在多中心FLAIRMRI上利用手工制作的放射学,预测多发性硬化症患者的残疾恶化
Hamza Khan1,2,3, Henry C Woodruff3,4, Diana L Giraldo5,6
1University MS Center, Biomedical Research Institute (BIOMED), Hasselt University, Diepenbeek, Belgium.
Frontiers in neuroscience
|November 14, 2025
概括
来自MRI扫描的机器学习和放射学可以预测多发性硬化症 (MS) 的残疾恶化. 这种方法比监测MS患者疾病进展的传统方法更有希望.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物医学数据科学 生物医学数据科学
背景情况:
- 多发性硬化症 (MS) 是一种中枢神经系统自身免疫性疾病,导致功能障碍.
- 像扩展残疾状况量表 (EDSS) 这样的传统工具对微妙的MS进展的敏感性有限.
- 放射学提供了一种定量成像方法,以提高疾病恶化的检测.
研究的目的:
- 应用T2加权流体减弱倒置恢复 (FLAIR) 磁共振成像 (MRI) 的机器学习 (ML) 和放射学特征,以预测MS患者的残疾恶化.
- 与单独的临床数据相比,评估结合放射学特征的ML模型的预测性能.
主要方法:
- 来自两个中心的247名多发性硬化 (PwMS) 患者的回顾性分析,将残疾恶化定义为两年来EDSS的变化.
- 预处理和超分辨率重建FLAIRMRI,然后细分白质病变 (WML) 和看起来正常的白质 (NAWM).
- 使用Pyradiomics和Longitudinal ComBat提取和协调放射学特征,然后选择和训练弹性网,平衡随机森林 (BRFC) 和光梯度增强机 (LGBM) 模型的特征.
主要成果:
- 整合协调放射学和临床特征的LGBM模型在精度回忆曲线 (PR AUC) 下实现了0.20的测试面积和0.64的接收器运行特征面积 (ROC AUC),超过了仅临床模型.
- 关键的预测特征包括在WML中灰色水平共发生矩阵 (GLCM) 的最大概率和在NAWM中灰色水平依赖矩阵 (GLDM) 的依赖不均性.
- 短期纵向变化显示出有限的预测能力 (PR AUC = 0.11,ROC AUC = 0.69).
结论:
- 机器学习驱动的放射学显示出预测MS中残疾恶化的巨大潜力.
- 在更大,更平衡的数据集中进行进一步验证是有必要的.
- 探索先进的深度学习方法可以进一步提高预测能力.
