一项新研究表明，一种新型的人工智能（AI）工具可以帮助解释和评估多发性硬化症（MS）患者的治疗效果。
MindGlide是一种深度学习模型，可以从MS患者护理过程中获取的MRI扫描中提取关键生物标志物，包括病灶负荷和脑容量变化。
“使用MindGlide将使我们能够利用医院档案中的现有脑部图像，更好地理解多发性硬化症及其治疗对大脑的影响。”第一作者、伦敦大学学院女王广场神经病学研究所和霍克斯研究所的博士生Philipp Goebl在一份新闻稿中表示。
该研究于4月7日在线发表在《自然通讯》杂志上。
全球有超过280万人受到多发性硬化症的影响，其中年轻人负担尤为显著。MRI生物标志物在第二阶段和第三阶段试验中至关重要，多对比度扫描用于跟踪新的或扩大的病灶和神经退行性变。然而，这些协议耗时且资源密集，限制了其在常规护理中的应用，研究人员指出。
他们补充说，使用单对比度体积测量的简化方法可以从现有的临床扫描中提取有意义的萎缩数据，扩大研究机会并降低试验成本。常规监测主要关注病灶活动，而脑萎缩——一个重要的残疾恶化标志——由于扫描异质性和缺乏自动化工具而常常被忽视。
MindGlide旨在解决这些限制，能够在“高度异质性的扫描中独立于对比度、分辨率和质量”检测临床相关生物标志物。
研究人员使用来自2934名MS患者、592台扫描仪的4247张脑部MRI扫描的初始数据集训练了MindGlide。在这个过程中，该工具学会了识别MS的标志。
该研究的目的是通过来自两个原发性和继发性进展型MS临床试验以及一个常规护理MS数据集的1001名患者的14,952张图像来验证MindGlide。
当与专家标记的病灶体积进行比较时，该模型在病灶体积检测、敏感性和Dice分数方面优于两种最先进的模型——SAMSEG（识别和勾勒跨MRI对比度的病灶和脑结构）和WMH-SynthSeg（检测扫描上的小亮点）。
在临床试验中，MindGlide检测到了T2病灶累积和皮层及深灰质体积损失的治疗效果。结果显示，该AI工具准确评估了疾病修饰疗法在临床试验和常规护理队列中的效果，特别是神经退行性和疾病活动。
研究人员指出，“每张图像的处理时间为5-10秒。”
使用Dice分数，该工具准确量化了白质病灶、皮层和深灰质体积，MindGlide得出的体积与扩展残疾状态量表的相关性高于SAMSEG和WMH-SynthSeg，尽管“并非所有比较都具有统计学意义”。
此外，在原发性进展型MS试验中，MindGlide在量化治疗组和安慰剂组之间的病灶体积差异方面优于标准工具，在FLAIR中为5.31%，在T2中为4.62%，其结果最接近专家神经放射学家的真实标签（P < .001）。
相比之下，纵向SAMSEG高估了FLAIR中的10.70%（P = .004）和T2中的8.81%（P = .001），而WMH-SynthSeg低估了FLAIR中的2.56%和T2中的2.45%（P < .001）。
Goebl表示：“我们希望这个工具能够解锁数百万张以前难以或无法理解的大脑图像中的宝贵信息，立即为研究人员提供关于多发性硬化症的有价值见解，并在未来几年内通过AI更好地了解患者的状况。我们希望这将在未来5到10年内实现。”
(全文结束)
声明：本文仅代表作者观点，不代表本站立场，全文内容涉及AI跨语种自动翻译。如有侵权请联系我们删除。