《Journal of the Neurological Sciences》：Predictors of short-term, relapse-independent progression in multiple sclerosis: A machine learning approach based on clinical data and conventional MRI-derived features
編輯推薦：
期刊編輯推薦
多發性硬化癥（MS）中，復發無關的殘疾進展（PIRA）是臨床管理的重大挑戰。本研究首次利用常規臨床和MRI特征，結合機器學習方法，成功開發了預測短期（24個月和36個月）PIRA事件的模型。其中，整合了隨時間變化的影像學指標的36個月預測模型展現出了良好的判別能力（AUC=0.83）。這項工作證明了利用常規臨床數據預測PIRA的可行性，為未來實現個體化治療決策提供了潛在工具。
論文解讀
在神經科學領域，多發性硬化癥（Multiple Sclerosis, MS）如同一道復雜的謎題，困擾著全球近三百萬人。這種疾病不僅給患者帶來沉重的個人負擔，也給社會造成了巨大影響。MS導致的殘疾，傳統上被認為與復發（急性炎癥）后的不完全恢復有關，但近年來，一種“悄無聲息”的進展模式——復發無關性進展（progression independent of relapse activity, PIRA）——越來越受到重視。PIRA仿佛一種隱形的推手，即使在急性炎癥被有效抑制的早期患者中，也能驅動殘疾的緩慢累積，成為長期功能惡化的主要原因。然而，如何在常規臨床實踐中，精準預測哪些患者在短期內會發生PIRA，從而及早干預，一直是橫亙在醫生面前的一大難題。已有的預測研究多關注整體殘疾進展，而專門針對PIRA的預測工具幾乎空白。正是在此背景下，由Antonio Ianniello、Elena Barbuti等人組成的國際研究團隊，在《Journal of the Neurological Sciences》上發表了一項創新性研究，他們嘗試用人工智能的“慧眼”，從常規的臨床和影像數據中，尋找預測短期PIRA的線索。
為了回答上述問題，研究人員開展了一項回顧性觀察性研究。他們從意大利羅馬大學MS中心的數據庫中，篩選了186名復發型MS患者，其中81人擁有縱向MRI數據。研究構建了兩個機器學習模型：一個使用基線（初始評估時）的臨床和MRI特征預測24個月時的PIRA；另一個在基線特征基礎上，加入了24個月內觀察到的影像學變化，用以預測36個月時的PIRA。模型構建的關鍵技術包括：1) 基于臨床數據庫和常規MRI序列（如3D T1、FLAIR、T2加權）提取特征，包括腦白質（WM）病變體積、頸椎脊髓病變數量、歸一化腦體積（NBV）、頸椎橫截面積（CSA）以及基于白質病變計算的結構失連接（ChaCo）分數；2) 使用合成少數類過采樣技術（SMOTE）處理數據不平衡問題；3) 采用特征選擇方法篩選高相關性、低冗余的特征；4) 最終使用樸素貝葉斯（Na?ve Bayesian）分類器進行訓練和預測，并以受試者工作特征曲線下面積（AUC）等指標評估模型性能。
研究結果
3.1. 研究人群
在186名患者中，有23人（12.4%）在24個月時出現了PIRA。在擁有縱向MRI數據的81人子集中，有16人（19.7%）在36個月時出現了PIRA。值得注意的是，36個月時所有的PIRA事件均符合PIRMA（無復發且無MRI活動性病變的進展）標準。
3.2. 24個月PIRA的預測
用于預測24個月PIRA的模型最終保留了10個特征，包括臨床人口學特征（如年齡、性別、共病情況、基線EDSS、臨床表型）、常規MRI特征（頸椎脊髓CSA）以及基線ChaCo特征（如左、右內側額上回、左楔葉、小腦蚓部III小葉）。該模型的總體準確率為84.6%，但ROC曲線下面積（AUC）為0.73，屬于中等判別能力。模型對未進展患者（0類）的識別性能較好，但對PIRA患者（1類）的識別精度和召回率較低。
3.3. 36個月PIRA的預測
用于預測36個月PIRA的模型性能更優。它保留了8個特征，包括臨床人口學特征（基線EDSS和臨床表型）、常規MRI特征（基線NBV、新發頸椎脊髓病變、年化腦體積變化率PBVC）以及基線ChaCo特征（左前扣帶皮層-膝前部、左藍斑、背側中縫核）。該模型準確率達83.1%，AUC提升至0.83，顯示出良好的判別能力。模型對穩定患者和PIRA患者均表現出更均衡的識別能力。
研究結論與意義
本研究成功開發并驗證了基于常規臨床和MRI特征的機器學習模型，用于預測復發型MS患者的短期PIRA。研究發現，僅基于基線特征的24個月預測模型判別能力中等，而整合了隨時間變化的影像學指標（如腦萎縮、新發脊髓病變）的36個月預測模型，其判別能力顯著提高（AUC=0.83）。這表明，評估一段時間內神經系統結構損傷的累積，對于預測未來的殘疾進展至關重要，優于僅依賴單一時點的評估。
在預測因子方面，研究確認了基線殘疾水平（EDSS）是PIRA的重要預測因素，這與之前對整體殘疾進展的研究一致。同時，研究首次將新發頸椎脊髓病變和反映白質病變導致的結構失連接（ChaCo）的特定腦區（如扣帶皮層和腦干核團）納入PIRA的預測體系，擴展了我們對MS進展機制的理解。有趣的是，大多數PIRA事件在研究中被歸類為PIRMA，這反映了在當前接受疾病修正治療（DMT）的MS患者中，炎癥活動已得到較好控制，但神經退行性進程仍在繼續的臨床現實。
該研究的重要意義在于，它首次專門針對PIRA這一臨床難題構建了預測工具，為未來實現更精細化的患者風險分層和個體化治療決策提供了概念驗證。盡管模型目前尚不能直接用于個體預后判斷，且需要外部驗證，但它清晰地表明，利用臨床實踐中常規收集的數據，通過機器學習方法預測短期PIRA是可行的。這為開發可整合到臨床工作流程中的預后工具奠定了基礎，有望幫助醫生更早識別高�；颊撸{整治療策略，最終延緩殘疾累積，改善MS患者的長期結局。
