在多发性硬化症中使用估计的结构和功能连接网络和人工智能预测认知

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 之前的研究表明,来自MS病变面具的AI生成的估计结构和功能连接体 (eSC和eFC) 预测了残疾.
• 传统的SC和FC来源于扩散和功能性MRI是标准的,但资源密集的方法.

研究的目的:

• 评估eSC和eFC在预测多发性硬化症 (MS) 患者的基线和长期 (4年) 认知表现方面的有效性.
• 探索人工智能驱动的连接组估计在MS临床应用中的潜力.

主要方法:

• 估计的结构连接体 (eSC) 使用网络修改工具从临床MRI衍生病变口罩生成.
• 估计的功能连接体 (eFC) 通过使用Krakencoder AI模型获得,以eSC作为输入.
• 使用符号数字模式测试 (SDMT) 评估认知表现.

主要成果:

• 随访SDMT得分的最高预测准确度是使用区域eSC (斯皮尔曼相关性=0.58) 和eFC (斯皮尔曼相关性=0.56) 实现的.
• 这些预测准确度与其他关于健康和患病队伍的研究报告的准确度相似或更高.
• 特定的eSC和eFC变化的模式,包括小脑和默认模式网络变化,与较低的认知分数有关.

结论:

• 临床获得的MRI数据与人工智能模型相结合,可以生成可靠的eSC和eFC来预测MS的认知功能.
• 基于损伤的连接组估计提供了一种有希望的,可能更容易获得的方法,用于改善MS认知障碍的个性化治疗策略.