基于人工智能估计的结构与功能连接预测多发性硬化症患者的认知功能

《Nature Communications》：Predicting follow-up cognition using estimated structural and functional connectivity networks and artificial intelligence in multiple sclerosis

　　

摘要

大脑的结构和功能连接组（SC和FC）为了解多发性硬化症（MS）患者的脑回路和认知功能之间的关系提供了见解。然而，用于提取SC和FC的弥散成像和功能磁共振成像成本高昂且耗时，因此目前尚未广泛应用于临床。我们此前的研究表明，利用MS病灶掩膜和人工智能（AI）模型生成的估计结构连接和功能连接（eSC和eFC）在预测MS患者的残疾程度方面，与通过弥散成像和功能磁共振成像得出的SC和FC同样有效。在本研究中，我们确定了与基线和4年随访认知相关的eSC和eFC脑回路，并评估了eSC和eFC在预测MS患者认知方面的能力。在171例MS患者的队列中，使用网络修改工具根据从结构磁共振成像中提取的MS病灶掩膜估计SC。然后将eSC作为输入，利用Krakencoder（一种编码器-解码器模型）估计FC。在预测随访符号数字模式测试（SDMT）时，使用区域eSC或eFC获得了最高准确度，其中eSC的中位斯皮尔曼相关系数为0.58，eFC为0.56。小脑eSC和eFC降低以及默认模式网络eFC增加与较低的随访SDMT得分相关。我们的研究结果表明，从临床获取的磁共振成像和AI模型推导出的eSC和eFC能够有效预测认知。基于病灶的连接组估计方法或可为临床试验提供参考，通过识别特定的脑回路，为旨在改善MS患者认知功能的治疗提供靶点。