用基于放射学的机器学习模型预测多发性硬化症的十年临床结果
Mario Tranfa1,2, Maria Petracca3, Renato Cuocolo4
1Department of Advanced Biomedical Sciences, University "Federico II", Naples, Italy.
AJNR. American journal of neuroradiology
|July 3, 2025
概括
使用常规大脑MRI特征的机器学习模型可以预测多发性硬化症 (pwMS) 患者的长期残疾进展和认知障碍. 这些预后模型有助于对患者进行分层,以改善临床管理.
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:
- 识别患有多发性硬化症 (pwMS) 的临床进展风险较高的患者对于有效管理至关重要.
- 常规的大脑MRI扫描为预测长期结果提供了丰富的数据来源.
研究的目的:
- 开发和验证机器学习 (ML) 预后模型,用于预测pwMS的长期临床结果.
- 为了利用从常规大脑MRI扫描中体积,放射和宏结构断开特征.
主要方法:
- 对177个pwMS的3T结构性MRI扫描进行了回顾性分析,随访时间为10年.
- 根据使用EDSS和BICAMS的证实残疾进展 (CDP) 和认知障碍 (CI) 的基础上对患者进行分类.
- 对MRI图像进行细分,从116个大脑区域中提取体积,断路和放射性特征 (AAL地图).
- 使用额外树,物流回归和支持矢量机算法的预测模型开发,具有特征选择和持久验证.
主要成果:
- 在测试组中,ML模型在预测长期CDP (高达0.71) 和CI (高达0.69) 方面取得了中等的准确性.
- 在CDP或CI预测方面,不同ML模型之间没有观察到精度的显著差异.
- 通过ML算法识别的特征子集为长期临床结果提供了预测能力.
结论:
- 从传统的MRI扫描中获得的定量特征可用于构建有效的长期预后模型.
- 这些模型有可能为患者分层提供信息,并指导多发性硬化症管理中的临床决策.
