综合磁共振成像和血清分析揭示了不同的多发性硬化症类型

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算生物学 计算生物学

背景情况:

• 多发性硬化症 (MS) 在临床表现和疾病进展方面表现出显著的异质性.
• 准确预测个体疾病的发展过程对于定制治疗方法以适应特定的病理生物学机制至关重要.
• 目前用于分类MS的方法往往缺乏粒度,无法完全捕捉疾病异质性并预测结果.

研究的目的:

• 开发和验证一个无监督的机器学习模型,集成MRI衍生测量和血清神经丝光链 (sNfL) 水平.
• 识别MS的生物知情亚型和阶段.
• 改善MS患者疾病进展和治疗反应的预测.

主要方法:

• 使用MRI数据和sNfL水平开发了一个无监督机器学习模型.
• 该模型在189名患有复发性复发和二次进展性MS的患者队列上进行了训练.
• 对445名新诊断患者的独立队列进行了验证.

主要成果:

• 根据sNfL升高和MRI异常的时间确定了两种不同的MS亚型",早期sNfL"和"晚期sNfL".
• 综合MRI-sNfL模型与仅MRI模型相比,与扩展残疾状况尺度的相关性有所改善.
• 早期sNfL亚型显示出较高的病变形成风险,并预测了不同治疗对病变积累和大脑缩的影响.

结论:

• 与MRI整合sNfL为MS亚型,疾病阶段和预后提供了一个优越的框架,与仅使用MRI的方法相比.
• 开发的模型准确地预测了治疗反应,特别是在早期和活跃的疾病状态.
• 这种生物知情分类方法为指导个性化多发性硬化症治疗提供了一个强大的替代传统临床表型.