将机器学习和人工智能应用于功能性近红外光谱（fNIRS）数据，发现了稳定型亚临床多发性硬化症中新的脑活动生物标志物

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Machine Learning and AI Applied to fNIRS Data Reveals Novel Brain Activity Biomarkers in Stable Subclinical Multiple Sclerosis

　　

摘要：

多发性硬化症（MS）患者常常抱怨手部灵巧性和认知疲劳方面的问题。然而，在许多情况下，这些障碍较为微妙，难以察觉。功能性近红外光谱（fNIRS）是一种非侵入性的神经成像技术，可以测量患者在执行认知或运动任务时的脑血流动力学反应。我们的目标是检测能够解释患者在完成灵巧性任务时主观感受到的认知疲劳的脑活动生物标志物，并为未来的脑刺激治疗提供依据。我们招募了15名MS患者（这些患者在手部功能（九孔插销测试[NHPT]）、行动能力（快速行走速度）或认知能力（蒙特利尔认知评估）方面均无异常），以及12名年龄和性别相匹配的对照组参与者。参与者使用他们的主导手完成了两种类型的灵巧性任务：单一任务（仅进行NHPT）和双重任务（在握住一个球的同时进行NHPT）。我们利用机器学习框架分析了fNIRS数据（氧合血红蛋白和脱氧血红蛋白的水平），根据患者双侧前额叶和感觉运动皮层的脑激活模式将MS患者与对照组区分开来。K-最近邻分类器的准确率在单一手部灵巧性任务中为75.0%，在更复杂的双重手部灵巧性任务中为66.7%。通过可解释的AI技术，我们发现对机器学习模型贡献最大的脑区是同侧半球的缘上角回和中央前回（感觉整合和运动区域），这些区域的活性在MS患者组中受到抑制，神经血管反应也较慢。在两种任务中，脱氧血红蛋白水平比传统的氧合血红蛋白指标更具预测性。这种非传统的fNIRS数据分析方法揭示了新的脑活动生物标志物，有助于开发个性化的脑刺激方案。