探索多发性硬化症的亚型通过无监督机器学习的自动化纤维量化
Xueheng Liang1,2, Zichun Yan1, Yongmei Li3
1Department of Radiology, The First Affiliated Hospital of Chongqing Medical University, No 1 Youyi Road, Yuzhong District, Chongqing, 40016, China.
Japanese journal of radiology
|February 26, 2024
概括
无监督机器学习基于白质 (WM) 纤维段识别出了三个不同的多发性硬化症 (MS) 亚型. 这些亚型与认知功能和残疾进展的显著差异相关,有助于个性化治疗策略.
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:
- 多发性硬化症 (MS) 是一种慢性神经疾病,其特征是中枢神经系统的脱髓化和轴突损伤.
- 白质 (WM) 完整性对神经功能至关重要,其损伤是MS的标志.
- 了解MS异质性对于开发有效的个性化治疗策略至关重要.
研究的目的:
- 用无监督机器学习应用于白质 (WM) 纤维通道的多发性硬化症 (MS) 患者的亚型.
- 调查已识别的多发性硬化症亚型与认知功能和残疾结果之间的关系.
- 探索WM纤维通道异常作为预测MS疾病进展的生物标志物的潜力.
主要方法:
- 自动纤维量化 (AFQ) 用于从103名多发性硬化患者中提取18个WM纤维通道.
- 使用无监督机器学习 (集群分析) 来识别不同的患者亚型.
- 用临床数据,扩散张力成像 (DTI) 度量 (FA,MD,AD,RD) 和生存分析来比较亚型并预测结果.
主要成果:
- 根据WM纤维通道分析,确定了三种不同的MS亚型.
- 在亚型中观察到分数异构 (FA),平均扩散率 (MD),轴向扩散率 (AD) 和辐射扩散率 (RD) 的显著差异.
- 第3亚型表现出最快的残疾进展和认知衰退,其次是第1亚型,第2亚型表现出较慢的进展率.
结论:
- 在WM纤维通道上进行无监督的机器学习有效地分类MS患者,揭示出不同的临床和残疾轨迹.
- 通过这种方法发现的WM异常可以作为MS结果的预测生物标志物.
- 这种分类策略对个性化医疗具有前景,使得在MS护理中能够进行量身定制的治疗和预后预测.
