深部脑刺激（DBS）对帕金森病（PD）的疗效可能取决于刺激部位与其他脑区之间的连通性，但是刺激哪些脑区，以及脑区间连通性是否能够预测患者的预后，仍然未知。在这里，我们确定了有效的DBS刺激丘脑底核（STN）所涉及的结构和功能连通性，并在独立队列中测试了其预测疗效的能力。
方法 :由51名接受STN DBS治疗的PD患者组成训练集，结合公开的人类连接体数据库（弥散纤维束成像和静息态功能连接成像），以确定与临床症状改善（统一帕金森病评分表[UPDRS]的运动评分）相关的连通性。然后，在一个由44名来自不同中心的患者组成的独立队列中，使用该连通性预测疗效。
结果:在训练集中，DBS电极和分布式脑区网络之间的连通性与临床反应相关，包括与辅助运动区的结构连接，以及与初级运动皮质的功能反相关性（p<0.001）。在一个独立的患者队列中，这样的连通性可以预测治疗反应（p<0.01）。结构和功能连通性是临床改善（p<0.001）的独立预测因素，在UPDRS改善（平均误差为15%）的个体患者中，结构和功能连通性是临床改善和评估治疗反应的独立预测因素。使用正常受试者的连接组数据或与我们的DBS患者年龄、性别和疾病均匹配的连接组数据，可得出相似的结果。STN(丘脑底核) DBS治疗帕金森病的有效性与特定的连通性相关，可以在独立队列中预测临床疗效。本文发表在Annals of Neurology 杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。
简介：
深部脑刺激（DBS）是治疗帕金森病（PD）的一种行之有效的方法，可以改善运动症状和生活质量。最常见的DBS靶点是丘脑底核（STN），根据立体定向坐标和术前磁共振成像（MRI）确定。然而，DBS的治疗效果可能取决于与刺激部位相连的远程大脑区域的调节。DBS的这些远程效应已通过电生理学和脑成像进行测量。此外，它们可能与临床反应相关。因此，刺激部位与其他大脑区域的网络连接可能是DBS反应的重要中介。因此，人们可能基于与刺激部位的连通性来预测治疗反应，甚至基于连通性来优化DBS刺激靶点。
受这些发现的启发，研究人员努力确定哪些与DBS刺激点相关的连通性是最重要的。例如，连接STN和皮质的超直接通路被认为起着关键作用。然而，非侵入性地识别人类的脑连接体并不简单。两种基于MRI测量连通性的方法似乎很有潜力。弥散纤维束成像是一种无创性的解剖连接测量方法，可以识别DBS电极附近的白质束。功能连接是衡量自发活动相关性的一个指标，可以将DBS刺激部位与包括非侵入性脑刺激靶点在内的皮质区域联系起来。尽管做出了这些努力，但临床上对有效治疗PD患者的STN刺激，所涉及的连通性模式仍不清楚。
在这里，我们使用扩散纤维成像和功能连通性的高质量连接组数据集，来计算对帕金森病有效的STN刺激所涉及的脑连通性。大多数分析使用正常受试者（N=1030）的连接组数据，但我们使用了PD患者（N=90）的连接组数据，以确保结果是可重复的。尽管PD患者连接组数据尚未被广泛用于DBS疗效的研究，但有研究证明它是有价值的。我们研究了两组接受STN DBS治疗的PD患者（n=51和n=44），以验证连通性可预测独立数据集中的临床疗效的假设。
受试者和方法（Subjects and Methods）
患者队列和成像
表.所有队列和子队列人口统计学信息
本研究回顾性地纳入了来自两个中心的95名接受DBS治疗的患者（平均年龄=60.2±8.0岁，29名女性）。第一个“训练”数据集来自德国柏林夏里特医学院（Charité – Universitätsmedizin，Berlin ），第二个“测试”数据集来自乌兹堡大学医院（Würzburg University Hospital ）（表）。这项研究是根据赫尔辛基宣言进行的，并得到了夏里特医学院或乌兹堡大学医院的国际评审委员会的批准（见下文）。
所有患者（两个数据集）均因PD接受DBS手术，并接受2个四端DBS电极（model 3389; Medtronic, Minneapolis, MN ）。所有患者均接受了术前MRI和神经心理学测试，以排除结构性或严重精神并发症。在手术过程中，进行微电极记录以验证导线的位置。在单变量分析中，记录并测试了临床变量，包括年龄、性别、术前疾病持续时间、术前左旋多巴反应（在统一帕金森病评定量表[UPDRS]-III ON vs OFF上的改善百分比）以及基线时的左旋多巴等效剂量（LEDD）对临床疗效的预测价值。
训练集（Berlin队列）由4个亚组组成，分别在不同时间和不同研究中登记。这些亚组在临床表现和DBS效应方面具有异质性，以尽量确保该训练集的结果具有普遍性。一个亚组由早期PD患者（B1）组成，一个亚组回顾性收集仅评估UPDRS反应的病历（B2），一个亚组由典型的、年龄平均的受STN刺激的研究人群组成（B3），1个亚组的DBS靶点靠近未定带尾侧，而不是STN本身（B4）。该最终队列的详细临床结果将另行报告。对于Berlin队列中的所有患者，术后1至2年的DBS反应，以UPDRS运动评分的百分比变化来衡量。
测试集（Würzburg队列）由一个临床队列组成。DBS反应以UPDRS运动评分的百分比变化来衡量，比较DBS术后和术前基线。请注意，在Würzburg和Berlin队列中，DBS结果测量是不同的，这是为了确保结果的普遍性。所有UPDRS-III评分（两个数据集）均在多巴胺能药物停药超过12小时后记录。
定位DBS位置
DBS定位协议基本上遵循Horn和Kühn中描述的协议，并进行了一些修改。简单地说，术后图像使用SPM12或BRAINSFit软件与术前MRI进行线性配准。手动配准每位患者，并在需要时进行完善。
然后，根据术前MRI检查，使用高级标准化工具ANTs中实现的SyN方法，将图像标准化为ICBM 2009b NLIN非对称空间。使用Lead DBS软件将DBS电极触点定位在MNI空间内。
评估被激活组织的范围
激活组织范围（VTA）的评估基本上遵循McIntyre等人和Åstr Eurom等人描述的概念，但使用新的开源管道重新实现这些过程。为了构建DBS电极和周围组织的体积导体模型，基于DBS电极和皮质下核的表面网格，使用Iso2Mesh工具箱生成了一个四面体体积网格。既没有传导/绝缘电极材料，也没有灰质区域被分配到白质。皮质下灰质核由DISTAL图谱确定。灰质和白质的电导率分别为0.33和0.14 S/m。对于铂/铱触点和电极的绝缘部分，分别使用108 S/m和10-16 S/m的值。基于体积导体模型，通过将FieldTrip-SimBio 管道集成到Lead-DBS中，模拟DBS产生的电位分布。将施加在有效电极触点上的电压作为边界条件引入。在单极刺激的情况下，将体积网格的表面用作阳极。随后，通过有限元法（FEM）的推导计算电势分布的梯度。由于采用了一阶有限元法，因此产生的梯度是分段连续的。将梯度阈值设定为高于常用值0.2V/mm的量级，以定义组织激活的范围和形状。
连通性评估
使用2个连接组，评估计算每个VTA（ 激活组织范围）和大脑其他体素之间的功能和结构连接性。这两个连接组，一个来自健康受试者（N=1030）的大型标准连接组；另一个较小的连接组（N=90），与我们的DBS患者年龄、性别和疾病相匹配。
正常连接组：
使用3T西门子（Erlangen, Germany ）核磁共振成像（MRI）获得了1000名健康受试者的静息态功能连接数据，这是Brain Genomics Superstruct Project 的一部分。处理包括全局信号回归和6mm半最大值全宽度的空间平滑。对于结构连通性，基于扩散加权成像（DSI Studio)以及来自Massa- chusetts General Hospital 的人类连接体项目中32名受试者的T2加权成像数据，这些数据是在一台专门设计的MRI扫描仪上获得的，其梯度比传统的MRI扫描仪更强大。使用DSI Studio中实施的广义q采样成像算法，计算全脑纤维束成像纤维组。采样在白质掩模内进行，该掩模在T2加权结构采集上使用统一分割方法定义，并使用SPM12共同记录到b0体积。在每个受试者中，20万根纤维被取样。然后，如前所述，将纤维束转化为MNI空间。
PD连接组：
90名患者的MRI数据来自帕金森病进展标志物倡议（PPMI）数据库（平均年龄=61.38±10.42标准差，28名女性）。该数据集的年龄和性别也与我们的整个队列相匹配（69% vs 68%的女性，平均年龄差异=1岁）。详细的扫描参数可在项目网站（www.ppmi-info.orgz）上找到。所有90名患者都进行了弥散加权扫描，但只有74名患者进行了静息态功能MRI扫描。功能和结构数据的处理与健康受试者相同。
使用上述连接组数据集估计每个VTA和大脑其余部分体素之间的连接。对于功能连接性，从1000名（健康）/74名（帕金森病连接组）受试者的每个VTA内的体素中取样时间序列，并与大脑中其他每个体素的时间序列相关联。然后在连接组数据集中对受试者的这些功能连接性进行平均。对于结构连通性，从连接体组中选择穿过VTA的纤维，并以2mm的各向同性分辨率投射到大脑的体积空间，表示穿过每个体素的纤维数量（连接到VTA）。
生成有效连通性的模型
通过对SPM12（p>0.2，2×2×2 mm MNI-152空间）提供的组织概率图进行阈值化，来定义灰质体素图。计算每个患者VTA与该体积中每个体素的（结构和功能）连通性。功能连接强度表示为1000名受试者的平均R值。结构连接强度表示为VTA和皮质体素之间的纤维束数量。在进行空间关联之前，对功能连接图进行Fisher z变换。同样，结构连接性按照van Albada的方法转换为高斯分布。这两种转化（Fisher z或van Albada方法）都没有改变本文报道的主要结果。图1总结了识别DBS连通性的方法。
图1：识别深部脑刺激（DBS）连通性的方法。处理步骤包括：获取术前/术后成像（A），将DBS电极定位在标准空间（B），根据刺激参数（C）计算组织激活体积（VTA），然后使用高质量的标准连接组数据，计算VTA和大脑其他部分的功能（D）和结构（E）连接。显示了我们对标准连接组数据集的处理流程，并在所有主要分析中使用。对于功能连通性，正相关显示在暖色中，而负相关（反相关）显示在冷色中（颜色版本在线提供）。
GPe=外苍白球；GPi=内苍白球；HCP=人类连接体项目；STN=丘脑底核。
我们使用训练集来评估不同的方案，以确定连通性对临床疗效的预测能力。首先，通过临床改善（加权平均图）对每个VTA的连接体图进行加权。其次，确定与哪些体素的VTA连通性与临床结果相关（R图）。然后，我们创建了与VTA及临床结果均相关的体素图（组合图）。第三个图是通过用R图掩盖加权平均图来计算的（R>0表示正值，R<0表示负值）。最后，使用我们的标准连接组或PD连接组来计算映射图。
为了确定哪个方案最适合预测临床结果，我们采用了训练集（B1-4）和留一法设计。例如，我们使用队列B1–B3来生成上述映射图，然后使用映射图来预测队列B4的临床结果。基于“标准”连通性和患者个体连通性之间的相似性（使用Fisher z变换空间相关系数测量），进行临床结果评估。这是独立完成的结构和功能连接。在Berlin数据集（B1-4）中生成预测不同队列结果的最佳模型，随后将该模型应用于独立的Würzburg检验数据（W）。
最后，我们使用了组合数据集（B1-4 W；n=95），以及结合了结构和功能连接性的一般线性模型（GLM），以测试（1）这两种连接性是否是临床结果的独立预测因子，以及（2）两种连接性指标的组合可以解释多少结果变量。最初的GLM仅基于连通性估计进行计算，而第二个GLM包括相关的基线临床变量。
为了测试个体患者的预后预测是否可靠，同样的GLM采用了“留一”法解决。换句话说，94名患者的数据用于预测第95名患者，并将预测改善与实际改善进行比较。报告了平均预测误差，并选择了3名患者作为示例结果。
如果您对脑网络等脑影像等数据分析感兴趣，可浏览思影科技课程及服务，感谢转发支持（可添加微信号siyingyxf或18983979082咨询，另思影提供免费文献下载服务，如需要也可添加此微信号入群）:
北京：
第七十二届磁共振脑影像基础班（北京，11.9-14）
第六届影像组学班（北京，11.25-30）
第三十四届磁共振脑网络数据处理班（北京，12.3-8）
上海：
第十四届任务态功能磁共振数据处理班（上海，11.30-12.5）
第十一届脑网络数据处理提高班（上海，12.15-20）
第七届影像组学班(上海，12.22-27)
第七十四届磁共振脑影像基础班(上海，22.12.28-23.1.2）
重庆：
第六届弥散磁共振成像提高班（重庆，11.17-22）
第二十三届磁共振脑影像结构班（重庆，11.27-12.2）
第二十五届脑影像机器学习班（重庆，12.5-10）
第七十三届磁共振脑影像基础班（重庆，12.20-25）
南京：
第七十一届磁共振脑影像基础班（南京，11.12-17）
第二十九届弥散成像数据处理班（南京，11.19-24）
第二十六届脑影像机器学习班（南京，12.9-14）
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技定量磁敏感（QSM)数据处理业务
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影科技灵长类动物fMRI分析业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
思影科技微生物菌群分析业务
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京，重庆）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
结果
我们的DBS队列包括来自2个独立数据集的95名患者（30名女性，平均年龄=60.2±8.0岁）、68名运动性僵直、19名混合型和8名震颤显性病例（见表）。平均病程为11.4±4.3年，基线UPDRS评分为43.7±13.4，左旋多巴反应为57.6±18.2%，DBS改善UPDRS为47.2±22.4%。与DBS后12个月相比，基线检查时LEDD的减少为58.3%（术前为1250.0±595.5，术后为530.7±389.2）。DBS在Berlin队列亚组中的反应是异质的，这是为了确保结果对不同队列具有鲁棒性。
基线UPDRS评分是Berlin（R=0.33，p<0.02）和Würzburg（R=0.35，p<0.02）队列中DBS反应的唯一临床变量预测，基线评分越高，预测改善的百分比越大。在Berlin队列，手术年龄（R=-0.42，p=0.002）和女性性别（t=2.5，p=0.01）是预测因素，但在Würzburg队列中，这些不是预测因素（两个变量p>0.8）。疾病持续时间（p>0.4）、基线左旋多巴反应（p>0.15）和基线LEDD（p>0.1）均不能预测两个队列的DBS结局。
在我们的两个队列中，DBS的放置位置大致相似（图2）。使用Berlin队列（n=51）中的患者特异性电极位置和VTA，我们确定了许多与临床改善相关的功能和结构连接（图3）。患者的DBS连接性与这些映射图匹配得越好，其临床结果越好。无论是在完整的Berlin数据集（B1-4）中，还是在”留一“亚组（例如，使用B1-3来估计B4中的响应）中，这都是正确的。在训练集中探索了计算这些连接图的几种方案（参见Subjects and Methods ）。健康受试者连接组数据和组合图（加权图和R图的重叠）解释了“留一”分析中的最大方差。
图2：训练集和测试集的DBS电极位置和队列信息。左侧显示的Berlin数据集（B1-4），用于训练和交叉验证（采用留一设计）。最后的模型应用于Würzburg测试集（W，右），进而确认。
图3：在Berlin训练集中，连通性对临床改善的预测能力。显示了使用标准连接组进行分析的结果。使用加权平均值（第一列）、与临床结果的相关性（R图，第二列）以及这两种图的组合（第三列），确定与临床改善相关的功能连接（第一行）和结构连接（第二行）。利用组合图，使用完整数据集（第四列）和留一设计（最后一列），预测每位患者的临床结果。点的颜色（在线提供的颜色版本）表示图2中指定的子类别。
然后，使用Berlin数据集得出这些连接性图谱（组合图、正常连接组），用于预测独立Würzburg数据集的临床结果（图4）。在这个独立的数据集中，尽管治疗中心、手术医生和临床评估时间存在差异，但是结构连通性（R=0.45，P=0.002）和功能连通性（R=0.34，P=0.03）都是临床预后的重要预测因素。
图4：在独立数据集上验证连接性。将在Berlin训练集（B1-4组合）生成的功能连通性（顶行）和结构连通性（底行）的连通性图，在独立的Würzburg数据集中预测临床结果。
在Berlin训练集（N=51）、Würzburg测试集（N=44）和完整数据集（N=95；图5）中进行计算，有效DBS的刺激部位的连通性映射图（组合图）非常相似。DBS电极与初级运动皮质（M1）之间的反相关，以及与辅助运动区（SMA）、额上回和小脑之间的结构连接，可以预测单独数据集以及合并数据集的疗效。
图5：在不同数据集中，与临床反应相关的连接性图是一致的。组合图（加权平均图和R图）基于Berlin数据集（左）、Würzburg数据集（中）以及两个数据组合集（右）。
结构（p<0.006）和功能（p<0.007）连通性都是临床结果的独立预测因子。结合这两种连接类型的组合模型，可以解释DBS反应中26.2%的临床差异（p<10-8时，预测改善与真实改善之间的相关性 R=0.51）。将临床变量（基线时的年龄、性别和UPDRS）添加到该模型中，解释了DBS反应中43.4%的方差（p<10-13时,R=0.66）。在最终的模型中，结构连接性、功能连接性、基线UPDRS和性别都是DBS反应的显著独立预测因子（p<0.05）。
在最终的分析中，我们探讨了基于患者DBS电极的连通性，如何预测个体患者的预后。这是在组合（B1–4 W）数据集上完成的，同时忽略了相关患者。这些预测与UPDRS-III的实际改善相比，平均偏差为15.7±14.2%。例如，如果一名患者实际改善了30%，我们的连通性算法可能会预测改善45%或15%。将其他临床变量（基线时的UPDRS、手术时的年龄、性别）纳入分析，几乎没有增加仅基于连通性的临床预测能力（平均误差=15.1±11.8%）。图6中显示了三名患者，他们分别是预测准确的反应佳者、预测准确的反应差者和预测不准确的反应差者。
图6：基于脑深部刺激（DBS）连通性的个体患者临床结果预测。使用功能连接（左）和结构连接（中），显示了3名患者的单个DBS部位与大脑其他部位之间的连接。基于个体患者的连通性与良好DBS反应的匹配情况，预测临床反应（右图）。选择的例子包括预测准确的良好应答者（顶部），预测准确的不良应答者（中间），以及预测不准确的不良应答者（ 32%；底部），第三类受试者经抗抑郁治疗后，与我们的预测相匹配（-10.4%）。
尽管在Berlin数据集的留一分析中，标准连接组表现略好于PD连接组，但使用年龄、性别和疾病均匹配的连接组更为简便。因此，我们使用该PD连接组重复了所有分析，结果非常相似。例如，使用标准连接组或PD连接组时，受试者的VTA和M1之间的功能连接性高度相关（R=0.97，p<10-7），并可预测DBS反应的差异（标准连接组 R=0.23，p<0.05；PD连接组 R=0.17，p<0.05）。同样，在任一连接组中，患者的VTA和SMA之间的结构连接高度相关（R=0.80，p<10-7），并预测DBS反应的差异（标准连接组 R=0.27，p<0.005，PD组为R=0.21，p<0.05）。最后，在Berlin队列中使用PD连接组与标准连接组生成映射图，并在Würzburg队列中预测疗效，结果类似，功能连接性（标准连接组 R=0.34，p<0.03；PD组 R=0.44，p<0.005）和结构连接性（标准连接组 R=0.45，p<0.002；PD组 R=0.38，p<0.011）。
讨论
从这项研究中可以得出四个主要结论：
1、STN DBS电极的结构及功能连接模式，与PD患者的临床预后相关。
2、结构和功能连通性是DBS反应的独立预测因子。
3、从一个患者队列得出的连通性，可以在来自不同DBS治疗中心的独立队列中，预测患者的临床预后。
4、我们解释了如何利用连通性来估计个体患者的临床预后。
有效STN DBS的连通性
目前的研究与之前的研究有三个主要区别。首先，之前的研究仅关注解剖连接，而当前的研究包括解剖连接和功能连接。解剖连通性（基于扩散MRI）比功能连通性（基于功能磁共振成像）具有更高的空间分辨率，因此更可能识别同一患者相邻电极触点之间的差异。然而，数据表明，对预测电极位置不同的患者，预测临床预后时，功能连通性比解剖连通性的预测价值更高。这与其他工作是一致的。
其次，目前的研究使用的是之前收集的连接组数据，而不是研究中登记的个体患者的连接数据。因此，每个DBS电极的连接性仅取决于相应VTA的位置、大小和形状。这是一个主要的实际优势，因为DBS患者没有常规获取基于MRI的连通性数据。因此，目前的研究可以利用不同中心的大型DBS队列（n=95），而之前需要患者特异性连接的研究（n<25）要小得多。因为患者数量有限，且临床反应存在异质性，目前的方法可能对发现DBS适应症具有特别的价值。即使没有获得单独的连通性数据，这样的DBS数据集也可以进行回顾性分析。
一个有趣的问题是，哪一个连接组数据集最适合识别有效DBS的连接模式。来自健康受试者的标准连接组的优势是，受试者数量多、信噪比高以及使用专为连接成像设计的独特高功率MRI扫描仪进行采集。这些标准连接组数据，在预测患者的中风症状方面是有价值的，而目前的研究显示，其在预测DBS治疗的临床预后方面有价值。相比之下，基于患者的连接组数据，可更好地匹配我们的DBS患者的连通性。研究表明，使用标准连接组和基于患者的连接组，结果是相似的。最后，获取每位患者的连通性数据，对个体差异的敏感性最高，但信噪比最低。值得注意的是，我们的结果与之前基于患者特定连通性的STN DBS研究基本一致。未来的工作需要确定如何最好地结合标准连接组、基于患者的连接组和来自个体患者的连通性数据。
最后，相比于之前的研究，本研究注重数据的再现性。我们利用来自不同DBS中心的独立队列，并有意选择异质性队列，以确保重复性。我们的研究对象由不同的外科医生进行手术，有不同的术后成像，并以不同的方式测量DBS反应。这种异质性可以被视为一种限制，因为它降低了我们检测重大结果的能力。然而，尽管存在这种异质性，我们的结果还是显著的，这是一个主要优势，应该会提高其他队列的重复性。据我们所知，这是第一项DBS成像研究，用于测试独立和异质队列结果的可重复性。
多模型证实
本研究中确定的连接性与之前的研究一致。本研究中，与有效STN电极（例如SMA、前扣带回、内侧前额叶皮质）在解剖上连接并正相关的大脑区域，在开启STN DBS时，神经影像学的活动增加。假设SMA的激活是通过超直接通路内的纤维激活而发生的。SMA和运动前皮质萎缩，也是PD患者DBS预后的预测因素。我们的结果证实了SMA的重要性，并在较小程度上证实了前运动皮质和其他额叶区域在DBS反应中的重要性。
本研究中，与SMA相反，M1与有效STN DBS电极呈负相关。反应良好者的DBS电极（功能）与M1呈负相关。相应地，如果DBS被激活，M1在神经影像学上表现出活性降低。这些结果表明，功能连通性可以预测DBS引起的代谢变化的改变。与PD病理生理学相关的其他研究，包括STN和M1之间的异常连接以及STN DBS对M1兴奋性的调节。
网络靶向刺激的意义
通过证明连通性可以预测PD患者对DBS的个体反应，提出治疗性脑刺激的靶点可能是大脑网络，而不是单个大脑区域。因此，疗效相似的不同刺激模式，可能以不同的网络节点作为靶点。为此，值得强调的是，在我们的研究中，DBS电极与2个经颅磁刺激（TMS）靶点的连通性似乎可以预测DBS效应，研究显示这两个TMS靶点可以改善PD、SMA和M1中的运动症状。这些皮质图有助于完善TMS皮质靶点，或作为刺激分布式网络的多焦阵列的基础。
预测和指导DBS
目前的连通性足以预测不同队列和DBS中心的DBS结果，问题是这些连通性特征是否具有临床实用性。例如，在DBS反应不佳的患者中，当前算法可能有助于确定电极位置是否合适（可能需要修正导线）或其他可能有效的因素。例如，我们的模型预测症状会改善的DBS反应差者，（见图6，底行），在经抑郁症治疗后，其改善程度与我们的预测相符。该病例证明了我们方法的潜力，但也说明了除连通性以外的许多因素会影响DBS反应，包括年龄、PD基线严重程度、左旋多巴反应性和疾病亚型。尽管有这些因素，我们纯粹基于连通性的模型，可以解释26%的运动预后差异。添加额外的临床变量，将我们的模型可解释的方差增加到44%。有趣的是，在我们的研究中，左旋多巴的反应性并不是DBS结果的预测因子，这与最近的其他研究一致。额外的临床或影像学变量是否会预示额外的变异仍有待测试。
局限性
我们研究的局限性包括训练集各亚组之间的异质性。然而，这是为了确保结果对不同的队列具有鲁棒性。第二，当前的分析使用的是一般的VTA模型。然而，更先进的VTA建模方法可以进一步改善我们的结果。最后，我们的研究不是为了对比解剖（即，电极/VTA位置）和连通性对DBS结果的预测能力。，但这并不意味着在我们的病例中解剖位置不能预测DBS的预后。需要进一步的工作来解释解剖位置和连通性对预测预后的贡献。
