基于定量MRI与临床特征整合的机器学习模型预测杜氏肌营养不良症行走能力丧失

《Journal of Cachexia, Sarcopenia and Muscle》：Machine Learning Integrating Quantitative MRI and Clinical Features Predicts Loss of Ambulation in Duchenne Muscular Dystrophy

　　

摘要专业翻译 背景：行走能力丧失（LOA）是杜氏肌营养不良症（DMD）的关键疾病里程碑，其发生时机具有高度变异性，给临床咨询和试验设计带来挑战。定量MRI可无创评估肌肉脂肪浸润，但少有模型将MRI与临床变量整合用于个体化LOA预测。研究人员旨在开发并验证一种整合定量MRI与临床特征的机器学习模型，以预测LOA发生时间，并得出可解释的个体化风险评估及候选阈值。 方法：本前瞻性研究纳入188名DMD男孩（中位年龄9.10岁）。测量19块髋/大腿肌肉的定量MRI参数（T1、T2、脂肪分数[FF]）及临床变量。患者按80%/20%随机分为训练集和测试集。特征选择采用LASSO、Boruta及基于随机生存森林（RSF）的递归特征消除（RFE）。比较三种生存模型：RSF模型与岭惩罚Cox模型（均整合临床与MRI衍生特征）以及仅含临床变量的多变量Cox模型。在12、24、36和48个月时间点，通过一致性指数（C-index）、时间依赖性曲线下面积（AUC）、综合Brier评分（IBS）及决策曲线分析评估模型性能。 结果：中位随访43.5个月期间，66例患者（35.1%）发生LOA。最终保留6个预测因子：NSAA评分、MRC%、年龄及三个FF参数（股直肌、股外侧肌、闭孔内肌）。在测试集（n=40，15个事件）中，RSF模型的C-index为0.870（95% CI，0.764–0.957），优于临床Cox模型（0.804）和岭Cox模型（0.853）。RSF模型在12、24、36和48个月的时间依赖性AUC分别为0.984、0.971、0.913和0.850。RSF模型校准性能最佳，IBS最低（0.076，95% CI：0.052–0.111），岭Cox模型次之（0.078），临床Cox模型最高（0.109）。RSF模型将患者分为低风险、中风险和高风险三组；低风险组无LOA事件发生，中风险和高风险组的年事件率分别为7.2%和34.6%（log-rank p=0.0025）。SHAP分析确定了探索性阈值（NSAA < 14.55，MRC% < 68.36%，股直肌FF > 32.30%，股外侧肌FF > 58.00%，闭孔内肌FF > 7.43%）。交互式网络应用可实现个体化风险预测。 结论：整合定量MRI FF指标与临床变量的基于机器学习的RSF模型，在DMD短长期时间维度上对LOA发生时间展现出良好的预测性能。该模型提供了可解释的个体化风险评估，并已部署为在线工具，以支持临床决策和试验富集。

论文解读文章

一、研究背景与问题

杜氏肌营养不良症（Duchenne muscular dystrophy, DMD）是一种X连锁隐性遗传性神经肌肉疾病，由X染色体上DMD基因突变导致功能性肌营养不良蛋白缺失或不足所致。在缺乏功能性肌营养不良蛋白的情况下，骨骼肌经历慢性损伤，继而发生进行性纤维化和脂肪浸润，最终导致运动无力和不可逆的功能能力丧失。行走能力丧失（loss of ambulation, LOA）是DMD疾病进程中的关键临床里程碑，与加速的疾病进展和不良患者结局密切相关，对患者及其家庭的身心健康和社会福祉产生重大影响。

尽管对症管理取得进展，但DMD中LOA进展的多因素性质导致其发生时机和轨迹存在显著的个体间差异，这给临床咨询、治疗决策和试验设计带来了重大挑战。临床评估中的功能参数，如北极星步行评估（North Star Ambulatory Assessment, NSAA）、6分钟步行试验和计时运动功能测试，已广泛用于DMD研究。然而，这些测试依赖患者努力程度，需要患者积极配合，在儿童中尤为困难。值得注意的是，NSAA轨迹因糖皮质激素方案差异、基因型变异以及测试实施和患者表现差异而显示出广泛的个体间和个体内变异性。这些局限性凸显了对客观、定量生物标志物的需求，以补充传统临床评估。

定量肌肉MRI已成为一种有前景的生物标志物，能够精确定量脂肪浸润、水肿和肌肉体积损失，并可预测未来功能变化，作为临床试验的替代终点。然而，大多数研究集中于诊断价值或单因素关联，很少有研究将高维MRI特征与临床变量整合用于纵向结局预测。早期LOA预测可为及时临床决策提供信息，如优化糖皮质激素方案和实施多学科康复，可能延长行走能力并改善生活质量。机器学习（machine learning, ML）越来越多地应用于医学预测任务，与传统统计方法相比可能提高预测性能。其中，随机生存森林（random survival forest, RSF）模型不依赖生存时间分布和比例风险假设，能有效处理删失数据，并可能减少传统Cox回归方法固有的过拟合和收敛问题。然而，ML尤其是RSF用于DMD中LOA预测的可行性仍未被充分探索。

二、研究目的与意义

本研究的主要目的是开发并验证一种基于RSF的ML预测模型，通过整合多参数定量MRI与临床特征来预测LOA发生时间，并提供可解释的个体化风险评估和候选风险阈值以指导临床决策。鉴于预测准确性可能随疾病轨迹而变化，研究者在短期（12个月）、中期（24个月）和长期（36和48个月）时间维度上评估了RSF模型的性能，为临床决策提供定制化分析框架。作为次要基准比较目的，研究者将RSF模型与传统Cox生存模型进行比较，以区分MRI生物标志物的增量预后价值与机器学习算法本身带来的增益。

三、关键技术方法

本研究为前瞻性纵向单中心队列研究，于2020年3月至2023年2月期间从447例经基因和/或病理确诊的DMD男孩中筛选出188例纳入分析（临床试验注册号：ChiCTR1800018340和ChiCTR2200055651）。排除标准包括：基线病历数据大量缺失、缺乏定量MRI检查、基线接受疾病修饰DMD治疗（如基因治疗、外显子跳跃）、初诊时已发生LOA。LOA定义为45秒内无法完成10米独立行走/跑步，或需要长期轮椅使用超过3个月。

影像采集采用3T MR扫描仪（Magnetom Skyra, Siemens Healthineers），扫描范围从髂嵴至大腿中部，包括T1 mapping（MOLLI序列）、T2 mapping（三回波序列）和Dixon序列。对19块髋/大腿肌肉（包括臀大肌、臀中肌、臀小肌、髂肌、阔筋膜张肌、闭孔内肌、缝匠肌、耻骨肌、半腱肌、半膜肌、股薄肌、大收肌、长收肌、短收肌、股直肌、股外侧肌、股中间肌、股内侧肌和股二头肌长头）测量T1弛豫时间、T2弛豫时间和脂肪分数（fat fraction, FF）。由两名放射科医师（分别具有5年和3年经验）在不知晓临床数据的情况下使用Siemens MR后处理工作站（Syngo Via）进行分析。

数据预处理方面，数据集在插补前随机分为训练集（80%）和测试集（20%）。缺失值≥20%的变量预先排除，其余缺失值使用missForest随机森林算法插补，该算法仅在训练集上拟合，然后应用于测试集以避免数据泄漏。特征选择仅在训练集上进行：临床特征通过单变量Cox回归（p<0.05）预筛选；定量MRI特征采用三步降维法：（1）LASSO回归（α=1）配合5折交叉验证选择非零系数特征；（2）Boruta算法（基于随机森林的包装器方法）识别重要性显著超过影子特征的特征；（3）以RSF为估计器的递归特征消除（recursive feature elimination, RFE）配合5折交叉验证选择最优特征数。最终MRI特征集定义为三种方法选择特征的交集。

模型构建方面，共建立三种生存预测模型：（1）临床Cox模型：包含NSAA评分、MRC%和年龄三个临床变量的多变量Cox比例风险回归；（2）RSF模型：整合三个临床变量与最终定量MRI特征，超参数通过网格搜索配合5折交叉验证调优（最优组合为max_features=3，min_samples_split=15，平均CV C-index=0.890），最终模型以1000棵树、log-rank分裂规则和固定随机状态123重拟合；（3）岭惩罚Cox模型：使用与RSF相同的六个预测因子，最优L2惩罚（λ=0.02）通过5折交叉验证确定（平均CV C-index=0.897）。模型性能通过C-index、时间依赖性AUC、逆删失概率加权综合Brier评分（integrated Brier score, IBS）和决策曲线分析（decision curve analysis, DCA）评估。模型解释采用SHAP分析和SurvSHAP(t)时间依赖性重要性分析。风险分层通过训练集个体风险评分三分位数确定阈值并应用于测试集。最终模型部署为名为DMD-TIMER的Streamlit交互式网络应用。

四、研究结果

4.1 患者特征

共筛选447例DMD患者，最终纳入188例。队列中位年龄为9.10岁（IQR，7.90–10.20），中位随访时间为43.50个月（IQR，23.00–54.00）。随访期间66例患者（35.1%）发生LOA。队列随机分为训练集（n=148，51个事件）和测试集（n=40，15个事件），两组在人口学、临床和定量MRI参数方面均衡。

4.2 特征选择

单变量Cox回归确定了三个与LOA显著相关的临床变量（p<0.05）：NSAA评分、MRC%和年龄。多变量Cox分析中仅NSAA评分保持独立预测作用（HR=0.845；95% CI，0.802–0.891；p<0.001）。对于定量MRI特征，LASSO回归识别出11个关键特征（λ.min=0.0586），Boruta算法确认12个特征，RFE-RSF基于最高C-index选择三个最优特征。三种方法的交集产生三个FF参数：股直肌FF、股外侧肌FF和闭孔内肌FF。值得注意的是，没有T1或T2参数通过筛选。最终六个变量（NSAA、MRC%、年龄及三个FF参数）用于后续ML模型开发。

4.3 模型性能

在训练集中，RSF模型校准性能最佳（IBS=0.050，95% CI，0.037–0.061），C-index最高（0.932，95% CI，0.907–0.954），优于岭Cox模型（0.897）和临床Cox模型（0.895）。RSF模型在12、24、36和48个月的时间依赖性AUC分别为0.977、0.974、0.977和0.963，在所有时间点均优于两种Cox模型。DCA显示RSF模型在四个时间点的整个阈值范围内产生最高净临床获益，在48个月时优势最为显著。

在测试集中，RSF模型保持优越性能，C-index为0.870（95% CI，0.764–0.957），优于岭Cox模型（0.853）和临床Cox模型（0.804）。RSF模型IBS最低（0.076，95% CI，0.052–0.111），校准性能最佳。时间依赖性AUC在12、24、36和48个月分别为0.984、0.971、0.913和0.850，在所有时间维度上均优于临床Cox模型。在测试集中，三种模型在低阈值概率下表现相似，但在较高阈值下出现分化，RSF在临床相关阈值范围内产生最高、最稳定的净获益。

4.4 风险分层

基于训练集个体风险评分三分位数确定风险分层阈值，将训练集患者分为低风险（n=50）、中风险（n=49）和高风险（n=49）亚组，并将阈值直接应用于测试集（低风险n=8，中风险n=16，高风险n=16）。训练集Kaplan–Meier曲线显示三组间清晰分离（log-rank p<0.0001），测试集也显示显著差异（p=0.0025）。训练集中低、中、高风险组LOA事件数分别为0、8和43，低风险组无LOA事件（精确Poisson 95%上限≈1.7/100人年），中、高风险组年事件率分别为8.2%和42.4%。测试集中事件数分别为0、3和12，低风险组无事件（精确Poisson 95%上限≈10.3/100人年），中、高风险组年事件率分别为7.2%和34.6%。两个队列均观察到一致的风险梯度，证实RSF模型能有效区分不同LOA风险的患者。

4.5 模型解释

SHAP特征重要性分析将NSAA评分列为LOA最具影响力的预测因子，其次是三个影像脂肪分数参数（股直肌FF、股外侧肌FF和闭孔内肌FF）、MRC%和年龄。蜂群图显示较低的NSAA评分和较高的评估肌肉脂肪分数值与LOA风险增加相关。SurvSHAP(t)分析显示肌肉脂肪分数（股直肌、股外侧肌、闭孔内肌）的重要性随时间稳步增加，表明其对长期LOA风险的贡献逐渐增大。

五、讨论与结论

本研究开发并验证了一种整合定量MRI脂肪分数指标与临床变量的RSF模型，在DMD短长期时间维度上对LOA发生时间展现出优异的预测性能。RSF模型在判别力（C-index和时间依赖性AUC）和校准度（IBS）方面均优于仅含临床变量的Cox模型和整合相同预测因子的岭惩罚Cox模型，表明机器学习算法和MRI生物标志物的整合提供了增量预后价值。风险分层分析确认了模型在识别不同风险水平患者方面的临床实用性，低风险组无LOA事件发生，而高风险组年事件率超过30%。SHAP分析提供了可解释的个体化风险评估和探索性风险阈值，有助于临床医生识别高风险患者并及时干预。该模型已部署为名为DMD-TIMER的交互式网络应用，支持临床决策和试验富集。