多系统萎缩萎缩指数(MSA-AI)：一种用于诊断和监测疾病进展的新型影像学生物标志物

这篇研究创新性地提出多系统萎缩萎缩指数(MSA-AI)，通过深度学习分割技术整合豆状核、小脑和脑干体积数据，证实该复合指标能有效区分多系统萎缩(MSA)与相关突触核蛋白病(p<0.001)，且与基线临床严重度(UMSARS I+II评分ρ=-0.57)及12个月疾病进展显著相关(ρ=-0.55)。研究为MSA的早期诊断和临床试验提供了客观量化工具。

　　

ABSTRACT
可靠生物标志物对追踪多系统萎缩(MSA)进展至关重要。研究提出新型复合体积测量指标MSA萎缩指数(MSA-AI)，通过3T MRI和深度学习分割技术，证实其能有效区分MSA与相关疾病并监测疾病进展。

1 引言
MSA作为快速进展的神经退行性疾病，常因症状重叠被误诊为帕金森病(PD)。研究基于生物标志物进展(bioMUSE)自然史研究，利用深度学习分析关键脑区体积变化，开发出整合区域变异性的MSA-AI指标，旨在解决现有诊断标准敏感性不足(62%)和疾病监测工具缺乏的临床痛点。

2 方法
采用17例临床疑似MSA患者的纵向数据，最终10例确诊MSA，5例重新分类为PD/DLB。通过AssemblyNet深度学习算法分割豆状核(LN)、小脑和脑干体积，计算相对于健康对照组(n=469)的z分数并整合为MSA-AI。统计方法包括线性回归和混合效应模型。

3 结果
3.1 参与者特征
交叉验证显示MSA患者LN体积较PD显著降低(p=0.016)，MSA-AI在所有组间差异最大(p<0.001)。

3.2 组间差异
MSA-AI模型拟合优度最高(调整R²=0.50)，效应量最大(Cohen's f²=0.95)。交叉队列MSA患者小脑和脑干体积较PD/DLB显著减小(p<0.005)。

3.3 临床相关性
MSA-AI与UMSARS评分显著负相关(ρ=-0.57)，基线指数可预测12个月临床恶化(ρ=-0.55)。

3.4 影像标志物进展
MSA组12个月内LN(Δ=-0.45)、小脑(Δ=-0.45)和脑干(Δ=-0.47)体积显著下降，而PD/DLB组无变化。体积减少与临床恶化显著相关(ρ=-0.65)。

3.5 生物标志物关联
脑脊液神经丝轻链(NfL)与MSA-AI显著负相关(ρ=-0.76)，提示神经退行性变程度。

4 讨论
MSA-AI的创新性体现在三方面：

1. 通过z分数标准化实现表型无关评估，适用于MSA-P和MSA-C亚型；
2. 深度学习分割克服传统方法(如FreeSurfer)对模糊边界的识别局限；
3. 复合指标较单一区域体积更敏感，变异系数降低31%。

研究局限性包括样本量较小(n=10纵向MSA)，且缺乏脊髓小脑共济失调对照组。未来需在ALTERITY等临床试验中验证其作为替代终点的可行性。

学术亮点

• 首次提出整合多脑区萎缩的标准化指数
• 证实12个月内MSA特异性体积下降模式
• 建立影像与体液标志物(NfL)的关联框架
• 为即将开展的α-突触核蛋白靶向治疗提供监测工具