可在临床的患者队列中评估机器学习算法的性能和可推广性的机会，因为遇到肌张力障碍患者的临床医生既无法控制其人口统计学，也无法控制其临床MRI采集参数。DystoniaNet被设计为使用原始结构脑MRI，而未应用任何图像预处理。如图1A所示，DystoniaNet深度分类模型包括特征提取和分类器模块。对于特征提取，我们首先开发了一种浅层神经网络架构，该架构具有一个卷积层（Conv3D）和一个密集层（Dense），每层包含10个滤波器，然后在每次迭代时将滤波器的数量增加10个，最多达到100个。并且添加了一个额外的卷积层并重复了该过程。在添加了每个新的卷积层之后，我们对模型进行训练，以使用每次迭代中预留的10％训练数据来评估其性能。以这种方式，建立了具有四个分别包含30个滤波器的卷积层和一个包含40个滤波器的密集层的最佳架构。每个卷积层的内核大小分别为6×6×6、3×3×3、3×3×3和2×2×2体素，以允许在四个分辨率中的每个分辨率下提取神经特征图。在每个卷积层之后都使用了ReLU激活函数和最大池化（MaxPooling3D）层，以减少模型参数数量并保留最相关的特征。具体来说，ReLU激活层将经过卷积层的加权总和输入转换为网络某个神经元的激活，而最大池化操作则保留每个特征图的每个感受野中的最大值。全局最大池化层（GlobalMaxPooling3D）紧随第四个最大池化层，以增强该算法对不同大小的输入图像进行分类的能力。分类器包括具有两个神经元的密集层和Softmax激活层，并将预测出的患肌张力障碍的概率作为输出。为了可视化由DystoniaNet自动识别出的生物标志物成分，我们计算了四个3D平均特征图，代表了跨越30个滤波器的每个卷积层的不同细节水平（图1B）。使用三阶线性插值缩放第二，第三和第四卷积层的平均3D特征图，以配准标准Talairach-Tournoux空间的大小。通过滤除权重低于最大绝对权重95％的体素，对第一，第二和第三卷积层的每个平均特征图中的显着群集进行了定位（表2）。由于第四层的空间分辨率较低（图1B），在该层中无法看到明显的团块。将DystoniaNet的性能与三种不同的浅层机器学习模型（包括LDA，SVM和单层ANN）的基准性能进行了比较（图1C）。使用LDA和SVM的原因是，根据静息态功能MRI数据，两者先前均显示出令人鼓舞的性能，分别具有高达90.6％的喉肌张力障碍和子宫颈肌张力障碍分类准确度。单层ANN用于与浅层深度学习算法相比。与DystoniaNet相比，由于其较低的复杂度以及无法同时进行特征提取/选择和分类，所有这三种浅层机器学习算法都需要输入预先处理过的特征。为了确定一组健康大脑变化作为输入特征，同时控制特征提取和选择中的单项研究队列和方法学相关偏差，我们使用激活似然评估（ALE）对现有神经影像文献进行了meta分析。由于我们的训练和首批独立测试集包括喉肌张力障碍患者，因此，根据系统评估的首选报告项目和meta分析 (Preferred Reporting Items for Systematic reviews and Meta-Analyses，PRISMA)，通过PubMed搜索对喉肌张力障碍的可用影像学研究进行了meta分析。该程序共鉴定了221个结构性异常和功能性异常的团块，在整个过程中总共有1,084名患者和18名健康对照。ALE-meta分析发现，在已发表的研究中，共有六个重要的常见脑部异常簇（[FWEc] P≤0.05）。这些团块的二值mask用于从每个被试的T1加权MR图像中提取平均灰质体积和皮层厚度，然后将其用作每个LDA，SVM和ANN算法的预定输入特征。尽管由于内部模型的不同要求，所采用的浅层和深度学习模型的输入特征（即针对LDA，SVM和ANN进行meta分析以确定输入特征，而针对DystoniaNet进行完全数据驱动）有所不同，但所有模型均在相同的训练集上进行训练，并在相同的第一个独立测试集上进行测试，从而可以直接比较其性能。具体而言，通过使用60位喉肌张力障碍患者和60位健康对照者的第一个独立测试集计算AUC，敏感性和特异性，检查了每个机器学习模型的性能（表1）。使用McNemar检验在双尾Bonferroni校正的获得的一类错误率控制在0.05情况下（真实P≤0.008）检查了四个模型之间的统计差异。为了优化性能并最大程度地降低DystoniaNet算法的诊断误差，引入了动态概率估计（ty-tn），这将输出转换为三个诊断决策：肌张力障碍-是，肌张力障碍-否和转诊（dystonia-yes, dystonia-no, and referral）。对于要归类为肌张力障碍的被试，DystoniaNet的输出必须超过ty。对于被分类为健康的被试，输出必须低于tn。如果输出概率落在tn和ty之间，则将该对象分类为转诊以进行进一步评估。转诊率设置为小于受测被试的10％（在这种情况下，ty= 0.53和tn= 0.44）以维持误诊成本和其他评估成本之间的平衡，同时避免了真阴率（True Negative Rate，TNR）降低。在第一个独立测试组的60名喉肌张力障碍患者中，重新测试了动态范围最优化的DystoniaNet，以限制其诊断不确定性。在第二套独立测试集中检查了所识别生物标志物及其优化的DystoniaNet算法平台的最终性能和诊断通用性，该测试组包括172例不同形式的孤立性局灶性肌张力障碍患者，其中包括59例喉肌张力障碍患者，59例宫颈肌张力障碍患者和54例患者眼睑痉挛患者（表1）。此外，第二个独立测试集用于评估MRI扫描仪硬件，采集序列和数据收集站点对优化的DystoniaNet的诊断性能的影响。数据可用性。本研究中使用的数据集与临床和研究信息相关的所有数据均包含在手稿和支持信息中。用于训练和测试机器学习算法的数据集由Mass General Brigham管理。其中的数据集的整体目前尚不公开，但是可以根据数据用户协议和Mass Brigham数据与组织共享委员会的批准，向相应的作者索取一个子集。代码可用性。所有机器学习算法都是基于公开的Python库（https://numpy.org; https://scikit-learn.org/stable; https://keras.io; https://www.h5py.org）。材料和方法，图1包含了用于重现结果所需的机器学习算法的体系结构的所有详细信息。如果想要获得相应作者的源代码，需要得到Mass Brigham数据和组织共享委员会和Mass Brigham Innovation的批准。本文基于3D卷积的体系结构开发的深度学习平台神经网络DystoniaNet（图1 A和B）完全使用数据驱动的方法从612个被试的大型数据集中的原始结构像中自动发现信息诊断特征。同时使用三种不同的浅层机器学习模型进行基准比较以评估DystoniaNet的性能和诊断潜力，该模型使用meta分析获得的差异脑区生物标志物作为信息特征（图1C）。
图1. 用于诊断孤立性肌张力障碍的深度学习和浅层机器学习模型。
（A）原始结构脑MRI导入深度学习模型（DystoniaNet）。 DystoniaNet的体系结构包括四个卷积层（Conv3D），用于从原始结构MR图像中提取特征，每个卷积层之后是ReLU激活层和最大池化（MaxPooling3D）层。每个Conv3D层的内核大小分别为6×6×6、3×3×3、3×3×3和2×2×2体素。每个MaxPooling3D层的内核大小分别为4×4×4、3×3×3、3×3×3和2×2×2（在括号中给出）。全局最大池化层（GlobalMaxPooling3D）紧随第四层MaxPooling3D层，然后是40个神经元的全连接密集层。分类器包括具有两个神经元的密集层和Softmax激活层，将预测出的患肌张力障碍的概率作为输出。
（B）轴向脑切片描绘了从DystoniaNet中相应Conv3D层提取的平均3D特征图的2D可视化。彩色条显示了DystoniaNet根据160位肌张力障碍患者和160位健康对照者的训练集学习到的每个体素对于分类的标准化权重。坐标在AFNI标准的Talairach-Tournoux空间中给出。
（C）浅层的机器学习模型显示了对原始结构MRI进行预处理的步骤（去除颅骨并与AFNI空间做标准化），根据神经影像学文献的分析从灰质体积和皮层厚度中提取12个肌张力障碍特征，并将其输入到三个机器学习分类器中：线性判别分析（LDA），支持向量机（SVM）和人工神经网络（ANN），并以肌张力障碍的概率作为输出。
PreM，前运动皮质；SM1，初级感觉运动皮质；IPC，顶叶下皮质；Ins，岛叶；Put，豆状核；GP，苍白球
如果您对脑影像机器学习等感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第十四届脑影像机器学习班（重庆，3.12-17）
第三十八届脑影像基础班（南京，2.23-28）
第八届磁共振ASL数据处理班（上海，3.1-4）
第三十九届脑影像基础班（上海，3.25-30）
结果
本文基于全自动数据驱动的DystoniaNet算法，无需先验知识，使用160例喉肌张力障碍患者和160例健康对照者的训练集确定了能够用于肌张力障碍诊断的微结构神经网络生物标志物物（表1）。该生物标志物的多层成分包括在DystoniaNet第一层中的放射冠的右后丘脑辐射和左前额枕束延伸至钩状束膜，在第一层和第二层中的双侧胼胝体延伸至前丘脑放射状核和第三层的左眶上颞下回（图2和表2）。所有这些已确认的大脑区域都曾在不同形式的肌张力障碍研究中被报道过结构或功能上的改变。这种生物标志物的病理生理学相关性反映出该疾病的表型谱中对肌张力障碍的准确诊断的高度概括性，如下所述。
图2.由DystoniaNet平台识别的用于自动诊断孤立性肌张力障碍的微结构神经网络生物标志物。通过DystoniaNet的前三个卷积层可以识别出作为生物标志物成分的大脑区域，以进行诊断分类。由于空间分辨率低，无法看到第四层的大脑区域。轴向和矢状脑切片描绘了AFNI标准Talairach-Tournoux空间中最具区分性特征的2D可视化。
如图3所示，使用第一个独立测试集对60例喉肌张力障碍患者和60例健康对照进行测试，基于DystoniaNet的生物标志物区分患者和健康对照的样本外曲线下面积（AUC）达到了92.4％。灵敏度为95.0％，特异性为85.0％（图3 A–C）。阳性预测值（PPV）为86.4％，阴性预测值（NPV）为94.4％。在优化DystoniaNet并引入动态范围以限制其诊断不确定性之后，其肌张力障碍诊断的准确性为96.6％，并且仅转诊一名患者（1.7％）进行进一步检查（图3D）。 DystoniaNet用于做出诊断决策的平均计算时间仅为每个被试0.36s。在相同的训练和测试集中，本文将使用DystoniaNet模型的微结构神经网络生物标志物的性能与使用三种不同的浅层机器学习算法替代的meta分析生物标志物的性能进行了比较。meta分析生物标志物的组成部分包括：延伸至豆状核和苍白球的双侧岛叶，前运动皮质和初级感觉运动皮质以及左顶叶下皮质（图1C和表2）。对于同一测试集，线性判别分析（LDA）的AUC为82.9％，支持向量机（SVM）为81.2％，单层人工神经网络的AUC为74.0％（图3A和C）。 McNemar的测试表明，对于三个浅模型的AUC，meta分析生物标志物的诊断性能没有显著差异（LDA与SVM：P = 0.48；LDA与ANN：P = 0.23；SVM与ANN P = 0.07）。LDA的敏感性和特异性分别为60.0％和83.3％，SVM为65.0％和85.0％，ANN为50.0％和80.0％（图3B）。 LDA的PPV和NPV分别为78.3％和67.6％，SVM分别为81.2％和70.8％，ANN分别为71.4％和61.5％。尽管meta分析生物标志物在区分患者和健康对照方面取得了超越以往研究获得的AUC，但与基于DystoniaNet的微结构神经网络生物标志物相比，其特异性，敏感性，PPV和NPV明显较低（McNemar的测试：DystoniaNet与LDA P = 6.×10-4；DystoniaNet与SVM P = 2.1×10-3；DystoniaNet与ANN P = 2.8×10-6；图3 A–C）。使用来自172名患有三种不同形式的孤立性局灶性肌张力障碍的患者的第二个独立测试集进一步测试了表现最佳的微结构神经网络生物标志物及DystoniaNet平台的诊断普遍性及更广泛的转移潜力。DystoniaNet在所有病例中均达到98.8%的准确度，充分证明其具有稳定的诊断能力（图3E）。具体而言，喉肌张力障碍的诊断准确率为98.2%，宫颈张力障碍的诊断准确率为100%，眼睑痉挛的诊断准确率为98.1%，同时转诊6例（3.5%）作进一步检查。微结构神经网络生物标志物及其DystoniaNet平台的性能稳定，不受磁场强度（精度范围：98.0至100％），MRI扫描仪供应商（精度范围：96.9至100％），头部线圈（精度范围：95.2到100％），T1加权图像采集序列（精度范围：98.3至100％）或数据收集站点（精度范围：97.6至100％）的影响。使用补充的第三个独立数据集（1,480个健康对照）证实了其高特异性（准确性为96.9％；转诊率为2.6％）。我们的数据表明，微结构神经网络生物标志物及先进的DystoniaNet平台的性能在诊断孤立性肌张力障碍的敏感性，准确性，特异性和准确性方面是可以接受的。
（A）使用第一个独立测试集对60位肌张力障碍患者和60位健康对照进行测试，得出每个模型的被试工作特征（ROC）曲线。并报告了每个模型的ROC曲线下的面积（AUC）。虚线表示随机分类器的性能。（B）相应的权重表（混淆矩阵）报告了每个模型正确和错误分类的健康对照和患者的数量。（C）在第一个独立的测试集中，对60例喉肌张力障碍患者和60例健康对照的每个模型的诊断性能。每个符号代表一个类别，划为患者的被试用圆圈表示；归类为健康对照的被试用三角形表示；彩色符号表示正确的诊断；黑色符号代表错误分类。 y轴表示每个模型评估的肌张力障碍的概率；灰线表示决策边界。并为每个模型给出了相应的AUC值。（D）具有动态范围的优化的DystoniaNet，能最大程度地提高对首个独立测试集的60名喉肌张力障碍患者的诊断性能。灰色阴影表示不确定性区域， DystoniaNet将其中的对象（灰色十字线）引向进一步检查。 y轴代表肌张力障碍的概率；灰线表示决策边界。并报告相应的准确性和转诊率。（E）在第二个独立的测试集中，对172例具有不同形式的肌张力障碍的患者，其中包括59例喉肌张力障碍患者，59例宫颈肌张力障碍患者和54例眼睑痉挛患者，测试了由DystoniaNet检测的生物标志物的鲁棒性。该模型显示了从使用原始结构MRI作为输入到最终优化的DystoniaNet的步骤，最终优化的DystoniaNet对数据进行处理并以0.36s的速度针对每个被试输出最终的诊断决策，如是否肌张力障碍或是否转诊（dystonia-yes, dystonia-no, and referral）。每个符号代表一个类别。划为患者的被试用圆圈表示。三角形表示错误的分类；转诊由叉号表示。 y轴代表肌张力障碍的概率；灰线代表决策边界；灰色阴影表示诊断不确定性区域（参考）。并报告相应的准确性和转诊率。使用Matplotlib库可视化数据。
讨论
目前，尚无针对肌张力障碍的生物标志物或金标准诊断测试，也没有解决该问题的当前技术或方法。这为临床诊断带来了巨大的挑战，对患者的生活质量和医疗保健成本产生了负面影响。本文证明了由作者们自定义的微结构神经网络生物标志物及算法平台DystoniaNet在提供客观，准确，快速且经济高效的诊断方面的巨大优势。与目前纯粹基于这种疾病的可变症状的护理标准相比，它的价值在于诊断肌张力障碍中具有简化，稳健，可解释和鲁棒的表现。特别是，由肌张力障碍识别的微结构神经网络生物标志物的总体98.8%的诊断准确性大大超过最近报道的，基于广泛诊断检查和综合征求方法的临床医生34%的诊断一致率。基于肌张力障碍的生物标志物的准确性通过内置的安全措施得到了进一步提高，该安全措施能够成功识别不确定的病例并将其转诊以进行进一步评估，而不是提供可能容易出现错误的诊断决定。此外，肌张力障碍在准确诊断单个原始结构脑MRI的肌张力障碍方面显示出前所未有的速度，相比之下，现有的诊断延迟高达10.1 年，平均需要3.95次就诊（4-10次）。DystoniaNet可以在无需对特定的模型进行任何额外训练的情况下对各种形式的肌张力障碍进行高度准确的诊断，发挥其性能和通用性，这是基于其识别疾病病理生理学共同特征的能力。特别是DystoniaNet自动学习的生物标志物成分可以最有效地识别该疾病，此前已证明该生物标志物在肌张力障碍患者中显著性。虽然灰质变化似乎与肌张力障碍特定形式的畸变更相关，但跨不同形式肌张力障碍的白质改变是该障碍的更常见特征。先前已在肌张力障碍谱中报告了胼胝体的结构异常，包括喉肌张力障碍，子宫颈肌张力障碍和眼睑痉挛，以及局灶性手肌张力障碍，音乐家肌张力障碍，X连锁性肌张力障碍，帕金森病和中风后舌质肌张力障碍。这些改变与肌张力障碍中皮层变化有关，并归因于异常的半球间信息传递。同样，一些研究报道了冠状辐射异常，特别是涉及其前后丘脑辐射，指出基底神经节-丘脑-皮质环路中丘脑的结构和功能的异常改变，及其在前额叶和顶叶皮质区域的投射目标区域的结构和功能异常。后者也被证明在患有各种形式的肌张力障碍的患者中具有异常的功能活动连接。其他被DystoniaNet视为为信息特征的区域包括：与额叶、颞叶和枕叶这些皮质区相连颞下回和眶上回以及白质通路、额枕下束和钩状束。这些区域的改变被认为是肌张力障碍患者异位模态感觉运动处理异常和目标定向运动行为控制的原因。总的来说，由DystoniaNet自动检测到的白质连合，结缔组织和投射纤维的病理生理相关变化，捕获并反映了其目标灰质区域中更广泛的分布异常，能够在一定程度上代表孤立性肌张力障碍的统一神经生物标志物。从方法上讲，由于其先进的算法平台DystoniaNet的开发，优化和验证，生物标志物的鉴定逐渐变得可行。由于深度学习算法性能的鲁棒性取决于大数据的可用性，因此将诸如肌张力障碍等罕见疾病整理成此类数据集并非易事。肌张力障碍网络的发展成为可能，是因为人们不断地努力了解这种疾病的神经病理生理学特征，以及对患有孤立性局灶性肌张力障碍的表型明确的患者整理的大型（n=392）MRI研究数据集的及时可用性，以进行对该平台的训练和后续验证。在这方面，DystoniaNet平台之所以独特，是因为其高度准确的诊断决策基于该算法从原始结构性脑部图像中自动选择与病理生理相关的生物标志物，而这些结构标志物通常是在临床环境中采集的，并且在其处理之前不需要额外的图像处理。该属性对于DystoniaNet在临床上的实用性至关重要，该诊断可作为帮助医生决策的诊断报告。最后，所识别的微结构神经网络生物标志物的可视化以及DystoniaNet内部用于自动诊断决策模型的可解释性提供了一个透明而公平的机器学习平台，并使其转化为更加合理的医疗保健需求。相比之下，浅层机器学习算法需要初始MR图像预处理以及先验特征提取和选择，以上这些工作都是费力且计算量大的过程。重要的是，浅层ML模型的内部架构具有较低的复杂度和敏感性以及有限的分类准确性，与DystoniaNet相比，这些模型不适合作为临床应用的肌张力障碍诊断自动工具。总之，本文介绍了一种微结构神经网络生物标志物，该标志物是通过全自动深度学习DystoniaNet算法从原始结构MR图像中发现的，并且在不同形式的孤立性肌张力障碍中表现出相当高的诊断准确性，而与MRI硬件，采集协议或数据收集场等因素无关。就准确性和诊断时间而言，它远远超过了当前现有的临床诊断工作流程。在过去的研究中，仅发现孤立性肌张力障碍的未知生物标志物与其病理生理学异质性有关。脑成像最先进的方法和分析技术已经可以识别这种疾病在大脑结构和功能上的广泛变化，不仅涉及基底神经节和小脑，还涉及高级运动和相关皮质区域。不同形式的肌张力障碍在灰白质结构上具有相似性，包括额叶，顶叶，枕叶皮质和丘脑中信息传递（枢纽）的影响区域的异常分布，以及感觉运动和额顶区域的连通性降低。这些知识使我们对肌张力障碍病理生理学的认识从基底神经节疾病转变为大规模神经网络疾病，并推动该领域探索这些改变，作为其诊断和治疗的潜在候选标志物。本文通过实施这种用于肌张力障碍诊断的客观生物标志物将对该疾病的临床管理具有变革性意义，以此减少误诊和误诊率以及与错误或延误诊断相关的总成本，同时，加快及时交付治疗。未来的研究在于对更广泛肌张力障碍网及其生物标志物的表型谱以及其遗传形式中进行诊断评估。同样重要的是，未来的研究应集中在DystoniaNet的扩展上，以对其他运动障碍和类似肌张力障碍的非神经系统疾病的肌张力障碍进行综合鉴别诊断。
