机器学习优化组合式MRI尺度 (COMRISv2) 与多发性硬化症患者的认知和身体残疾尺度高度相关

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 神经学 神经学

背景情况:

• 复合MRI尺度与多发性硬化症 (MS) 的临床结果的相关性比单个措施更好.
• 之前的工作开发了使用半定量MRI (半-qMRI) 生物标志物的组合MRI尺度 (COMRISv1).
• 使用定量MRI (qMRI) 和先进的ML算法来改进预测的潜力仍然需要充分探索.

研究的目的:

• 开发和验证一个改进的复合MRI尺度 (COMRISv2),用于预测MS患者的临床结果.
• 与COMRISv1.1相比,评估定量MRI (qMRI) 体积特征的附加值和更强大的ML算法.
• 评估COMRISv2在预测MS认知和身体残疾方面的表现.

主要方法:

• 预期从多发性硬化症患者获取脑部MRI数据和临床评估,分为培训 (n=172) 和验证 (n=83) 队列.
• 利用NeurExTM应用程序自动计算神经学检查的残疾等级和qMRI特征提取的损伤-TOADS算法.
• 采用修改的随机森林管道来选择最佳生物标志物并开发COMRISv2模型,随后对预测准确性进行验证.

主要成果:

• COMRISv2模型显示了与认知障碍的中等相关性 (斯皮尔曼Rho=0.674,CCC=0.458) 和与身体障碍的强烈相关性 (斯皮尔曼Rho=0.830-0.852,CCC=0.789-0.823).
• 结合NeurExTM数据的模型产生了最强的预测性能.
• 包括qMRI特征特别增强了认知障碍的预测,这表明半-qMRI在下肢损伤评估中的准确性.

结论:

• 康里斯v2模型在预测MS患者颗粒性临床尺度方面表现出了显著的标准有效性.
• 整合qMRI和先进的ML算法显著提高了复合MRI尺度对MS残疾的预测能力.
• 通过提供可靠的结果预测,COMRISv2扩大了MS研究队列的科学实用性,特别是那些具有不完整临床数据的队列.