帕金森病（PD）是一种随时间推移逐渐加重的神经系统运动障碍，其诊断面临的主要挑战在于高误诊率，主要是因为帕金森病的症状，特别是早期症状，与风湿病、抑郁症、强迫性迟缓症和心因性帕金森综合征等多种疾病存在重叠。此外，帕金森病的典型运动症状（如震颤、运动迟缓、僵硬）通常在脑部多巴胺能神经元大量损伤后才出现。在运动症状出现之前，患者可能经历数年的非运动性前驱症状，例如嗅觉丧失、快速眼动睡眠行为障碍、便秘以及抑郁/焦虑，这些症状的非特异性也增加了早期诊断的难度。

帕金森病的标准诊断主要基于临床判断，这些评估本质上具有主观性，并且可能因临床医生的经验和解读而存在显著差异。目前没有决定性的检测金标准（例如血液检测）能够在疾病早期给出明确的诊断。

随着计算机科学与神经科学的发展，AI越来越多被用于PD诊断的辅助分析，如手写图形分析、语音分析、步态检测、多模态融合等。AI辅助形成决策支持平台，将运动、语音、影像等多维数据纳入预测模型，实现客观化、量化的诊断。尽管AI在帕金森病诊断中展现出巨大潜力，但仍面临一些挑战，包括对大规模标注数据集的需求、模型可解释性有限以及在临床实践中推广的难度等。近期，一项发表在《Nature Chemical Engineering》上的研究开发了一种装有磁性墨水的“神经诊断笔”，将书写运动转化为电信号，借助神经网络模型实现辅助诊断。该笔在16名受试者（3位PD患者）的小规模试验中，将帕金森患者与健康人的书写特征区分开来，准确率超过95%。该设备有望在大量人群和资源有限的环境中实现早期、低成本和准确的帕金森病诊断。

诊断笔的设计与工作原理

图1展示了诊断笔的整体设计和工作机制。笔尖由柔性硅胶材料制成，内嵌微米级磁性颗粒（magnetoelastic tip），笔芯则装有含纳米级磁性颗粒的铁磁流体墨水。当笔尖受到书写压力时，磁弹性材料产生形变，导致墨水内部的纳米磁粒移动，这一变化在笔身的线圈中产生电压。图1b的有限元模拟显示了笔尖周围的磁场分布。实验观察到：在无外加磁场时（图1g左），墨水表面平整流动；而笔尖靠近外部磁场时（图1g右），墨水表面产生了典型的罗森斯维格（Rosensweig）不稳定性峰状结构。换言之，这一设计能够灵敏地将常见的书写动作转化为可测量的电信号供后续AI分析。

为进一步探索其在临床场景中的潜力，研究团队进行了试点临床验证，招募了一个由16名个体组成的队列，其中包括3名帕金森病患者和13名健康参与者。图4a展示了一名帕金森病患者使用诊断笔进行任务1（绘制连续波浪线）的场景。手写作为最常见的日常活动之一，是个人认知、动觉和感知运动能力复杂互动的产物（图4b）。图4b描绘了正常手写信号是认知、动觉和感知运动能力复杂相互作用的结果。然而，对于PD患者而言，书写过程变得异常困难。图4c展示了模拟手部震颤的手写信号，其中震颤影响的信号显示出额外的次峰（Minor peak）。

对于健康参与者，图4d和4e分别展示了健康参与者在表面书写（d）和空中书写（e）三种手写任务中的代表性电流信号，其中行代表任务类型（波浪线、螺旋线、书写字母），列代表不同参与者。

此外，研究发现可以从书写信号中提取定量手写参数，图4f比较了不同参与者的峰峰值电流值和书写时间，其差异可以由书写经验差异和个体运动执行差异等因素来解释。

图4g展示了一名帕金森病患者手写任务的两个电流信号周期，其中虚线框突出显示了书写过程中额外的次峰（Minor peak）。次峰（Minor peak）是PD患者手写信号的典型异常表现。为了进一步对PD患者和健康参与者进行个性化手写分析，图4h展示了从相同个体执行的相同任务中提取的归一化峰值电流值和书写持续时间，用于区分帕金森病患者和健康参与者。

最后，研究团队用神经网络辅助区分PD患者和健康个体的手写信号。图4i描绘了使用一维卷积神经网络（1D CNN）模型进行帕金森病诊断的个性化手写分析流程，从手写信号输入到最终诊断的整个过程。图4j比较了不同机器学习模型的测试准确率和F1分数。研究结果显示，1D CNN模型提供了最佳的准确率和F1分数。图4k展示了使用1D CNN模型对测试数据集进行分类时，按类别划分的精确率。这些结果表明，诊断笔结合神经网络驱动的手写分析流程，在诊断PD方面具有巨大潜力。

该诊断笔与传统微观书写测量方法的显著区别在于，它专注于捕捉书写过程中表现出的运动症状，而非仅仅是最终的书写痕迹。这种方法直接关联PD的运动症状，避免了传统笔迹分析可能存在的偏见，提供了更侧重于症状的评估。其“低成本、用户友好、隐私保护、自供电、广泛可及”等优势，降低了PD诊断的经济、技术和地域门槛。

当然该研究也存在一定局限性：目前的试点临床研究样本量有限，深度学习模型在小样本上训练，可能存在过拟合风险，未来的研究需要纳入更多样化、更大样本量的PD患者群体，以进一步验证诊断笔生成的笔迹信号作为数字生物标志物的有效性，并对照适当的临床标准进行验证，以确保临床相关性。另外，当前研究主要侧重于“诊断”而非“疾病分期或进展评估”，未来的研究方向（如纳入不同疾病阶段患者进行纵向评估）期待将该技术从单纯的“诊断工具”演变为一个能够支持PD“全周期管理”的平台。

[1]Chen, G., Tat, T., Zhou, Y. et al. Neural network-assisted personalized handwriting analysis for Parkinson’s disease diagnostics. Nat Chem Eng (2025). https://doi.org/10.1038/s44286-025-00219-5

[2]Huang Y, Chaturvedi K, Nayan A-A, Hesamian MH, Braytee A, Prasad M. Early Parkinson’s Disease Diagnosis through Hand-Drawn Spiral and Wave Analysis Using Deep Learning Techniques. Information. 2024; 15(4):220. https://doi.org/10.3390/info15040220

[3]Jeong S-M, Kim S, Lee EC, Kim HJ. Exploring Spectrogram-Based Audio Classification for Parkinson’s Disease: A Study on Speech Classification and Qualitative Reliability Verification. Sensors. 2024; 24(14):4625. https://doi.org/10.3390/s24144625