综述：基于磁共振成像的人工智能在多发性硬化症疾病进展预测中的系统综述与荟萃分析

这篇系统综述聚焦AI（Artificial Intelligence）技术通过MRI（Magnetic Resonance Imaging）预测多发性硬化症（MS）患者残疾进展的临床价值。研究汇总21项涉及12,252例患者的数据显示，当前模型预测扩展残疾状态量表（EDSS）的中位均方根误差达1.08分，深度学习相较传统机器学习仅呈现非显著性优势。结论强调需通过多中心验证和前瞻性试验提升模型个体化预测精度（AUC中位数0.78，I2=95%）。

　　

背景

多发性硬化症（MS）患者即便接受疾病修饰治疗（DMT），残疾进展仍是临床重大挑战。近年来，基于磁共振成像（MRI）的人工智能（AI）技术为个体化预后带来新机遇，但其实际预测效能尚缺乏系统评估。

方法

研究团队严格遵循PRISMA指南，检索5大数据库截至2025年5月17日的文献。纳入标准要求研究必须采用AI模型处理MRI数据，预测扩展残疾状态量表（EDSS）或其等效指标的变化。两名评审员独立完成文献筛选、数据提取，并采用QUADAS-2工具进行偏倚风险评估。对至少3项研究报告兼容回归统计量时，采用随机效应模型进行荟萃分析。

结果

在纳入的21项研究（共12,252例MS患者）中，技术路线呈现多元化特征：5项采用连续EDSS评分回归分析，14项采用分类算法，1项采用生存分析，另有1项同时采用两种方法。传统机器学习占主导地位（57%），深度学习应用占比38%。性能分析显示，分类模型的中位曲线下面积（AUC）为0.78（范围0.57-0.86），回归模型预测EDSS的中位均方根误差（RMSE）达1.08分。回归研究的汇总RMSE为1.31（95% CI 1.02-1.60；I²=95%），提示显著的异质性。值得注意的是，深度学习相较传统算法仅表现出边际、无统计学意义的性能提升。方法学质量评估发现，仅6项研究进行外部验证，模型校准度分析和决策曲线分析报告率不足，代码公开更为罕见。QUADAS-2评估显示患者选择偏倚普遍较低，但指数测试相关问题较多。

结论

现有证据表明，MRI驱动的AI模型对MS残疾进展具有中等预测效能，但超过1个EDSS点的误差范围限制了其在个体层面的临床应用价值。未来研究需重点关注：标准化预后终点定义、扩大多中心队列规模、加强外部验证严谨性，以及开展融入临床决策流程的前瞻性试验。这些改进将有助于推动AI预测模型从研究工具向临床实践转化。