深度学习可以预测在第一次脱髓化事件时的复发活动独立的进展

科学领域:

• 神经成像和人工智能在神经病学中的应用
• 多发性硬化症病理生理学和预后学

背景情况:

• 进展独立于复发活动 (PIRA) 是多发性硬化症 (MS) 不可逆转残疾的主要驱动因素,在症状发作时不成比例地影响老年人.
• 在症状出现时准确,早期预测PIRA风险仍然是有效的MS管理的关键未满足需求.
• 当前的预测模型往往缺乏及时干预所需的精度.

研究的目的:

• 开发和验证一个深度学习生存模型,利用从初始脱髓化攻击开始的常规MRI扫描.
• 预测多发性硬化症患者PIRA的风险.
• 评估模型能够增强现有的年龄调整预测方法的能力.

主要方法:

• 分析了259名多发性硬化患者 (50岁以下,症状发病后3个月内) 的前队列,其中包括T1和T2流体减弱倒置恢复MRI序列.
• 一个深度学习模型 (EfficientNet) 估计了累积PIRA概率;对一个独立的队列进行了外部验证.
• 模型的性能使用时间依赖的协同指数进行评估,可解释性算法识别了关键的大脑区域 (前双叶皮层).

主要成果:

• 深度学习模型实现了0.72的时间依赖一致性指数,主要队列的准确率为78%,外部验证队列的准确率为72%.
• 将模型集成到年龄调整的考克斯回归模型中,显著提高了预测能力 (哈雷尔的C指数从0.62到0.74).
• 额头双叶皮质被确定为预测PIRA的关键区域.

结论:

• 基于早期常规MRI的深度学习生存模型可以准确地识别PIRA高风险的MS患者.
• 这种人工智能驱动的方法提供了一种有价值的工具,可以增强临床实践,用于预测MS残疾进展.
• 早期识别PIRA风险有助于及时制定治疗策略,以减轻长期不可逆转的残疾.