摘要目的 基于静息态功能磁共振成像(resting-state functional magnetic resonance imaging,rs-fMRI)数据,探讨交叉注意力机制(cross attention mechanism,CAM)结合静态-动态图卷积神经网络(graph convolutional network,GCN)技术对帕金森病(Parkinson's disease,PD)患者的分类效能,并挖掘潜在的影像学生物标志物.材料与方法 前瞻性纳入从青岛大学附属医院门诊招募的32例PD患者及从青岛大学附属医院社区健康管理中心招募的30例性别、年龄和受教育年限相匹配的健康对照(healthy control,HC)者,采集两组受试者rs-fMRI图像,将图像进行预处理后,基于AAL图谱和GCN,为每位受试者构建了静态-图卷积网络(static-graph convolutional network,static-GCN)和动态-图卷积网络(dynamic-graph convolutional network,dynamic-GCN).通过多尺度特征提取和CAM,融合static-GCN和dynamic-GCN的互补信息.通过五折交叉验证的准确率和受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)评估方法性能.利用过程中的注意力权重系数并结合统计学分析,识别出与PD最相关的异常脑区和静态-动态功能连接(static-dynamic functional connectivity,static-dynamic FC).采用独立样本t检验进行组间比较,并使用Pearson相关分析探讨差异有统计学意义的static-dynamic FC与临床量表之间的相关性.结果 基于CAM结合静态-动态图卷积网络的方法具有良好的分类性能(准确率为79.84%,敏感度为80.47%,特异度为78.47%).ROC曲线分析结果显示,诊断PD的AUC为0.814(95%CI:0.727～0.902,P<0.001).共识别出五个PD高权重特征脑区:右侧辅助运动区、左侧后扣带回、左侧中央后回、小脑第6叶以及小脑蚓部第10区.同时,发现两条最相关的static-dynamic FC.与HC相比,PD组在以下两对脑区间的static-dynamic FC增强(P<0.05):(1)左侧后扣带回-小脑第6叶;(2)右侧辅助运动区-小脑蚓部第10区-小脑第6叶/左侧中央后回.此外,这两条增强的static-dynamic FC均与UPDRS-Ⅲ评分呈正相关(r=0.432,P=0.017;r=0.420,P=0.021).结论 基于CAM结合静态-动态图卷积网络的方法,有良好的诊断性能,并发现了PD病患者小脑与大脑皮层间特定static-dynamic FC的异常增强模式,为PD的客观影像学诊断提供了新的依据.