"帕金森病（Parkinson’s disease）是当前全球发病率增长最快的神经退行性疾病之一，被称为“沉默的杀手”、“慢性癌症”。其典型表现包括震颤、肌肉强直和运动迟缓，以及认知功能损害、痴呆等，这些症状不仅严重影响 1000 万患者的行动能力，也显著降低了他们的生活质量。此外，被认为只有老年人才会得的帕金森病，现在也“盯上”了越来越多的年轻人。
  长期以来，帕金森病的诊断与病情监测主要依赖对这些运动症状的观察，这种方法不仅高度依赖操作者本身，效率低下，还缺乏客观、量化的诊断标准。而且在低收入国家，神经科医生更为稀缺——每 10 万人中仅有 0.03 至 0.13 名，进一步限制了帕金森病的及时发现与管理。
  尽管此前研究发现，在运动症状出现前，机体可能已发生一系列生物学变化，如病理性 α- 突触核蛋白积累、脑脊液中相关酶水平变化及视网膜结构异常等，但这类生物标志物的检测多依赖复杂设备和专业技术，难以在基层医疗场景中广泛推广。
  因此，开发一种兼具定量能力、成本低、可广泛获取的帕金森病诊断工具，仍是一项尚未满足的临床需求。
  如今，只需一支笔，即可以高达 95% 以上的准确率实现帕金森病早期辅助检测。
  据介绍，这一装有磁性墨水的“诊断笔”出自加州大学洛杉矶分校（UCLA）生物工程系终身教授 Jun Chen 实验室，通过人工智能（AI）技术驱动的数据分析，能够识别帕金森病患者与健康人群手写特征的差异，有望实现更早诊断。
  相关研究论文以“Neural network-assisted personalized handwriting analysis for Parkinson’s disease diagnostics”为题，已发表在 Nature 子刊 Nature Chemical Engineering 上。论文通讯作者为加州大学洛杉矶分校（UCLA）的生物工程系终身教授、生物电子实验室创始人 Jun Chen。
  
  论文链接：https://www.nature.com/articles/s44286-025-00219-5
  研究团队表示，这种诊断笔可能代表一种低成本、准确且易于大规模分发的技术，有望实现早期、广泛的筛查，在未来具备广泛推广的潜力，有望填补当前临床诊断中的关键空白。
  手写识别帕金森病？AI 来帮忙
  据论文描述，这款诊断笔主要由磁弹性笔尖和铁磁流体墨水两部分组成。笔尖中的磁性颗粒嵌入硅胶基底，可感知书写过程中的压力变化并产生磁场，而铁磁流体墨水对这些磁场变化产生响应，进而生成可记录的电压信号。
  从材料微观结构到功能响应，研究团队对磁弹性笔尖和铁磁流体墨水的性能进行了系统测试，并发现其在长期使用后仍能保持稳定的磁性与黏度，不存在显著衰减。
  
  图｜磁弹性诊断笔的设计和工作原理。
  诊断笔的结构与组成：
  a. 用于个性化书写分析和帕金森病（帕金森病）诊断的诊断笔示意图。
  b. 诊断笔由磁弹性笔尖和铁磁流体墨水组成，笔尖由嵌入硅胶基质中的磁性颗粒构成。
  c. 铁磁流体墨水由单域纳米磁体组成。
  材料的微观结构与形貌：
  d、e. 磁弹性笔尖材料在两种不同状态下的微计算机断层扫描（Micro-CT）图像：原始状态（拉伸前）和变形状态（拉伸后）。标尺，1.5 毫米。
  f. 磁性纳米颗粒的透射电子显微镜图像。标尺，25 纳米。
  g. 铁磁流体墨水在不同外部磁场下的表面形貌，由表面张力、重力和电磁应力的平衡所决定。标尺，3 毫米。
  磁场分布与材料性能：
  h. 磁弹性笔尖沿垂直方向的磁场分布。
  i. 铁磁流体墨水的黏度（红色）和磁弹性笔尖–铁磁流体墨水系统的磁性特性（蓝色）在长期使用前后样品之间没有明显变化。数据以均值 ± 标准差表示；黏度实验 n=3，磁通量测试点 n=5。通过双尾 t 检验确定显著性。NS，不显著。
  j. 在施加力的情况下，磁弹性笔尖不同垂直距离处的磁通量变化的绝对值。
  为验证该技术的实用性，研究团队在 UCLA 的 Ronald Reagan 医疗中心开展了初步人体研究。参与者包括帕金森病患者与健康志愿者，所有人均签署知情同意书后，完成了一系列书写任务：1. 绘制连续波浪线；2. 绘制连续螺旋线； 3. 书写六个大写字母“MEGPEN”。以上三项任务分别在纸面和空中完成，同时采集相关电流信号。
  
  图｜个性化书写分析。
  a. 用诊断笔做个性化书写分析的系统设计。
  b. 用诊断笔在纸上连续画波浪线（任务1），画了三轮，记录下来的电流信号。
  c. 用诊断笔在纸上画螺旋线（任务2），也是画了三轮，记录下来的电流信号。
  d. 用诊断笔在纸上写字母（任务3），同样画了三轮，记录下来的电流信号。
  （A.U.代表“任意单位”）
  
  基于积累的传感信号，研究团队得出以下结论：
  诊断笔可高保真记录纸面和空中书写运动信号，尤其是纸面书写会因笔尖变形与墨水流动引起电流值上升；
  与绘制波浪线或螺旋线相比，书写字母时的峰值电流更高，因其涉及更复杂的动态交互；
  可以从这些任务中提取定量书写参数，可提取出诸如峰值电流周期等量化参数，这些变化与个体书写经验和动作差异密切相关。
  最后，研究团队实施了神经网络辅助分析，以区分帕金森病患者的书写信号和健康人群的书写信号。他们评估了三种基于神经网络的模型：
  一维卷积神经网络（1D CNN）
  带有长短期记忆结构的 1D CNN + LSTM
  三种传统机器学习方法（随机森林、XGBoost、逻辑回归）
  数据经标准化处理后被分割为均匀片段，为避免训练与测试数据污染，研究者使用了来自不同个体的信号进行分组测试。最终实验共重复 10 次，每次采用不同随机种子，比较各模型在准确率、精确率、召回率和 F1 分数上的表现。
  结果显示，1D CNN 模型在各项指标上表现最佳，准确率达 0.9622 ± 0.0251，F1 分数为 0.9266 ± 0.0523，表明其在提取局部特征方面尤为出色。该模型对健康参与者的召回率为 0.9795，精确率为 0.9701；对帕金森病患者的召回率为 0.9150，精确率为 0.9432，既能有效避免漏诊（假阴性），也能降低误诊（假阳性）率。
  临床潜力与展望
  研究结果表明，这款结合神经网络驱动的书写分析流程的诊断笔，在帕金森病诊断中展现出显著潜力。研究团队的模型对比分析显示，相比捕捉长距离依赖关系，识别书写信号中的短距离相关性更为关键。这与临床观察和实验结果一致——帕金森病患者的书写信号常表现为微小峰值等局部异常特征，这对精准识别至关重要。
  特别的是，这些发现基于初步人体研究所得的书写数据，随着未来临床试验中数据的积累，更复杂的模型结构，如基于 Transformer 的架构可能成为首选。
  不同于传统笔迹微观测量，该诊断笔关注书写过程中的动作特征，能更直接反映帕金森病相关的运动症状，规避了因个体书写风格差异带来的偏差，提供更聚焦于症状本质的评估方式。
  相较于视频监测，该设备在成本、易用性、隐私保护与推广性方面更具优势：其设计简洁，无需专业操作，适用于日常环境；用户只需进行日常书写即可完成评估，且设备不会采集身份识别信息，保障隐私。其低成本、便携性和易用性使其尤其适用于那些因症状不典型或缺乏检测资源而未能及时确诊的患者。
  然而，研究团队也表示，当前研究仍基于小样本量的初步试验，后续应扩大研究对象，纳入更多样化的帕金森病患者群体，以进一步验证其作为数字生物标志物的有效性，并结合标准化临床评估体系提升其临床适用性。该研究通过分析 13 名健康受试者的书写信号，成功识别出 3 名帕金森病患者，但现阶段所用的分类模型尚不适用于纵向监测或病情分级。后续研究应引入不同阶段、病情程度明确的患者，探索其在病程追踪中的潜力。
  该研究聚焦于帕金森病对主手的影响，这与帕金森病常呈非对称性运动障碍的临床特征相符。已有研究表明，帕金森病多首发于主手，无论左右撇子，未来也应关注那些主要影响非主手的少数群体，进一步分析其书写特征差异。
  诊断笔的性能依赖于铁磁流体墨水与软磁弹性笔尖的化学和机械稳定性。未来可通过调控磁性颗粒间相互作用，优化其稳定性、灵敏度和频率响应范围，从而实现更优设计。随着实际应用的推进，设备所采集的数据量将大幅增加，需同步提升数据存储能力。未来可将存储模块集成至笔内，并加入无线同步功能，实现与个性化云端数据库的自动连接，优化使用体验。
  当前，书写分析仍依赖外部终端运行模型，未来可探索在笔内嵌入传感器级计算模块，以增强其独立性，提升其在资源有限环境下的适应力。
  同时，数据隐私的系统化管理也至关重要。建立健全的隐私机制，将有助于推动匿名数据共享，为大规模科研或众包健康研究提供支持，进一步促进帕金森病管理水平的提升。
  鉴于其广泛的科研与社会价值，这项诊断笔技术预计将在学术界、产业界和临床领域均具有潜在影响力，同时也有望促进物理、化学、材料科学、生物工程与神经科学等邻近学科之间的交流与合作。
  "