在基线MRI上可解释的机器学习预测了多发性硬化症轨迹描述者的预测
Silvia Campanioni1, César Veiga1, José María Prieto-González2,3,4
1Galicia Sur Health Research Institute (IIS Galicia Sur), Cardiovascular Research Group, Vigo, Spain.
PloS one
|July 16, 2024
概括
人工智能 (AI) 可以使用新型轨迹描述符和基线磁共振成像 (MRI) 扫描来预测多发性硬化症 (MS) 的进展. 这种方法提高了诊断准确性和神经病学的个性化患者管理.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 多发性硬化症 (MS) 带来了诊断和管理方面的挑战.
- 人工智能 (AI) 提供了早期检测和个性化治疗多发性硬化症的潜力.
- 对于MS患者演变的预测建模对于有效的管理至关重要.
研究的目的:
- 为机器学习 (ML) 模型提出新的多发性硬化症 (MS) 轨迹描述符.
- 评估ML模型在从基线磁共振成像 (MRI) 数据中识别MS轨迹描述者的能力.
- 评估人工智能模型在预测多发性硬化患者进展方面的预测性能.
主要方法:
- 利用了446名多发性硬化患者的基线MRI,扩展残疾状态量表 (EDSS) 测量和1年的随访数据.
- 开发并评估了回归和分类XGBoost模型,以将MS轨迹描述符 (β1,β2,EDSS(t)) 与基线MRI参数联系起来.
- 采用沙普利增量解释 (SHAP) 分析,用于模型透明度和特征重要性识别.
主要成果:
- 人工智能模型利用拟议的MS轨迹描述器和基线MRI,与传统的多重线性回归 (MLR) 相比,更好地预测MS进展.
- SHAP分析成功地确定了影响MS进展预测的关键特征,提高了模型的解释性.
- 该研究证实了AI在分析基线MRI中预测MS患者进化方面的潜力.
结论:
- 多发性硬化症轨迹描述器对于预测疾病进展至关重要.
- 将人工智能分析与MRI评估相结合,大大提高了MS的预测能力.
- SHAP分析为特征的重要性提供了关键的见解,支持MS管理中的临床决策.
