脑深部刺激(DBS)已成为运动障碍（尤其是帕金森病(PD)、特发性震颤和肌张力障碍）的护理标准，并且人们正在使用脑深部刺激(DBS)研究精神和认知障碍，包括重度抑郁症和阿尔茨海默病。DBS涉及在功能失调的神经回路中放置一个电极以提供电刺激，以抑制异常活动和/或驱动不活跃的网络。尽管其有公认的好处，但是对DBS的治疗作用机制仍未完全了解。通常用于帕金森病(PD)的深部脑刺激(DBS)在优化时会产生显着的临床益处。临床最佳刺激会产生特征性的fMRI大脑反应模式，其特征是运动回路的优先参与。
多伦多大学的一项研究实现了将功能性MRI与机器学习相结合，以指导帕金森病患者的深部脑刺激(DBS)，该系统在优化刺激设置方面达到了88%的准确率，这一点由神经影像学的大脑反应模式以及两组不同患者的明显可观察到的症状改善所证实。在这项研究中，患者包括一些以前从深部脑刺激中受益的人和其他人，他们参与该项目是第一次接受治疗。该研究成果于5月24日发表在《自然通讯》杂志上。
神经科学家Alexandre Boutet博士、神经外科医生Andres Lozano医学博士及其同事通过分析3T的fMRI数据，建立了他们的AI模型。这些数据是在67名PD患者中使用最佳和非最佳刺激设置进行的观察性试验的一部分。该团队通过在39名患者身上测试该系统得出了88%的准确率。在这个过程中，他们证明了帕金森患者对DBS的fMRI大脑反应“可以代表临床反应的客观生物标志物”。在通过其他研究进一步验证后，这些发现可能为功能成像辅助DBS编程打开大门。
Boutet和论文合著者建议他们的fMRI/机器学习技术可以作为一种客观的临床工具来编程DBS设备。他们写到：“糟糕的编程被认为是DBS未能证明对临床抑郁症有效的罪魁祸首。”他们还写到：“结果表明，fMRI可以快速确定帕金森患者的最佳DBS，获得与最佳临床益处相关的DBS诱导的fMRI大脑特征，不仅可以让我们更好地了解DBS的作用机制，还可以促进患者的个体化医疗，并可能代表朝着自主、闭环DBS编程发展。”