多模态机器学习预测失语症严重程度：基于神经影像与功能连接的新视角

本研究针对失语症严重程度预测难题，创新性整合T1结构、DTI和rsfMRI多模态神经影像数据，采用SVR和RF机器学习模型结合监督特征选择方法，发现静息态功能连接(rsFMRI-FC)与结构完整性(PSW/PSG)的联合特征可显著提升预测精度(RMSE=16.38±5.57，r=0.70±0.13)，为个体化康复策略制定提供新思路。

　　

失语症作为脑卒中后最影响生活质量的并发症，其严重程度预测一直是临床难题。传统研究多关注病灶位置和体积，但越来越多的证据表明，仅靠结构性指标难以全面评估语言功能损伤。随着神经影像技术的发展，如何整合多模态数据建立精准预测模型，成为当前研究的突破口。

波士顿大学等机构的研究团队在《NeuroImage》发表创新性研究，通过整合76例左半球脑卒中患者的T1结构、弥散张量成像(DTI)和静息态功能磁共振(rsfMRI)数据，构建了多模态机器学习预测体系。研究采用支持向量回归(SVR)和随机森林(RF)模型，结合递归特征消除(RFE)方法，发现静息态神经活动模式与结构完整性指标的联合使用，可显著提升西方失语症成套测验修订版(WAB-R)失语商数(AQ)的预测准确率(RMSE=16.38±5.57)，揭示了双侧语言网络功能连接的重要价值。

关键技术方法包括：1) 采用ITK-SNAP和MRIcron进行病灶半自动/手动分割；2) 基于DSI Studio和AFQ的DTI纤维追踪与FA值计算；3) 使用AAL3图谱提取83个左半球灰质区域 spared比例(PSG)；4) BCBToolkit评估36条白质通路的 spared比例(PSW)；5) 50个预选ROI的rsfMRI功能连接矩阵构建；6) 嵌套交叉验证框架下的监督特征选择与模型优化。

【重要研究结果】

1. 模型比较：SVR模型(RMSE=16.38±5.57)显著优于RF模型(p<0.001)，RBF核在组合rsFMRI-FC与结构指标时展现非线性优势。
2. 特征重要性：rsFMRI-FC功能连接(双侧语言区及同源区域)和左半球语言区PSG(颞叶、岛叶)被频繁选择，左弓状束、钩束的FA值具有预测价值。
3. 多模态优势：结合rsFMRI-FC与PSW/PSG的模型性能最佳(DM+PSW+rsFMRI-FC组合RMSE=15.82±5.21)，显著优于单模态(p<0.05)。
4. 严重病例局限：对WAB-R AQ<20的重症患者预测欠佳(N=3)，反映数据分布不平衡问题。

研究结论强调，失语症严重程度受跨半球功能重组和结构保留程度的共同影响。通过SHAP值分析证实，rsFMRI-FC对模型贡献最大(SHAP=3.65)，其与结构指标的协同作用可通过RBF核捕捉非线性关系。该发现突破了传统"病灶中心"预测范式，为理解语言网络动态重组提供了新证据。

讨论部分指出，左半球弓状束、钩束等白质通路与岛叶等灰质区域的结构完整性，与双侧语言网络的功能连接状态存在复杂交互。这种多尺度、跨模态的神经特征组合，更全面反映了脑损伤后的代偿潜力。尽管存在样本量限制和重症预测不足等问题，该研究建立的机器学习框架为个体化康复方案制定提供了可量化的生物标志物，未来结合右半球形态测量等特征有望进一步提升预测效能。论文创新性地证实了"结构-功能"联合评估在神经康复预测中的核心价值，为精准医疗实践提供了方法论基础。