ಅಧಿವೇಶನದ ಮುಖ್ಯಾಂಶ: 2026 PAS ಕಾಂಗ್ರೆಸ್

ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಯ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಚಿಕಿತ್ಸೆಯನ್ನು ನ್ಯೂರೋಇಮೇಜಿಂಗ್ ಹೇಗೆ ವೇಗವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತಿದೆ.

---

ಮಲ್ಟಿಮೋಡಲ್ ಮತ್ತು ಆಲ್ಫಾ-ಸಿನ್ಯೂಕ್ಲಿನ್ ಇಮೇಜಿಂಗ್ ರೋಗ ವರ್ಣಪಟಲದಾದ್ಯಂತ ಸೂಕ್ಷ್ಮ ನರಗಳ ಅವನತಿಯ ಬಗ್ಗೆ ಆಳವಾದ ಒಳನೋಟಗಳನ್ನು ಹೇಗೆ ನೀಡುತ್ತದೆ ಎಂಬುದನ್ನು ತಜ್ಞರು ಹಂಚಿಕೊಳ್ಳುತ್ತಾರೆ.

ಲೇಖನದ ಅವಲೋಕನ ಇಲ್ಲಿಗೆ ಹೋಗು:  ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಗೆ ಇಮೇಜಿಂಗ್ ಪರಿಕರಗಳಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಪ್ರಸ್ತುತ ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ? ಪಿಡಿಯಲ್ಲಿ ರೋಗ ಪ್ರಗತಿಯನ್ನು ಮೊದಲೇ ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಮಲ್ಟಿಮೋಡಲ್ ಇಮೇಜಿಂಗ್ ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ? ಸಿನಕ್ಲಿನೋಪತಿಗಳಲ್ಲಿ ಆಲ್ಫಾ-ಸಿನಕ್ಲಿನ್ ಇಮೇಜಿಂಗ್‌ನ ಪ್ರಸ್ತುತತೆ ಉಲ್ಲೇಖಗಳು

 

ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಗೆ ಇಮೇಜಿಂಗ್ ಪರಿಕರಗಳಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಪ್ರಸ್ತುತ ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ?

ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆ (PD) ರೋಗನಿರ್ಣಯ ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಾವು ನ್ಯೂರೋಇಮೇಜಿಂಗ್ ಅನ್ನು ಬಳಸುವ ವಿಧಾನವನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ವೇಗವಾಗಿ ಮರುರೂಪಿಸುತ್ತಿದೆ.

ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ, ಕ್ಲಿನಿಕಲ್ ಇಮೇಜಿಂಗ್ ಡೋಪಮಿನರ್ಜಿಕ್ ನಷ್ಟವನ್ನು ದೃಢೀಕರಿಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ, ಹೆಚ್ಚಾಗಿ ನೈಗ್ರೋಸ್ಟ್ರಿಯಟಲ್ ಸಮಗ್ರತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು DAT-SPECT ನೊಂದಿಗೆ. ಸ್ಥಾಪಿತ PD [1] ನಲ್ಲಿ ಪ್ರಿಸ್ನಾಪ್ಟಿಕ್ ಡೋಪಮಿನರ್ಜಿಕ್ ಕೊರತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಈ ತಂತ್ರವು ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ, ಆದರೆ ದೃಶ್ಯ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಅರೆ-ಪರಿಮಾಣಾತ್ಮಕ ಅಳತೆಗಳೊಂದಿಗೆ ಸಾಂಪ್ರದಾಯಿಕ ಡೋಪಮಿನರ್ಜಿಕ್ ಇಮೇಜಿಂಗ್ ಮಿತಿಗಳನ್ನು ಹೊಂದಿದೆ, ವಿಶೇಷವಾಗಿ ಆರಂಭಿಕ/ಪ್ರೋಡ್ರೊಮಲ್ ಕಾಯಿಲೆಯಲ್ಲಿ, ಪ್ರಗತಿಯನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು, PD ಯನ್ನು ವಿಲಕ್ಷಣ ಪಾರ್ಕಿನ್ಸೋನಿಯನ್ ಸಿಂಡ್ರೋಮ್‌ಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸುವುದು ಮತ್ತು PD ಯ ಜೈವಿಕ ವೈವಿಧ್ಯತೆಯನ್ನು ಸೆರೆಹಿಡಿಯುವುದು.

ಪಿಡಿ ಸಂಶೋಧನೆಯು ಈಗ ರೋಗಲಕ್ಷಣ ಆಧಾರಿತ ವಿವರಣೆಗಳಿಂದ ಜೈವಿಕವಾಗಿ ಆಧಾರಿತ ಚೌಕಟ್ಟುಗಳಿಗೆ ಬದಲಾಗುತ್ತಿದೆ [2,3]. ರಚನಾತ್ಮಕ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಸಂಪರ್ಕ ವಿಶ್ಲೇಷಣೆಗಳು; ಸೆರೆಬ್ರಲ್ ಗ್ಲೂಕೋಸ್ ಮೆಟಾಬಾಲಿಸಮ್ ಇಮೇಜಿಂಗ್; ಮತ್ತು ಎಂಆರ್ಐ ಮಾರ್ಕರ್‌ಗಳು (ಉದಾ, ನ್ಯೂರೋಮೆಲನಿನ್-ಸೆನ್ಸಿಟಿವ್ ಇಮೇಜಿಂಗ್, ಫ್ರೀ-ವಾಟರ್ ಡಿಫ್ಯೂಷನ್ ಎಂಆರ್‌ಐ, ಇತ್ಯಾದಿ) ಸೇರಿದಂತೆ ಸುಧಾರಿತ ತಂತ್ರಗಳು, ರೋಗದ ವರ್ಣಪಟಲದಾದ್ಯಂತ ಸೂಕ್ಷ್ಮ ನರಗಳ ಅವನತಿಯ ಬಗ್ಗೆ ಆಳವಾದ ಒಳನೋಟಗಳನ್ನು ನೀಡುತ್ತವೆ [4].

AI ಗುಪ್ತ ಇಮೇಜಿಂಗ್ ಸಿಗ್ನಲ್‌ಗಳನ್ನು ಅನ್‌ಲಾಕ್ ಮಾಡುತ್ತದೆ

PD ಯಲ್ಲಿ AI ಅನ್ನು ನ್ಯೂರೋಇಮೇಜಿಂಗ್‌ನೊಂದಿಗೆ ಸಂಯೋಜಿಸುವುದರಿಂದ ಅನೇಕ ಸಂಭಾವ್ಯ ಪ್ರಯೋಜನಗಳಿವೆ [5-7]. ನ್ಯೂರೋಇಮೇಜಿಂಗ್ ಸಮೃದ್ಧವಾದ ರಚನಾತ್ಮಕ, ಕ್ರಿಯಾತ್ಮಕ ಮತ್ತು ಆಣ್ವಿಕ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿದೆ, ಅವುಗಳಲ್ಲಿ ಹೆಚ್ಚಿನವು ಮಾನವ ಕಣ್ಣಿಗೆ ತುಂಬಾ ಸೂಕ್ಷ್ಮವಾಗಿವೆ. AI ಈ ಸಂಕೇತಗಳನ್ನು ಪ್ರಮಾಣದಲ್ಲಿ ಹೊರತೆಗೆಯಬಹುದು ಮತ್ತು ಸಂಯೋಜಿಸಬಹುದು: 1) ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ರೋಗನಿರ್ಣಯವನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ ಮತ್ತು ಪ್ರಗತಿಯನ್ನು ಊಹಿಸುತ್ತವೆ; 2) ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯು ಜೈವಿಕವಾಗಿ ಅರ್ಥಪೂರ್ಣ ಉಪವಿಭಾಗಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ; 3) ಆಳವಾದ ಕಲಿಕೆಯು ಸಂಕೀರ್ಣವಾದ ಪ್ರಾದೇಶಿಕ ಮತ್ತು ವಿನ್ಯಾಸ ಮಾದರಿಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊರತೆಗೆಯುತ್ತದೆ.

ಡೋಪಮಿನರ್ಜಿಕ್ ಇಮೇಜಿಂಗ್‌ನಲ್ಲಿ, AI ಮಾದರಿಗಳು PD ಯನ್ನು ಆರೋಗ್ಯಕರ ನಿಯಂತ್ರಣಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸುವಲ್ಲಿ 90-97% ರಷ್ಟು ರೋಗನಿರ್ಣಯದ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಿವೆ, ಆಗಾಗ್ಗೆ ಸಾಂಪ್ರದಾಯಿಕ ಅರೆ-ಪರಿಮಾಣಾತ್ಮಕ ಕ್ರಮಗಳನ್ನು ಮೀರಿಸುತ್ತದೆ. ಈ ವಿಧಾನಗಳು ಸೂಕ್ಷ್ಮ ಕೊರತೆಗಳಿಗೆ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು, ಡೋಪಮಿನರ್ಜಿಕ್ ಕೊರತೆಗಳಿಲ್ಲದೆ ಸ್ಕ್ಯಾನ್‌ಗಳನ್ನು ಮರುವರ್ಗೀಕರಿಸಲು ಸಂಭಾವ್ಯವಾಗಿ ಸಹಾಯ ಮಾಡಬಹುದು (SWEDD) [8], ಮತ್ತು ಇಂಟರ್‌ಅಬ್ಸರ್ವರ್ ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ [9,10].

ಸಬ್‌ಸ್ಟಾಂಟಿಯಾ ನಿಗ್ರಾದಲ್ಲಿ ಡೋಪಮಿನರ್ಜಿಕ್ ನರಕೋಶದ ನಷ್ಟವನ್ನು ನಿರ್ಣಯಿಸಲು ನ್ಯೂರೋಮೆಲನಿನ್-ಸೂಕ್ಷ್ಮ MRI ಮತ್ತೊಂದು ಭರವಸೆಯ ಮಾರ್ಕರ್ ಆಗಿದೆ, ಆದರೆ ಸಮಯ-ತೀವ್ರ, ಹಸ್ತಚಾಲಿತ ವಿಭಜನೆ ವಿಶ್ಲೇಷಣೆಗಳಿಂದ ಸೀಮಿತವಾಗಿದೆ. PD ಯಲ್ಲಿ ಸಬ್‌ಸ್ಟಾಂಟಿಯಾ ನಿಗ್ರಾದಲ್ಲಿ ನ್ಯೂರೋಮೆಲನಿನ್-ಸಂಬಂಧಿತ ಸಿಗ್ನಲ್ ನಷ್ಟದ ವೇಗದ, ಸ್ವಯಂಚಾಲಿತ ಮತ್ತು ಪುನರುತ್ಪಾದಕ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಆಳವಾದ ಕಲಿಕೆಯು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ [11].

¹⁸F-FDG PET ಸ್ಟ್ರೈಟಲ್ ಮತ್ತು ಎಕ್ಸ್‌ಟ್ರಾ-ಸ್ಟ್ರೈಟಲ್ ಮೆಟಾಬಾಲಿಕ್ ಬದಲಾವಣೆಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವ ಮೂಲಕ ವಿಲಕ್ಷಣ ಪಾರ್ಕಿನ್ಸೋನಿಯನ್ ಸಿಂಡ್ರೋಮ್‌ಗಳಿಂದ PD ಯ ವ್ಯತ್ಯಾಸವನ್ನು ಸುಧಾರಿಸಬಹುದು. AI-ವರ್ಧಿತ ವಿಶ್ಲೇಷಣೆಗಳು ಈಗ PD ಯನ್ನು ವಿಲಕ್ಷಣ ಪಾರ್ಕಿನ್ಸೋನಿಸಂಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸಲು 90% ಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಸೂಕ್ಷ್ಮತೆಗಳು ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಗಳನ್ನು ವರದಿ ಮಾಡುತ್ತವೆ [12,13].

ಡಿಫ್ಯೂಷನ್ MRI ಸೂಕ್ಷ್ಮರಚನಾತ್ಮಕ ನರಗಳ ಅವನತಿಯ ಭರವಸೆಯ ಆಕ್ರಮಣಶೀಲವಲ್ಲದ ಅಳತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಫ್ರೀ-ವಾಟರ್ ಇಮೇಜಿಂಗ್ PD ​​ಯಲ್ಲಿ ಸಬ್‌ಸ್ಟಾಂಟಿಯಾ ನಿಗ್ರಾದೊಳಗಿನ ಅಂಗಾಂಶ ಮತ್ತು ಬಾಹ್ಯಕೋಶೀಯ ಬದಲಾವಣೆಗಳನ್ನು ಮತ್ತು ವಿಲಕ್ಷಣ ಪಾರ್ಕಿನ್ಸೋನಿಸಂಗಳಲ್ಲಿ ವ್ಯಾಪಕವಾದ ಬೂದು ಮತ್ತು ಬಿಳಿ ದ್ರವ್ಯದ ಪ್ರದೇಶಗಳಲ್ಲಿ [14-16] ಪರಿಮಾಣೀಕರಿಸುತ್ತದೆ. PD ಯಲ್ಲಿ, ಹಿಂಭಾಗದ ಸಬ್‌ಸ್ಟಾಂಟಿಯಾ ನಿಗ್ರಾದಲ್ಲಿ ಸ್ಥಿರವಾಗಿ ಎತ್ತರದ ಉಚಿತ ನೀರು ದೃಢವಾದ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಪ್ರಗತಿ ಗುರುತು [14,15]. ಇತ್ತೀಚೆಗೆ, ಫ್ರೀ-ವಾಟರ್ ಇಮೇಜಿಂಗ್ ಮೆಟ್ರಿಕ್‌ಗಳಿಗೆ ಅನ್ವಯಿಸಲಾದ ಯಂತ್ರ ಕಲಿಕೆಯು PD ಯನ್ನು ಪಾರ್ಕಿನ್ಸೋನಿಯನ್-ಟೈಪ್ ಮಲ್ಟಿಪಲ್ ಸಿಸ್ಟಮ್ ಅಟ್ರೋಫಿ (MSA-P) ಮತ್ತು ಪ್ರೋಗ್ರೆಸ್ಸಿವ್ ಸುಪ್ರಾನ್ಯೂಕ್ಲಿಯರ್ ಪಾಲ್ಸಿ (PSP) [17,18] ನಿಂದ ನಿಖರವಾಗಿ ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಕ್ಲಿನಿಕಲ್ ಇಮೇಜಿಂಗ್ ವರ್ಕ್‌ಫ್ಲೋಗಳಲ್ಲಿ ಏಕೀಕರಣವು ಈಗ ನಡೆಯುತ್ತಿದೆ.

ಸವಾಲುಗಳು ಮತ್ತು ಮುಂದಿನ ಹಾದಿ

ಅದರ ಭರವಸೆಯ ಹೊರತಾಗಿಯೂ, PD ನ್ಯೂರೋಇಮೇಜಿಂಗ್‌ನಲ್ಲಿ AI ಅನೇಕ ಸವಾಲುಗಳನ್ನು ಎದುರಿಸುತ್ತದೆ [5,12,19,20]. ರೋಗನಿರ್ಣಯದ ಲೇಬಲ್‌ಗಳು ಗದ್ದಲದಂತಿರಬಹುದು. ಡೇಟಾಸೆಟ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಚಿಕ್ಕದಾಗಿರುತ್ತವೆ ಅಥವಾ ವೈವಿಧ್ಯಮಯವಾಗಿರುತ್ತವೆ ಮತ್ತು ಅನೇಕ ಮಾದರಿಗಳು ಬಾಹ್ಯ ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ವ್ಯಾಖ್ಯಾನವನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ. ರೇಖಾಂಶ ಮತ್ತು ಪ್ರೋಡ್ರೊಮಲ್ ಡೇಟಾ ಸೀಮಿತವಾಗಿರುತ್ತದೆ. ಭವಿಷ್ಯದ ಪ್ರಗತಿಯು ಪ್ರಮಾಣೀಕೃತ ಇಮೇಜಿಂಗ್ ಪ್ರೋಟೋಕಾಲ್‌ಗಳೊಂದಿಗೆ ದೊಡ್ಡ, ಬಹುಕೇಂದ್ರ ಸಹಯೋಗಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ; ಇಮೇಜಿಂಗ್, ಕ್ಲಿನಿಕಲ್, ಜೆನೆಟಿಕ್ ಮತ್ತು ಡಿಜಿಟಲ್ ಬಯೋಮಾರ್ಕರ್‌ಗಳ ಮಲ್ಟಿಮೋಡಲ್ ಏಕೀಕರಣ; ಮತ್ತು ಸುರಕ್ಷಿತ ಕ್ಲಿನಿಕಲ್ ನಿಯೋಜನೆಗೆ ಸೂಕ್ತವಾದ ಹೆಚ್ಚು ಪಾರದರ್ಶಕ, ಆಡಿಟ್ ಮಾಡಬಹುದಾದ AI ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿ.

ಅಂತಿಮವಾಗಿ, AI ಅನ್ನು ವೈದ್ಯಕೀಯ ಪರಿಣತಿಯನ್ನು ಬದಲಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿಲ್ಲ. ಚಿಂತನಶೀಲವಾಗಿ ಬಳಸಿದರೆ, ಇದು ರೋಗನಿರ್ಣಯದ ನಿಖರತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ಮುಂಚಿನ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ ಮತ್ತು PD ಯಲ್ಲಿ ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಆರೈಕೆಗೆ ಕ್ಷೇತ್ರವನ್ನು ಹತ್ತಿರಕ್ಕೆ ಸರಿಸುತ್ತದೆ.

ಪಿಡಿಯಲ್ಲಿ ರೋಗದ ಪ್ರಗತಿಯನ್ನು ಮೊದಲೇ ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಮಲ್ಟಿಮೋಡಲ್ ಇಮೇಜಿಂಗ್ ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ?

ಪಿಡಿ ರೋಗಶಾಸ್ತ್ರವನ್ನು ಬಹಿರಂಗಪಡಿಸುವಲ್ಲಿ ಬಯೋಮಾರ್ಕರ್‌ಗಳು ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತವೆ. ಜೈವಿಕ ಪ್ರಕ್ರಿಯೆಗಳ ಅಳೆಯಬಹುದಾದ ಸೂಚಕಗಳಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಬಯೋಮಾರ್ಕರ್‌ಗಳು ರೋಗನಿರ್ಣಯ, ಮುನ್ನರಿವು, ಸೂಕ್ಷ್ಮತೆಯ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಚಿಕಿತ್ಸಕ ಸುರಕ್ಷತೆಯ ಮೌಲ್ಯಮಾಪನವನ್ನು ಬೆಂಬಲಿಸಬಹುದು. ಇಮೇಜಿಂಗ್ ಆಧಾರಿತ ಬಯೋಮಾರ್ಕರ್‌ಗಳು ಕ್ಲಿನಿಕಲ್ ಲಕ್ಷಣಗಳ ಆಚೆಗಿನ ಕಾರ್ಯವಿಧಾನಗಳ ಒಳನೋಟವನ್ನು ನೀಡುತ್ತವೆ.

ಸಾಂಪ್ರದಾಯಿಕ ಬಯೋಮಾರ್ಕರ್ ಮೌಲ್ಯೀಕರಣ ಮಾದರಿಗಳು ಕ್ಲಿನಿಕಲ್ ಫಿನೋಟೈಪ್‌ಗಳನ್ನು - ಉದಾಹರಣೆಗೆ ನಡುಕ-ಪ್ರಾಬಲ್ಯ vs PIGD ಉಪವಿಭಾಗಗಳನ್ನು - ಉಲ್ಲೇಖ ಮಾನದಂಡವಾಗಿ ಅವಲಂಬಿಸಿವೆ. ಆದಾಗ್ಯೂ, ಇದು ಪಕ್ಷಪಾತವನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ, ಏಕೆಂದರೆ ಫಿನೋಟೈಪ್‌ಗಳು PD ಯ ಜೈವಿಕ ವೈವಿಧ್ಯತೆಯನ್ನು ಸಾಕಷ್ಟು ಸೆರೆಹಿಡಿಯುವುದಿಲ್ಲ. ಪ್ರಸ್ತುತಿಯು ಇದನ್ನು ಬಯೋಮಾರ್ಕರ್-ಚಾಲಿತ, ಫಿನೋಟೈಪ್-ಅಜ್ಞೇಯತಾವಾದಿ ಮಾದರಿಯೊಂದಿಗೆ ವ್ಯತಿರಿಕ್ತಗೊಳಿಸುತ್ತದೆ, ಜೈವಿಕವಾಗಿ ಸುಸಂಬದ್ಧವಾದ ಉಪಗುಂಪುಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವಲ್ಲಿ ಕ್ಲಿನಿಕಲ್ ಲೇಬಲ್‌ಗಳ ಮೇಲೆ ಆಣ್ವಿಕ ಸಂಕೇತಗಳನ್ನು ಒತ್ತಿಹೇಳುವ ಉದಯೋನ್ಮುಖ ಚೌಕಟ್ಟುಗಳೊಂದಿಗೆ ಜೋಡಿಸಲಾಗಿದೆ.

ಪ್ರಸ್ತುತಿಯು ನರಚಿತ್ರಣ ವಿಧಾನಗಳ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯನ್ನು ಪರಿಶೀಲಿಸಿದೆ. ಡೋಪಮಿನರ್ಜಿಕ್ PET ಮತ್ತು SPECT ತಂತ್ರಗಳು - F‑DOPA, VMAT2, ಮತ್ತು DAT ಇಮೇಜಿಂಗ್ - ಪ್ರಿಸ್ನಾಪ್ಟಿಕ್ ನೈಗ್ರೋಸ್ಟ್ರಿಯಟಲ್ ಡಿಜೆನರೇಶನ್ ಅನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ ಮತ್ತು PSP ಮತ್ತು MSA ಸೇರಿದಂತೆ ಪಾರ್ಕಿನ್ಸೋನಿಯನ್ ಸಿಂಡ್ರೋಮ್‌ಗಳಲ್ಲಿ ಭೇದಾತ್ಮಕ ರೋಗನಿರ್ಣಯವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಚಯಾಪಚಯ PET ಇಮೇಜಿಂಗ್ ನರಮಂಡಲಗಳಲ್ಲಿ ಚಯಾಪಚಯ ಬದಲಾವಣೆಗಳು ಹೇಗೆ ಹರಡುತ್ತವೆ ಎಂಬುದನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ, ಚಯಾಪಚಯ ಮಾದರಿಗಳನ್ನು ಮೋಟಾರ್ ಮತ್ತು ಅರಿವಿನ ಅಪಸಾಮಾನ್ಯ ಕ್ರಿಯೆಗೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ.

SV2A PET ಟ್ರೇಸರ್‌ಗಳನ್ನು (ಉದಾ. 18F-SynVesT-1) ಬಳಸಿಕೊಂಡು ಸಿನಾಪ್ಟಿಕ್ ಸಾಂದ್ರತೆಯ ಚಿತ್ರಣವು ಇನ್ ವಿವೋ ಸಿನಾಪ್ಟಿಕ್ ಸಮಗ್ರತೆಯ ಪರಿಮಾಣೀಕರಣವನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ಕ್ಷೀಣಗೊಳ್ಳುವ ಪಾರ್ಕಿನ್ಸೋನಿಸಂಗಳಲ್ಲಿ ಆರಂಭಿಕ ಸಿನಾಪ್ಟಿಕ್ ದುರ್ಬಲತೆಯನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ. MRI-ಆಧಾರಿತ ಮಾರ್ಕರ್‌ಗಳು - ನ್ಯೂರೋಮೆಲನಿನ್-ಸೆನ್ಸಿಟಿವ್ ಇಮೇಜಿಂಗ್, ಡಿಫ್ಯೂಷನ್ MRI (ಉದಾ. ಫ್ರೀ-ವಾಟರ್ ಮ್ಯಾಪಿಂಗ್), ಕಬ್ಬಿಣ-ಸೆನ್ಸಿಟಿವ್ ಇಮೇಜಿಂಗ್ (QSM, R2*), ಮತ್ತು MR ಪಾರ್ಕಿನ್ಸೋನಿಸಂ ಸೂಚ್ಯಂಕದಂತಹ ರಚನಾತ್ಮಕ ಸೂಚ್ಯಂಕಗಳು - ನೈಗ್ರಲ್ ಡಿಜೆನರೇಶನ್ ಅನ್ನು ನಿರ್ಣಯಿಸಲು, ವಿಲಕ್ಷಣ ಸಿಂಡ್ರೋಮ್‌ಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಮತ್ತು ಪ್ರಗತಿಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಪ್ರಬಲ ಸಾಧನಗಳನ್ನು ನೀಡುತ್ತವೆ.

ಹೆಚ್ಚುವರಿ ವಿಧಾನಗಳು - ಸ್ವನಿಯಂತ್ರಿತ ಬದಲಾವಣೆಗಳಿಗೆ ಕಾರ್ಡಿಯಾಕ್ MIBG ಸಿಂಟಿಗ್ರಾಫಿ ಮತ್ತು ನರ ಉರಿಯೂತಕ್ಕೆ TSPO PET - ಪಿಡಿ ರೋಗಶಾಸ್ತ್ರದ ಬಹುವ್ಯವಸ್ಥೆಯ ಮಾದರಿಗಳೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿ, ಡೋಪಮಿನರ್ಜಿಕ್ ಅಲ್ಲದ ಮತ್ತು ಬಾಹ್ಯ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಬಯೋಮಾರ್ಕರ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತವೆ.

ಪಿಡಿ ಒಂದು ಬಹುವ್ಯವಸ್ಥೆಯ ಅಸ್ವಸ್ಥತೆಯಾಗಿದ್ದು, ಇದಕ್ಕೆ ಸಮಗ್ರ ಜೈವಿಕ ಗುಣಲಕ್ಷಣಗಳು ಬೇಕಾಗುತ್ತವೆ. ಬಯೋಮಾರ್ಕರ್-ಚಾಲಿತ ರೋಗ ವರ್ಗೀಕರಣದೊಂದಿಗೆ ಜೋಡಿಸಲಾದ ಮಲ್ಟಿಮೋಡಲ್ ಇಮೇಜಿಂಗ್ ತಂತ್ರವು ಆರಂಭಿಕ ಪತ್ತೆ, ಸುಧಾರಿತ ಭೇದಾತ್ಮಕ ರೋಗನಿರ್ಣಯ, ಪ್ರಗತಿ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಉದ್ದೇಶಿತ ಚಿಕಿತ್ಸೆಗಳ ಅಭಿವೃದ್ಧಿಗೆ ಅತ್ಯಗತ್ಯವಾಗಿರುತ್ತದೆ.

ಸಿನಕ್ಲಿನೋಪತಿಗಳಲ್ಲಿ ಆಲ್ಫಾ-ಸಿನಕ್ಲಿನ್ ಇಮೇಜಿಂಗ್‌ನ ಪ್ರಸ್ತುತತೆ

ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆ, ಲೆವಿ ದೇಹಗಳೊಂದಿಗೆ ಬುದ್ಧಿಮಾಂದ್ಯತೆ ಮತ್ತು ಬಹು ವ್ಯವಸ್ಥೆಯ ಕ್ಷೀಣತೆಯಂತಹ ವಿವಿಧ ಕಾಯಿಲೆಗಳು ಸೈನುಕ್ಲಿನೋಪತಿಗಳಲ್ಲಿ ಸೇರಿವೆ. ಅವುಗಳ ರೋಗಶಾಸ್ತ್ರೀಯ ಲಕ್ಷಣವೆಂದರೆ ಆಲ್ಫಾ-ಸೈನುಕ್ಲಿನ್ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆ, ಮತ್ತು ಭೇದಾತ್ಮಕ ರೋಗನಿರ್ಣಯವು ಇನ್ನೂ ಮುಖ್ಯವಾಗಿ ಕ್ಲಿನಿಕಲ್ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಆಧರಿಸಿದೆ, ಇದು ಆಗಾಗ್ಗೆ ತಪ್ಪು ರೋಗನಿರ್ಣಯಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ. ಜೈವಿಕವಾಗಿ ಆಧಾರಿತ ವರ್ಗೀಕರಣವನ್ನು ಇತ್ತೀಚೆಗೆ ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ, ಅಲ್ಲಿ ಸೈನುಕ್ಲಿನ್ ಕೇಂದ್ರ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತದೆ (ಯಾವಾಗಲೂ ರೋಗನಿರ್ಣಯಕ್ಕೆ ಇರುವುದಿಲ್ಲ ಅಥವಾ ಅಗತ್ಯವಿಲ್ಲದಿದ್ದರೂ), ಇದು ಆರಂಭಿಕ, ಹೆಚ್ಚು ನಿಖರವಾದ ರೋಗನಿರ್ಣಯಕ್ಕೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಭವಿಷ್ಯದಲ್ಲಿ ಆರಂಭಿಕ ಚಿಕಿತ್ಸಕ ಹಸ್ತಕ್ಷೇಪದ ಸಾಧ್ಯತೆಯನ್ನು ನೀಡುತ್ತದೆ.

ಬಹು ಜೈವಿಕ ಮಾದರಿಗಳಲ್ಲಿ ಬಯೋಮಾರ್ಕರ್ ಸಂಶೋಧನೆಯಲ್ಲಿ ಪ್ರಗತಿಗಳು ಕಂಡುಬಂದಿವೆ ಮತ್ತು ಕಳೆದ ದಶಕದಲ್ಲಿ, ಇಮೇಜಿಂಗ್ ಕ್ಷೇತ್ರವು ನಿರ್ದಿಷ್ಟ ಆಲ್ಫಾ-ಸಿನ್ ಟ್ರೇಸರ್‌ಗಳಿಗಾಗಿ ಸಕ್ರಿಯ ತನಿಖೆಯಲ್ಲಿದೆ, ಇದು ಇನ್-ವಿವೋ, ಆಕ್ರಮಣಶೀಲವಲ್ಲದ ರೀತಿಯಲ್ಲಿ ಆಲ್ಫಾ-ಸಿನ್ ಪತ್ತೆಯ ಸಾಧ್ಯತೆಯನ್ನು ನೀಡುತ್ತದೆ.

ಮೆದುಳಿನ ಅಂಗಾಂಶದಲ್ಲಿ ಆಲ್ಫಾ-ಸಿನ್‌ನ ಕಡಿಮೆ ಸಮೃದ್ಧಿ, ಅದರ ಅಂತರ್ಜೀವಕೋಶದ ಸ್ಥಳೀಕರಣ ಮತ್ತು ಅದರ ರಚನಾತ್ಮಕ ಸ್ಥಿತಿಯಲ್ಲಿ ಇತರ ತಪ್ಪಾಗಿ ಮಡಿಸಿದ ಪ್ರೋಟೀನ್‌ಗಳಿಗೆ ಹೋಲಿಕೆಯಿಂದಾಗಿ ಆಲ್ಫಾ-ಸಿನ್ಯೂಕ್ಲಿನ್ ಅನ್ನು ಗುರಿಯಾಗಿಸಿಕೊಂಡು ಪಿಇಟಿ ಲಿಗಂಡ್‌ಗಳ ಅಭಿವೃದ್ಧಿ ಸವಾಲಿನದ್ದಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಪೂರ್ವಭಾವಿ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಅಧ್ಯಯನಗಳಲ್ಲಿ ಪ್ರಸ್ತುತ ತನಿಖೆಯಲ್ಲಿರುವ ಹಲವಾರು ಅಭ್ಯರ್ಥಿ ಟ್ರೇಸರ್‌ಗಳು ಗುರಿಯಿಂದ ಹೊರಗಿರುವ ಬಂಧವನ್ನು ಕಡಿಮೆ ಮಾಡುವಾಗ ಸಾಕಷ್ಟು ಸಂಬಂಧ ಮತ್ತು ಆಯ್ಕೆಗಳನ್ನು ಸಾಧಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿವೆ.

ಪ್ರಸ್ತುತಿಯು [18F]C05-05 (1), [18F]SPAL-T-06 (2), [18F]ACI-12589 (3), [11C]MODAG-005 (4), ಮತ್ತು [18F] F0502B (5) ಸೇರಿದಂತೆ ಹಲವಾರು ಅಭ್ಯರ್ಥಿ ಸಂಯುಕ್ತಗಳನ್ನು ಚರ್ಚಿಸಿದೆ. ಆರಂಭಿಕ ಅಧ್ಯಯನಗಳು ಕೆಲವು ಟ್ರೇಸರ್‌ಗಳು ಇತರ ಸಿನ್ಯೂಕ್ಲಿನೊಪತಿಗಳಿಗೆ ಹೋಲಿಸಿದರೆ MSA ನಲ್ಲಿ ಆಲ್ಫಾ-ಸಿನ್ ರೋಗಶಾಸ್ತ್ರವನ್ನು ಆದ್ಯತೆಯಾಗಿ ಪತ್ತೆಹಚ್ಚಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತವೆ, ಆದರೆ ಹೆಚ್ಚುವರಿ ದೃಢೀಕರಣದ ಅಗತ್ಯವಿದೆ.

ಭವಿಷ್ಯದಲ್ಲಿ ಸಿನಿಕ್ಲಿನೋಪತಿಗಳಲ್ಲಿ ರೋಗ-ಮಾರ್ಪಡಿಸುವ ಚಿಕಿತ್ಸೆಗಳ ಅನುಷ್ಠಾನವನ್ನು ಸಾಧಿಸಲು ನಿಖರವಾದ ಔಷಧವನ್ನು ಮುಂದುವರೆಸಲು, ರೋಗಶಾಸ್ತ್ರೀಯ ಪ್ರಕ್ರಿಯೆಗಳ ದೃಶ್ಯೀಕರಣವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲು, ರೋಗನಿರ್ಣಯದ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಲು ಮತ್ತು ರೋಗಿ-ಕೇಂದ್ರಿತ ವಿಧಾನದತ್ತ ಸಾಗಲು ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಗಳು ನಿರ್ಣಾಯಕವಾಗಿವೆ.

 

 

ಉಲ್ಲೇಖಗಳು

ವಿಭಾಗ: ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಗೆ ಇಮೇಜಿಂಗ್ ಪರಿಕರಗಳಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಪ್ರಸ್ತುತ ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ?

1. ಹೇಸ್ಟಿಂಗ್ಸ್ ಎ, ಕಲ್ಲಿನೇನ್ ಪಿ, ರಿಗ್ಲಿ ಎಸ್, ಮತ್ತು ಇತರರು. ಪಾರ್ಕಿನ್ಸೋನಿಸಂ ರೋಗನಿರ್ಣಯದಲ್ಲಿ ಪ್ರಿಸ್ನಾಪ್ಟಿಕ್ ಡೋಪಮಿನರ್ಜಿಕ್ ಇಮೇಜಿಂಗ್‌ನ ನರರೋಗಶಾಸ್ತ್ರೀಯ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ರೋಗನಿರ್ಣಯದ ನಿಖರತೆ. ನರವಿಜ್ಞಾನ. ಜೂನ್ 11 2024;102(11):e209453. doi:10.1212/WNL.0000000000209453
2. ಹಾಗ್ಲಿಂಗರ್ ಜಿಯು, ಆಡ್ಲರ್ ಸಿಎಚ್, ಬರ್ಗ್ ಡಿ, ಮತ್ತು ಇತರರು. ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಯ ಜೈವಿಕ ವರ್ಗೀಕರಣ: ಸಿನ್‌ನ್ಯೂರ್‌ಜಿ ಸಂಶೋಧನಾ ರೋಗನಿರ್ಣಯ ಮಾನದಂಡ. ಲ್ಯಾನ್ಸೆಟ್ ನ್ಯೂರೋಲ್. ಫೆಬ್ರವರಿ 2024;23(2):191-204. doi:10.1016/S1474-4422(23)00404-0
3. ಸಿಮುನಿ ಟಿ, ಚಾಹೈನ್ ಎಲ್ಎಂ, ಪೋಸ್ಟನ್ ಕೆ, ಮತ್ತು ಇತರರು. ನರಕೋಶದ ಆಲ್ಫಾ-ಸಿನ್ಯೂಕ್ಲಿನ್ ಕಾಯಿಲೆಯ ಜೈವಿಕ ವ್ಯಾಖ್ಯಾನ: ಸಂಶೋಧನೆಗಾಗಿ ಸಂಯೋಜಿತ ಹಂತದ ವ್ಯವಸ್ಥೆಯ ಕಡೆಗೆ. ಲ್ಯಾನ್ಸೆಟ್ ನ್ಯೂರೋಲ್. ಫೆಬ್ರವರಿ 2024;23(2):178-190. doi:10.1016/S1474-4422(23)00405-2
4. ಜರ್ಕಲಿ ಎ, ಥಾಮಸ್ ಜಿಇಸಿ, ಜೆಟ್ಟರ್‌ಬರ್ಗ್ ಎಚ್, ವೀಲ್ ಆರ್‌ಎಸ್. ಉದ್ದೇಶಿತ ಮಧ್ಯಸ್ಥಿಕೆಗಳ ಯುಗದಲ್ಲಿ ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಯಲ್ಲಿ ನ್ಯೂರೋಇಮೇಜಿಂಗ್ ಮತ್ತು ದ್ರವ ಬಯೋಮಾರ್ಕರ್‌ಗಳು. ನ್ಯಾಟ್ ಕಮ್ಯೂನ್. ಜುಲೈ 5 2024;15(1):5661. doi:10.1038/s41467-024-49949-9
5. ಡೆನ್ನಿಸ್ ಎಪಿ, ಸ್ಟ್ರಾಫೆಲ್ಲಾ ಎಪಿ. ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆ ಮತ್ತು ವಿಲಕ್ಷಣ ಪಾರ್ಕಿನ್ಸೋನಿಸಂಗಳ ರೋಗನಿರ್ಣಯದಲ್ಲಿ AI ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಪಾತ್ರ. ಪಾರ್ಕಿನ್ಸೋನಿಸಂ ರಿಲೇಟ್ ಡಿಸಾರ್ಡ್. ಸೆಪ್ಟೆಂಬರ್ 2024;126:106986. doi:10.1016/j.parkreldis.2024.106986
6. ಗುಪ್ತಾ ಆರ್, ಕುಮಾರಿ ಎಸ್, ಸೇನಾಪತಿ ಎ, ಅಂಬಸ್ತಾ ಆರ್ಕೆ, ಕುಮಾರ್ ಪಿ. ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಆಧಾರಿತ ಪತ್ತೆ, ರೋಗನಿರ್ಣಯ ಮತ್ತು ಚಿಕಿತ್ಸಕಗಳ ಹೊಸ ಯುಗ. ಏಜಿಂಗ್ ರೆಸಲ್ಯೂಷನ್ ರೆವ್. ಸೆಪ್ಟೆಂಬರ್ 2023;90:102013. doi:10.1016/j.arr.2023.102013
7. ಮೈಸ್ಜಿನ್ಸ್ಕಾ ಎಂಎ, ಒಜಮೀಸ್ ಪಿಎನ್, ಲಾಕೋಸ್ಟ್ ಎಎಂಬಿ, ಮತ್ತು ಇತರರು. ನರ ಕ್ಷೀಣಗೊಳ್ಳುವ ಕಾಯಿಲೆಗಳ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಚಿಕಿತ್ಸೆಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಅನ್ವಯಿಕೆಗಳು. ನ್ಯಾಟ್ ರೆವ್ ನ್ಯೂರೋಲ್. ಆಗಸ್ಟ್ 2020;16(8):440-456. doi:10.1038/s41582-020-0377-8
8. ಚೋಯ್ ಎಚ್, ಹಾ ಎಸ್, ಕಾಂಗ್ ಎಚ್, ಲೀ ಎಚ್, ಲೀ ಡಿಎಸ್, ಆಲ್ಝೈಮರ್ನ ಕಾಯಿಲೆ ನ್ಯೂರೋಇಮೇಜಿಂಗ್ I. ಸಾಮಾನ್ಯ ಮೆದುಳಿನ ಪಿಇಟಿಯಿಂದ ಮಾತ್ರ ಆಳವಾದ ಕಲಿಕೆಯು ಅಘೋಷಿತ ಮೆದುಳಿನ ವೈಪರೀತ್ಯಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ. ಇಬಿಯೊಮೆಡಿಸಿನ್. ಮೇ 2019;43:447-453. doi:10.1016/j.ebiom.2019.04.022
9. ಪಲುಂಬೊ ಬಿ, ಫ್ರಾವೊಲಿನಿ ಎಂಎಲ್, ಬುರೆಸ್ಟಾ ಟಿ, ಮತ್ತು ಇತರರು. 123I-FP-CIT ಮೆದುಳಿನ SPECT ದತ್ತಾಂಶದ ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ (SVM) ವಿಶ್ಲೇಷಣೆಯಿಂದ ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಯ ರೋಗನಿರ್ಣಯದ ನಿಖರತೆ: ಪುಟಾಮಿನಲ್ ಸಂಶೋಧನೆಗಳು ಮತ್ತು ವಯಸ್ಸಿನ ಪರಿಣಾಮಗಳು. ಔಷಧ (ಬಾಲ್ಟಿಮೋರ್). ಡಿಸೆಂಬರ್ 2014;93(27):e228. doi:10.1097/MD.0000000000000228
10. ಮಾರ್ಟಿನೆಜ್-ಮುರ್ಸಿಯಾ ಎಫ್‌ಜೆ, ಗೊರಿಜ್ ಜೆಎಂ, ರಾಮಿರೆಜ್ ಜೆ, ಮೊರೆನೊ-ಕ್ಯಾಬಲ್ಲೆರೊ ಎಂ, ಗೊಮೆಜ್-ರಿಯೊ ಎಂ. ಪಾರ್ಕಿನ್ಸೋನಿಸಂನ ಸ್ವಯಂಚಾಲಿತ ಪತ್ತೆಗಾಗಿ 123I-ಐಯೋಫ್ಲುಪೇನ್ ಇಮೇಜಿಂಗ್‌ನಲ್ಲಿ ಟೆಕ್ಚರಲ್ ಪ್ಯಾಟರ್ನ್‌ಗಳ ಪ್ಯಾರಾಮೆಟ್ರೀಕರಣ. ಮೆಡ್ ಫಿಸಿ. ಜನವರಿ 2014;41(1):012502. doi:10.1118/1.4845115
11. ಗೌರವ್ ಆರ್, ವ್ಯಾಲಾಬ್ರೆಗ್ ಆರ್, ಯಾಹಿಯಾ-ಚೆರಿಫ್ ಎಲ್, ಮತ್ತು ಇತರರು. ನಿಗ್ರಾನೆಟ್: ಆರಂಭಿಕ ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಯಲ್ಲಿ ಕನ್ವಲ್ಯೂಷನಲ್ ನರಮಂಡಲವನ್ನು ಬಳಸಿಕೊಂಡು ನೈಗ್ರಲ್ ನ್ಯೂರೋಮೆಲನಿನ್ ಅಂಶವನ್ನು ನಿರ್ಣಯಿಸಲು ಒಂದು ಸ್ವಯಂಚಾಲಿತ ಚೌಕಟ್ಟು. ನ್ಯೂರೋಇಮೇಜ್ ಕ್ಲಿನ್. 2022;36:103250. doi:10.1016/j.nicl.2022.103250
12. ಜಾಂಗ್ ಜೆ. ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಯ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಆರಂಭಿಕ ಪತ್ತೆಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳೊಂದಿಗೆ ಇಮೇಜಿಂಗ್ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಡೇಟಾವನ್ನು ಗಣಿಗಾರಿಕೆ ಮಾಡುವುದು. NPJ ಪಾರ್ಕಿನ್ಸನ್ಸ್ ಡಿಸ್. ಜನವರಿ 21 2022;8(1):13. doi:10.1038/s41531-021-00266-8
13. ಮೆಯೆರ್ ಪಿಟಿ, ಫ್ರಿಂಗ್ಸ್ ಎಲ್, ರಕರ್ ಜಿ, ಹೆಲ್ವಿಗ್ ಎಸ್. (18) ಪಾರ್ಕಿನ್ಸೋನಿಸಂನಲ್ಲಿ ಎಫ್-ಎಫ್‌ಡಿಜಿ ಪಿಇಟಿ: ಅರಿವಿನ ದುರ್ಬಲತೆಯ ಭೇದಾತ್ಮಕ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ. ಜೆ ನುಕ್ಲ್ ಮೆಡ್. ಡಿಸೆಂಬರ್ 2017; 58 (12): 1888-1898. doi: 10.2967 / jnumed.116.186403
14. ಓಫೊರಿ ಇ, ಪಾಸ್ಟರ್ನಾಕ್ ಒ, ಪ್ಲಾನೆಟಾ ಪಿಜೆ, ಮತ್ತು ಇತರರು. ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಯ ಸಬ್ಸ್ಟಾಂಟಿಯಾ ನಿಗ್ರಾದಲ್ಲಿ ಹೆಚ್ಚಿದ ಉಚಿತ ನೀರು: ಏಕ-ಸ್ಥಳ ಮತ್ತು ಬಹು-ಸ್ಥಳ ಅಧ್ಯಯನ. ನ್ಯೂರೋಬಯೋಲ್ ಏಜಿಂಗ್. ಫೆಬ್ರವರಿ 2015;36(2):1097-104. doi:10.1016/j.neurobiolaging.2014.10.029
15. ಓಫೊರಿ ಇ, ಪಾಸ್ಟರ್ನಾಕ್ ಒ, ಪ್ಲಾನೆಟಾ ಪಿಜೆ, ಮತ್ತು ಇತರರು. ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಯ ಸಬ್ಸ್ಟಾಂಟಿಯಾ ನಿಗ್ರಾದೊಳಗೆ ಮುಕ್ತ ನೀರಿನಲ್ಲಿ ರೇಖಾಂಶದ ಬದಲಾವಣೆಗಳು. ಮೆದುಳು. ಆಗಸ್ಟ್ 2015;138(Pt 8):2322-31. doi:10.1093/brain/awv136
16. ಪ್ಲಾನೆಟಾ ಪಿಜೆ, ಒಫೊರಿ ಇ, ಪಾಸ್ಟರ್ನಾಕ್ ಒ, ಮತ್ತು ಇತರರು. ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆ ಮತ್ತು ವಿಲಕ್ಷಣ ಪಾರ್ಕಿನ್ಸೋನಿಸಂನಲ್ಲಿ ಮುಕ್ತ-ನೀರಿನ ಚಿತ್ರಣ. ಮೆದುಳು. ಫೆಬ್ರವರಿ 2016;139(Pt 2):495-508. doi:10.1093/brain/awv361
17. ಆರ್ಚರ್ ಡಿಬಿ, ಬ್ರಿಕರ್ ಜೆಟಿ, ಚು ಡಬ್ಲ್ಯೂಟಿ, ಮತ್ತು ಇತರರು. ಪಾರ್ಕಿನ್ಸೋನಿಸಂನಲ್ಲಿ ಸ್ವಯಂಚಾಲಿತ ಇಮೇಜಿಂಗ್ ಡಿಫರೆನ್ಷಿಯೇಶನ್ (ಎಐಡಿ-ಪಿ) ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಮೌಲ್ಯೀಕರಣ: ಬಹು-ಸ್ಥಳ ಯಂತ್ರ ಕಲಿಕೆ ಅಧ್ಯಯನ. ಲ್ಯಾನ್ಸೆಟ್ ಡಿಜಿಟ್ ಹೆಲ್ತ್. ಸೆಪ್ಟೆಂಬರ್ 2019;1(5):e222-e231. doi:10.1016/s2589-7500(19)30105-0
18. ವೈಲನ್‌ಕೋರ್ಟ್ ಡಿಇ, ಬಾರ್ಂಪೌಟಿಸ್ ಎ, ವು ಎಸ್‌ಎಸ್, ಮತ್ತು ಇತರರು. ಪಾರ್ಕಿನ್ಸೋನಿಸಂಗೆ ಸ್ವಯಂಚಾಲಿತ ಇಮೇಜಿಂಗ್ ಡಿಫರೆನ್ಷಿಯೇಶನ್. JAMA ನ್ಯೂರೋಲ್. ಮೇ 1 2025;82(5):495-505. doi:10.1001/jamaneurol.2025.0112
19. ಗಾರ್ಸಿಯಾ ಸಾಂತಾ ಕ್ರೂಜ್ ಬಿ, ಹಶ್ ಎ, ಹರ್ಟೆಲ್ ಎಫ್. ಮೆದುಳಿನ ಚಿತ್ರಣವನ್ನು ಬಳಸಿಕೊಂಡು ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಯ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಮುನ್ನರಿವುಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳು: ಸಾಮಾನ್ಯ ಅವಲೋಕನ, ಮುಖ್ಯ ಸವಾಲುಗಳು ಮತ್ತು ಭವಿಷ್ಯದ ನಿರ್ದೇಶನಗಳು. ಫ್ರಂಟ್ ಏಜಿಂಗ್ ನ್ಯೂರೋಸಿ. 2023;15:1216163. doi:10.3389/fnagi.2023.1216163
20. ಶೋಕ್ರ್‌ಪೋರ್ ಎಸ್, ಮೊಘದಮ್ ಫರೀದ್ ಎ, ಬಝಾಜ್ ಅಬ್ಕೆನಾರ್ ಎಸ್, ಹಘಿ ಕಶಾನಿ ಎಂ, ಅಕ್ಬರಿ ಎಂ, ಸರ್ವಿಜಾದೆ ಎಂ. ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಗೆ ಯಂತ್ರ ಕಲಿಕೆ: ಡೇಟಾಸೆಟ್‌ಗಳು, ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮತ್ತು ಸವಾಲುಗಳ ಸಮಗ್ರ ವಿಮರ್ಶೆ. ಎನ್‌ಪಿಜೆ ಪಾರ್ಕಿನ್ಸನ್ ಡಿಸ್. ಜುಲೈ 1 2025;11(1):187. doi:10.1038/s41531-025-01025-9

ವಿಭಾಗ: ಸಿನಕ್ಲಿನೋಪತಿಗಳಲ್ಲಿ ಆಲ್ಫಾ-ಸಿನಕ್ಲಿನ್ ಇಮೇಜಿಂಗ್‌ನ ಪ್ರಸ್ತುತತೆ.

1. ಎಂಡೋ ಎಚ್, ಓನೊ ಎಂ, ಟಕಾಡೊ ವೈ, ಮಾಟ್ಸುವೊಕಾ ಕೆ, ಟಕಹಶಿ ಎಂ, ಟಗೈ ಕೆ, ಕಟೋಕಾ ವೈ, ಹಿರಾಟಾ ಕೆ, ಟಕಹಟಾ ಕೆ, ಸೆಕಿ ಸಿ, ಮತ್ತು ಇತರರು. ಪ್ರಾಣಿಗಳ ಮಾದರಿಗಳು ಮತ್ತು ಪಾರ್ಕಿನ್ಸನ್ ಮತ್ತು ಸಂಬಂಧಿತ ಕಾಯಿಲೆಗಳ ರೋಗಿಗಳಲ್ಲಿ α-ಸಿನ್ಯೂಕ್ಲಿನ್ ರೋಗಶಾಸ್ತ್ರವನ್ನು ಚಿತ್ರಿಸುವುದು. ನರಕೋಶ. 2024;112(15):2540–2557.e8. doi: 10.1016/j.neuron.2024.05.006
2. 2. ಮಾಟ್ಸುವೊಕಾ, ಕೆ., ಓನೊ, ಎಂ., ಟಕಾಡೊ, ವೈ., ಹಿರಾಟಾ, ಕೆ., ಎಂಡೋ, ಹೆಚ್., ಓಫುಸಾ, ಟಿ., ಕೊಜಿಮಾ, ಟಿ., ಯಮಮೊಟೊ, ಟಿ., ಒನಿಶಿ, ಟಿ., ಒರಿಹರಾ, ಎ., ಟಗೈ, ಕೆ., ಟಕಹಾಟಾ, ಕೆ., ಸೆಕಿ, ಸಿ., ಶಿನೊಟೊಹ್, ಎಚ್., ಕವಾಮುರಾ, ಕೆ., ಶಿಮಿಜು, ಎಚ್., ಶಿಮಾಡಾ, ಎಚ್., ಕಾಕಿತಾ, ಎ., ಜಾಂಗ್, ಎಂ.-ಆರ್., ಸುಹರಾ, ಟಿ. ಮತ್ತು ಹಿಗುಚಿ, ಎಂ. (2022), ಬಹು ವ್ಯವಸ್ಥೆಯ ಕ್ಷೀಣತೆ ಹೊಂದಿರುವ ಜೀವಂತ ರೋಗಿಗಳಲ್ಲಿ α-ಸಿನ್ಯೂಕ್ಲಿನ್ ರೋಗಶಾಸ್ತ್ರದ ಹೈ-ಕಾಂಟ್ರಾಸ್ಟ್ ಇಮೇಜಿಂಗ್. ಮೂವ್ ಡಿಸಾರ್ಡ್, 37: 2159-2161
3. 3. ಸ್ಮಿತ್, ಆರ್., ಕ್ಯಾಪೊಟೊಸ್ಟಿ, ಎಫ್., ಸ್ಚೈನ್, ಎಂ. ಮತ್ತು ಇತರರು. α-ಸಿನ್ಯೂಕ್ಲಿನ್ ಪಿಇಟಿ ಟ್ರೇಸರ್ [18F] ACI-12589 ಬಹು ವ್ಯವಸ್ಥೆಯ ಕ್ಷೀಣತೆಯನ್ನು ಇತರ ನರ ಕ್ಷೀಣಗೊಳ್ಳುವ ಕಾಯಿಲೆಗಳಿಂದ ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ. ನ್ಯಾಟ್ ಕಮ್ಯೂನ್ 14, 6750 (2023)
4. 4. ಸಾ ಆರ್, ಬಸ್ ಎಸ್, ಶ್ಮಿತ್ ಎಫ್, ರಿಯಾಜಾನೋವ್ ಎಸ್, ಲಿಯೊನೊವ್ ಎ, ಬ್ಲೆಹರ್ ಡಿ, ಗೊಟೆಗರ್ಡ್ ಎ, ಕ್ಯೂಬ್ಲರ್ ಎಲ್, ರೋಬೆನ್ ಬಿ, ಶ್ಮಿತ್ ಎಫ್, ರೀಮೋಲ್ಡ್ ಎಂ, ಬೊನಾನ್ನೊ ಎಫ್, ರುಫ್ ವಿ, ಡಹ್ಲ್ ಬಿ, ಸ್ಯಾಂಡಿಗೊ ಸಿ, ಹೆನ್ರಿ ಕೆ, ಪಾಪಡೊಪೌಲೋಸ್ I, ಸ್ಚಲ್ಲರ್ ಎಂ, ಕಹ್ಲೆ ಪಿ, ಲೆವಿನ್ ಜೆ, ಗ್ಯಾಸರ್ ಟಿ, ಬ್ರಾಕ್‌ಮನ್ ಕೆ, ರೀಶ್ಲ್ ಜಿ, ಫೌಗೆರೆ ಸಿ, ಪಿಚ್ಲರ್ ಬಿ, ಮೌರರ್ ಎ, ಗ್ರೈಸಿಂಗರ್ ಜಿ, ಗೀಸೆ ಎ, ಹರ್ಫರ್ಟ್ ಕೆ. ರಿಸರ್ಚ್ ಸ್ಕ್ವೇರ್, 2024 (ಪೂರ್ವಮುದ್ರಣ)
5. 5. ಕ್ಸಿಯಾಂಗ್ ಜೆ, ಟಾವೊ ವೈ, ಕ್ಸಿಯಾ ವೈ, ಲುವೋ ಎಸ್, ಝಾವೋ ಕ್ಯೂ, ಲಿ ಬಿ, ಝಾಂಗ್ ಎಕ್ಸ್, ಸನ್ ವೈ, ಕ್ಸಿಯಾ ಡಬ್ಲ್ಯೂ, ಝಾಂಗ್ ಎಂ, ಕಾಂಗ್ ಎಸ್ಎಸ್, ಅಹ್ನ್ ಇಹೆಚ್, ಲಿಯು ಎಕ್ಸ್, ಕ್ಸಿ ಎಫ್, ಗುವಾನ್ ವೈ, ಯಾಂಗ್ ಜೆಜೆ, ಬು ಎಲ್, ವು ಎಸ್, ವಾಂಗ್ ಎಕ್ಸ್, ಕಾವೊ ಎಕ್ಸ್, ಲಿಯು ಸಿ, ಝಾಂಗ್ ಝಡ್, ಲಿ ಡಿ, ಯೆ ಕೆ. ಸಿನ್ಯೂಕ್ಲಿನೊಪತಿಗಳನ್ನು ಚಿತ್ರಿಸಲು α-ಸಿನ್ಯೂಕ್ಲಿನ್ ಪಾಸಿಟ್ರಾನ್ ಎಮಿಷನ್ ಟೊಮೊಗ್ರಫಿ ಟ್ರೇಸರ್‌ನ ಅಭಿವೃದ್ಧಿ. ಕೋಶ. 2023 ಆಗಸ್ಟ್ 3;186(16):3350-3367.e19