机器学习MRI和步态的整合揭示了多发性硬化症中的移动性表型
Hernan Inojosa1, Wanqi Zhao2, Judith Wenk1
1Center of Clinical Neuroscience, Department of Neurology, Medical Faculty and University Hospital Carl Gustav Carus, TUD Dresden University of Technology, Dresden 01307, Germany.
Brain communications
|October 20, 2025
概括
机器学习通过将步态分析和MRI扫描结合起来,在患有多发性硬化症 (MS) 的人群中识别出不同的移动性表型. 这些表型揭示了潜在的疾病机制和异质性,这些异质性在传统评估中并不明显.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 运动障碍是多发性硬化症 (MS) 进展的关键指标,但其多样性和潜在原因仍然不完全理解.
- 在MS患者中,传统的步态评估往往缺乏准确性,无法完全捕捉复杂的步态异常.
- 综合先进的定量步态分析,MRI衍生指标和机器学习 (ML) 提供了一种有前途的方法来发现新的移动性表型及其与疾病机制的联系.
研究的目的:
- 通过空间时空步行参数和MRI衍生特征的组合,识别和描述MS患者 (pwMS) 独特的移动性表型.
- 利用无监督的ML集群来揭示走路异常的模式及其与疾病特征的关联.
- 探索如何将定量MRI指标和步态分析集成到pwMS中更好的表型临床障碍中.
主要方法:
- 1026 pwMS在2018年至2023年期间接受了全面的步态评估和定量核磁共振.
- 主要组件分析用于减小维度,随后进行k-means聚类以识别不同的步态表型.
- 通过克鲁斯卡尔-瓦利斯和奇平方测试,使用人口统计,临床和MRI特征进行统计比较.
主要成果:
- 确定了四种不同的步态群,从高灰质分数的高效步态到严重不稳定的步态与严重残疾.
- 一个中间集群 (集群3) 呈现出增加的节奏和更短的步伐,与较高的损伤负担和较低的大脑辅酶分数相关,表明补偿步态模式.
- 临床措施,包括渐进性多发性硬化,残疾分数和自我报告的损伤,与已确定的步行不稳定集群密切相关.
结论:
- 量化MRI指标和时空步态分析,当集成时,可以有效地表型化 pwMS 中的临床障碍.
- 基于ML的分析揭示了一种新的中间移动性表型,其特征是特定的步态和MRI异常,可能表明适应机制.
- 这种ML方法可以检测到MS中微妙的移动性变化,这些变化可能无法通过传统的临床评估来显现.
更多相关视频
05:53Low-Cost Gait Analysis for Behavioral Phenotyping of Mouse Models of Neuromuscular Disease
Published on: July 18, 2019
17.6K
08:55Use of a Foot-Induced Digitally Controlled Resistance Device for Functional Magnetic Resonance Imaging Evaluation in Patients with Foot Paresis
Published on: July 7, 2023
615
