多发性硬化症短期,复发独立进展的预测因素:基于临床数据和传统MRI衍生特征的机器学习方法

科学领域:

• 神经学 神经学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 复发活动独立的进展 (PIRA) 是多发性硬化症 (MS) 长期残疾的重要贡献者,即使是在疾病早期阶段.
• 在常规临床实践中预测短期PIRA仍然具有挑战性,阻碍了及时干预.
• 传统的临床和MRI指标单独不足以准确的短期PIRA预测.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测复发性MS中PIRA.
• 使用常规可用的临床和传统的MRI衍生特征来进行PIRA预测.
• 评估纵向成像数据对提高PIRA预测准确性的有用性.

主要方法:

• 开发了两个ML模型 (天真贝叶斯分类器) 来预测复发性多发性硬化症患者在24个月和36个月后的PIRA.
• 雇佣的基线和纵向临床数据,包括大脑和脊柱损伤负担,缩和结构连接性 (ChaCo) 变化得分.
• 利用特征选择和类平衡与合成少数人过量采样技术 (SMOTE) 进行模型培训.

主要成果:

• 24个月PIRA预测模型实现了中度的区分性表现 (AUC = 0.73),主要由基线特征驱动.
• 36个月的PIRA预测模型,结合纵向数据,证明了更好的准确性 (AUC = 0.83).
• 36个月模型的关键预测因素包括基线残疾,大脑体积变化,新的宫病变和基线ChaCo特征.

结论:

• 整合临床和传统MRI特征的机器学习模型可以预测短期PIRA,准确度中等至高.
• 包括纵向成像变化在内显著提高了预测性能.
• 这些ML模型可以为MS患者提供早期,个性化的治疗策略,以缓解残疾进展.