作者：生物世界

撰文 | 李黎

编辑 | 王聪

一手访谈，带你了解一种家用无线电设备的全新应用——监测帕金森病人疾病进展及药物治疗反应。

关于未来百科：未来百科（Next Biotech）是嘉程资本携手生物世界联合发起的访谈100位中美优秀Biotech科学家的项目，旨在真实访谈开启未来的100位Biotech领域科学家，探讨生物科技/生命科学领域的全球最新技术和商业趋势，展现华人生物科技科学家在该领域的贡献与成就，剖析创新的生物科技公司的最佳商业实践，共同推进生物科技/生命科学行业在中国的茁壮成长。

第020期未来百科的访谈嘉宾，是麻省理工学院（MIT）的刘瀛成博士和张果博士，以下为文章正文。

帕金森病（Parkinson's Disease，PD），是一种复杂的神经退行性疾病，也是世界上第二常见的神经退行性疾病（发病率仅次于阿尔茨海默病），影响着约1%-2%的65岁及以上老人。随着全球人口老龄化，帕金森病发病率还将大幅增加。 帕金森病是目前增长最快的神经退行性疾病，全世界有近1000万人患有帕金森病，每年有约60000名新患者确诊。患者大脑中产生多巴胺的神经元丧失，影响运动和认知，导致出现震颤、肌肉僵硬、意识模糊和痴呆等症状。然而，临床医生在追踪患者疾病的严重程度和进展方面仍面临巨大挑战。

然而，帕金森病难以诊断，因为帕金森病的诊断主要依赖于震颤、肌肉僵硬和行动迟缓等运动症状的出现，但这些症状通常在患病数年后才出现，此时患者已经产生了不可逆的神经损伤。

2022年9月，麻省理工学院（MIT）的刘瀛成、张果等人在 Science Translational Medicine期刊发表了题为：Monitoring gait at home with radio waves in Parkinson’s disease: A marker of severity, progression, and medication response 的研究论文【1】。

这项研究表明，通过使用机器学习模型和信号处理算法分析他们收集的大量数据（超过200000次步态速度测量），临床医生可以比定期的临床评估更有效地跟踪帕金森病的进展。

在家中安装这样一个设备，可以监测帕金森病患者的疾病进展和对药物治疗的反应，还能把这些监测数据远程传递给医生。这样患者即使不去医院，医生也能通过这些真实可靠的信息给予指导。

展开全文

该论文的两位共同第一作者为刘瀛成、张果。刘瀛成本科毕业于北京大学计算机系，张果本科毕业于清华大学电子系， 两人当时都在麻省理工学院（MIT）的Dina Katabi实验室学习与工作。他们两人来到Dina实验室都有些“阴差阳错”的意味，刘瀛成是在大三时准备找暑期实习时，听了一个来自Dina实验室的北大师兄的宣讲会，报名了Dina实验室，并在之后留下来读博。而张果则是转组到了Dina实验室，他一直希望做一些可以产业化、发展成一家大公司的技术，而且还能用上自己之前的硬件基础，在一个硅谷创业的朋友的强烈推荐下来到了Dina实验室。

刘瀛成（左），张果（右）

在2017年、2018年的时候，Dina实验室调整了研究重点，把数字健康（Digital Health） 作为最重要的研究方向。刘瀛成和张果也是在这时候开始探索将实验室之前开发的无线电设备如何应用于医疗领域。张果形容这个过程是“拿着锤子找钉子”，好在这把锤子足够强大，团队看钉子的方向也比较准，最终选择了帕金森病作为突破的方向。 实际上，帕金森病的诊断，尤其是早期诊断，一直存在挑战。通过患者出现震颤、肌肉僵硬和行动迟缓等运动症状的诊断，往往已滞后数年时间。 2022年8月，同组的麻省理工学院 （MIT） 的杨宇喆，袁园等人在 Nature Medicine 期刊发表论文 【2】 ，他们开发了一种机器学习算法，可以仅通过“读取”一个人睡眠时的呼吸模式来评估他是否患有帕金森病。详情：用 AI “读取”睡眠呼吸模式，实现帕金森病早期诊断

帕金森病除了诊断难，后续评估疾病的严重程度和发展以及治疗效果，同样存在挑战。 在这项发表在 Science Translational Medicine 期刊的新研究中，为了解决这些难题，麻省理工学院 （MIT） 和罗切斯特大学等机构的研究人员合作，开发了一种家用设备，可以监测帕金森病患者的运动和步态速度，从而评估患者帕金森病的严重程度、疾病的进展以及患者对药物治疗的反应。 张果表示， 实验室之前发表在 Nature Medicine 的这项研究也提及了对帕金森病严重程度的评估。但这两项研究涉及的生理信号和参数不一样，Nature Medicine 论文着重点在睡眠时候的呼吸，Science Translation Medicine 论文重点在日常步态速度。前者重点讲了呼吸作为Diagnostic Marker （诊断性标志物） 的性质，提到了少部分Prognostic Marker （预后标志物） 的性质；后者则更重点放在步态速度于作为Prognostic Marker的性质。而且，这两项可以结合，研究中所使用的无线设备既可以对睡眠呼吸监测，也可以采集日常步态速度，从而进一步提高诊断准确性。 这项研究利用了 Dina Katabi 实验室之前开发的无线设备，该设备的外观和大小与家用 Wi-Fi 差不多，它能够发出无线电信号，这些无线电信号可以穿过墙壁或其他固体物体，但由于我们人体内水分的存在等原因，这些无线电信号会被人体反射。无线电波总是以相同的速度 （光速） 传播，因此，可以通过信号反射回设备所需的时间来计算人的移动情况。 这相当于创建了一个“人体雷达”，用于跟踪房间中的人的运动。由于患者本身不需要佩戴任何工具，也无需为此改变自己的行为。此外，该设备传输的信号强度比 WiFi 要小得多，这种超低功率信号不会干扰家中的其他无线设备。

像 Apple Watch 这样的可穿戴设备也有潜力具有一定的检测能力，但张果表示， 相对于可穿戴设备，这项研究所使用的设备具有多种优势，这款设备是完全无感的，不需要充电，不需要佩戴，就像 WIFI 一样，安装后就一直默默工作。患者不需要因为使用它而额外付出任何努力，因此特别适合对技术不敏感的人，尤其是老年人。而且，对步态速度的测量上，研究中使用的设备准确度非常高，超过了所有我们当时调研过的可穿戴设备。该设备还包含了一个基于机器学习的分类器，即使房间里有其他人在走动，它也可以准确筛选出从帕金森病患者身上反射回来的无线电信号。整个设备在后台自动运行，每天都可以收集海量的数据，再通过复杂的算法，从这些运动数据计算出患者的步态速度。 刘瀛成表示， 这个项目在一开始还是遇到了不少困难，一些是技术上的，一些是合作上的。例如，帕金森病人通常与家人同住，这就导致我们的无线设备识别的是许多人的混合数据，如何去分离出帕金森病人的那部分数据，当时在技术上非常困难。我们通过深度学习（Deep Learning） ，先采集帕金森病人的数据，用着小部分数据去训练分类模型，从而帮助后续从混合数据中去除无关数据。而在项目进行过程中，COVID-19爆发了，这给项目合作带来了不少麻烦，我们很难去帮助调节设备，与我们的合作者也只能在线上开会交流，但好在这些困难最终都被我们克服了。 研究团队招募了50名参与者，其中34人患有帕金森病。研究团队使用这种无线电设备对他们进行了两项观察性研究，一项持续2个月时间，另一项持续2年时间。

通过这两项研究，他们收集了超过200000个单独的测量数据，并对这些数据进行了清理，以消除因设备的意外关闭、参与者家里网络中断等因素导致的异常。

刘瀛成表示， 之前就有研究认为步态速度可以作为包括帕金森病在内的疾病或死亡的生物标志，而这项研究的突破之处在于开发了一种很好的测量方法。我们通过巨大的测量数据量，准确的测量效果，以及在家中的真实测量过程，使步态速度真正成为一种可用的生物标志物。

张果表示， 对参与者在房间内走动时的持续监测，能够很好地测量他们的步态速度，有了大量数据后，就能够对这些数据进行聚合，从而发现其中即使非常小的差异。 通过统计学分析，他们发现在家中的步态速度可用于有效跟踪帕金森病的进展和严重程度。例如，帕金森病患者的步态速度的下降速度几乎是非帕金森病患者的两倍。 对这些步态速度变化的进一步深入分析，还能够提供一些关键新见解，例如，帕金森病患者一天内步态速度的变化与他们对治疗药物的反应是一致的，用药后步态速度可能会有所改善，然后在一段时间后可能开始下降。

张果表示， 帕金森病患者的步态速度的下降速度与普通人有所差异的结论是基于多人的长期跟踪数据的统计学结果；而对于每个人步态速度随药效的波动，观察到的调整给药带来的波动的增加和减少都是相对于自己的，不涉及到和旁人的比较。因此，这些研究结果可以应用到其他人身上。 更重要的是，临床医生可以使用这些数据更有效、更准确地调整帕金森病患者的治疗药物剂量。这既能防止低剂量用药导致无效，又能防止过高剂量可能带来的严重副作用。 这项研究显示，通过对50名参与者进行1年的跟踪监测，就足以证明有关帕金森病进展的显著统计学结果。

这对于研发帕金森病药物或疗法的公司来说，无疑能够大大降低