10月27日中午，大数据学院于子彬院南301会议室展开了第十期大数据学院青年小讲堂，学院青年研究员周渊老师进行了以“帕金森病进展的贝叶斯分析方法”为主题的分享。
周渊老师介绍了他们团队在帕金森病研究过程中使用的方法，在使用123I-FP-CIT的SPECT成像（即DaTscan）中，帕金森病(Parkinson's Disease, PD)表现为纹状体区域的信号衰减。周渊老师团队使用Parkinson's Progression Marker Initiative (PPMI)数据集来研究PD在DaTscan中的疾病进展亚型，这种方法完全是数据驱动的。他们首先利用左尾状核(Left Caudate, LC)、左壳核(Left Putamen, LP)、右壳核(Right Putamen, RP)和右尾状核(Right Caudate, RC)的平均纹状体结合比(Striatal Binding Ratio, SBR)构建时间序列数据集，然后将时序数据建模为线性微分方程，其转移矩阵表示疾病进展模式。假设不同的亚型对应不同的转移矩阵，所有数据可以表示为线性动态系统(Linear Dynamical System, LDS)的混合模型。周渊老师团队的模型有两个新颖的方面：首先，他们将转移矩阵约束为中心对称矩阵。其次，他们使用t分布来模拟噪声，在模型参数上引入共轭先验，通过吉布斯抽样生成后验样本。结果显示，纹状体内的疾病进展遵循类似的空间模式，但速度不同。发现的亚型的速度差异也与统一帕金森病评定量表(Unified Parkinson's Disease Rating Scale, UPDRS)的临床评分相关，DaTscan亚型的速度差异与UPDRS在总运动得分上的速度差异，以及运动迟缓上的差异，是一致的。
在分享会现场，大家就新方法能否适用于其他神经退行性疾病基于脑影像数据的进展分析，比如阿尔茨海默病等问题展开了讨论，此次分享会在热烈的讨论中圆满结束。