深度学习预测首次脱髓鞘事件中独立于复发活动的疾病进展：基于常规脑MRI的生存模型

本研究针对多发性硬化症（MS）患者残疾进展的核心机制——独立于复发活动的进展（PIRA），开发了一种基于常规脑MRI（T1-w/T2-FLAIR序列）的深度学习生存模型。通过前瞻性队列（N=259）训练和外部验证（MS PATHS，N=32），模型准确预测了PIRA风险（时间依赖性一致性指数ctd=0.72），显著优于年龄校正的Cox回归模型（C指数从0.62提升至0.74）。该工具首次实现从首次发作MRI中识别高危患者，为早期干预神经退行性进程提供新策略。

　　

论文解读

研究背景

多发性硬化症（MS）的不可逆残疾主要由独立于复发活动的进展（Progression Independent of Relapse Activity, PIRA）驱动，其发生与发病年龄显著相关。然而，在首次脱髓鞘事件时精准预测PIRA风险仍是临床未满足的需求。传统模型仅依赖年龄因素，预测能力有限（C指数≈0.59），亟需整合更敏感的生物学标志物。常规脑MRI作为临床常规检查，蕴含尚未被充分挖掘的预后信息，深度学习（DL）技术有望从中提取与神经退行性进程相关的隐匿模式。

研究方法

西班牙巴塞罗那瓦尔德希伯伦大学医院团队联合赫罗纳大学，建立前瞻性首次脱髓鞘事件队列（N=259，年龄18-50岁）。所有患者在症状出现3个月内接受脑MRI（T1-w/T2-FLAIR序列）和临床评估，中位随访7.7年。主要终点为PIRA事件（定义为无复发情况下扩展残疾状态量表（EDSS）评分6个月确认恶化）。
关键技术：

1. DL生存模型架构：采用EfficientNet-b0预训练网络提取MRI特征，输出11个时间区间（1年间隔）的PIRA累积概率分布函数（F^(t)）。
2. 训练策略：五折交叉验证优化，使用负对数似然损失函数和Adam优化器。
3. 性能评估：时间依赖性一致性指数（c^td）、综合布雷尔评分（IBS）及ROC曲线分析。
4. 模型解释：基于SHAP值（SHapley Additive exPlanations）生成脑区相关性图谱。
5. 外部验证：MS PATHS早期MS队列（N=32）验证模型泛化能力。

研究结果

1. 队列特征：22%（58/259）患者在随访中发生PIRA（中位时间4.2年）。PIRA患者基线年龄更高（36.2 vs 33.8岁，P=0.048）、脑损伤体积更大（4.8 vs 3.1 mL，P=0.05）。
2. 模型性能：
   • 生存预测曲线与Kaplan-Meier估计高度吻合（图3A），c^td=0.72，IBS=0.1（理想值<0.17）。
   • 首年PIRA概率的预测阈值（≥3.9%）在原始队列准确率达78%（特异性93.5%），外部队列达72%（特异性78.6%）。
     
     
3. 与传统模型对比：DL概率显著提升Cox回归预测能力（C指数0.62→0.74），年龄、脑损伤数量与DL概率均为独立预测因子（均P<0.05）。
4. 关键脑区识别：SHAP分析揭示额顶叶皮层灰质（负相关性）、侧脑室（正相关性）及脑室周围白质为PIRA预测核心区域（图4C）。
   
   

结论与意义

本研究首次构建基于常规脑MRI的DL生存模型，成功实现从首次脱髓鞘事件中预测PIRA风险：

1. 临床价值：突破传统年龄依赖模型的局限，为早期识别高危患者提供新工具（首年概率阈值准确率>70%），指导个体化神经保护治疗。
2. 机制启示：额顶叶皮层退行性变作为PIRA的核心影像标志物，与MS慢性神经炎症理论吻合。
3. 技术突破：DL框架融合生存分析与可解释算法（SHAP），兼顾预测精度与生物学洞察。
4. 实践意义：模型仅需临床常规MRI，无需额外扫描，具备广泛推广潜力。未来需扩大验证队列、整合脊髓影像及体液标志物（如神经丝轻链），进一步提升敏感性。

该成果发表于《Brain Communications》，标志着MS预后预测从经验判断迈向AI驱动的新阶段。