基于单次MRI的无监督机器学习对多发性硬化患者进行分层:单中心研究
本研究回顾性纳入425例复发缓解型多发性硬化患者,利用3T脑MRI体积特征和SuStaIn无监督算法识别出两种亚型:深部灰质优先型和皮层优先型。分类在纵向MRI中保持稳定,基线分期可预测长期残疾、认知障碍及向继发进展型转化。
要点
- 基于11个脑体积生物标志物可识别深部灰质优先型和皮层优先型两种MS亚型。
- 深部灰质优先型与更长病程、更高基线EDSS、更高分期及更大病灶体积相关。
- 基线SuStaIn分期可预测长期残疾、认知障碍和向继发进展型转化。
核心结论
- 基于脑MRI体积特征的无监督学习模型为多发性硬化患者提供了生物学可靠且具有预后意义的分层。
研究设计与样本
- 单中心回顾性研究,纳入425例复发缓解型MS患者(35.9±9.9岁,女/男301/124),对应1129次MRI扫描。
- 使用同一台3T扫描仪(Magnetom Trio, Siemens Healthineers)采集3D T1加权(≤1mm各向同性体素)和T2-FLAIR序列。
- 以148名健康对照(35.9±13.0岁,女/男77/71)和80例外部队列MS患者(40.4±11.9岁,女/男56/24)作为参考人群计算z分数。
- 采用SuStaIn算法,使用10折交叉验证确定亚型数量,最多测试4个亚型,z分数事件阈值1、2、3(排除少于5%受试者达到的事件)。
关键影像表现/征象
- 特征选择后保留11个生物标志物:10个灰质区域体积(双侧前扣带回、右侧中扣带回、双侧岛叶和楔叶、右侧壳核、双侧丘脑)及总病灶体积。
- 深部灰质优先型(56%,n=238)以皮层下灰质结构初始体积丢失为特征,随后出现病灶累积和皮层萎缩。
- 皮层优先型(44%,n=187)以皮层体积丢失先于深部灰质萎缩和病灶累积为特征。
- 两亚型进展模式在交叉验证中高度稳定,交叉验证相似性分别为0.91±0.03和0.91±0.04。
诊断标准与关键数值
- 亚型随时间保持一致,Krippendorf's α=0.806(CI=0.752, 0.821)。
- 基线亚型分配概率阈值提高到95%(177例)或99%(114例)时,α均为0.990(CI=0.973, 0.998)。
- 疾病分期年均显著增加(b=0.20;SE=0.05;CI=0.09, 0.30;p<0.001),亚型间无显著差异(交互项b=−0.08;SE=0.11;CI=−0.29, 0.13;p=0.48)。
- 基线分期对随访时间与疾病分期关系有显著调节效应(交互项b=−0.05;SE=0.01;CI=−0.08, −0.02;p=0.001),基线分期越高斜率越平缓。
局限性
- 单中心性质减少了扫描仪/中心效应相关的数据异质性,但也限制了模型的可推广性,需要在多中心数据集上进行更大规模研究。
- 增加样本量将允许更高维度和更准确的多发性硬化病理表征,可能包括脊髓成像或其他先进MRI技术(如扩散MRI、定量MRI、功能MRI)的生物标志物。
全文中译12 节 · 点击展开
引言
多发性硬化(MS)的脑部磁共振成像(MRI)异常代表了患者生物学状态的客观指标,反映了疾病演变背后的发病机制[1]。
尽管多年来大规模样本研究已提供了大量关于MRI生物标志物生物学和临床相关性的证据,但其在单个受试者环境中的应用以及因此在临床实践中的应用仍然具有挑战性[2]。实际上,MRI生物标志物表现出高度变异性,这既源于非疾病相关的混杂因素(例如年龄、性别、其他共存的CNS生理和病理状况),也源于疾病相关的表型和时间异质性,从而阻碍了绝对截断值的定义,并限制了其用于有效患者分层的效用。
多年来,技术进步和影像学指南的出现[3, 4]促使高质量临床MRI扫描广泛可用,包括具有适合体积定量的各向同性体素分辨率的序列[5]。不幸的是,由于对高维数据集进行有意义建模的复杂性以及经常缺乏可靠反映患者临床状态的关联数据,这一信息金矿在很大程度上仍未得到充分利用。
无监督机器学习(ML)技术仅基于客观生物标志物变化来建模疾病进展,而不依赖于先验临床信息或明确的生物标志物阈值,是克服这些问题的有价值方法[6]。最近,此类方法已被应用于中枢神经系统原发性神经退行性疾病[6–8],并在转化为MS场景时显示出有希望的结果,目的是表征疾病特异性的临床和MRI变化序列[9, 10]或提供由MRI驱动的疾病表型定义[11]。
基于这些前提,我们将一种近期开发的名为亚型与分期推断(SuStaIn)的算法应用于一个大型单中心复发缓解型MS(RRMS)患者队列的临床MRI扫描,该算法可识别以生物标志物异常累积的不同轨迹为特征的数据驱动亚型。我们旨在证明,基于从横断面MRI访视获得的不同脑区和MS病灶的精细体积映射,该方法将提供准确的 patient stratification,并且根据纵向MRI和长期(10年)运动和认知评估,这种分层既具有生物学可靠性又具有预后意义。
材料与方法
参与者
在这项单中心回顾性研究中,从那不勒斯“费德里科二世”大学MS中心的放射学和临床研究数据库中筛选了根据2010年McDonald标准[12]修订的MS诊断且为复发缓解(RR)病程[13]的患者的脑部MRI研究,该数据库包含自2006年10月开始收集的数据。纳入和排除标准见图1。
还从同一数据库中选择了健康对照(HC)的脑部MRI扫描,以及来自热那亚大学的外部RRMS患者人群,用于制定z分数计算的常模并选择MRI特征。
该研究按照伦理标准进行,并获得了宿主机构“Carlo Romano”伦理委员会的批准。
临床评估
对于所有患者,在MRI前后1周内使用扩展残疾状况量表(EDSS)评估临床残疾程度。对于可获得长期临床和神经心理学评估的患者,在随访时(距基线MRI 10 ± 2年)根据以下标准进行分类:(i)运动残疾,根据对应于EDSS评分< 4.0、≥ 4.0且< 6.0、≥ 6.0且< 7.0、≥ 7.0的行走基准,范围从0到3 [14];(ii)认知残疾,范围从0到3,对应于简易国际多发性硬化认知评估(BICAMS)成套测验[16]中受损测试的数量(低于健康人群年龄、性别和教育校正常模值1.5个标准差[15]);(iii)转为继发进展型病程[13]。
MRI数据采集与处理
检查均在相同的3-T扫描仪(Magnetom Trio,Siemens Healthineers)上采集,包括用于体积分析的三维T1加权序列(各向同性体素≤ 1 mm)和用于量化总脱髓鞘病灶体积(TLV)的T2加权FLAIR序列。序列参数和图像处理步骤详见补充材料。简言之,对于所有参与者,在FLAIR图像上自动分割脱髓鞘病灶、进行视觉检查并在需要时手动调整以计算TLV,同时使用T1加权体积将灰质(GM)基于图谱分割为自动解剖标记(AAL)图谱[17]定义的116个区域。
统计分析
总结数据处理和分析步骤的流程图见图2。
SuStaIn建模
SuStaIn 是一种无监督机器学习算法,结合了聚类和基于事件建模的思想,将疾病进展描述为生物标志物沿离散的累积改变水平的线性演变,这些水平以相对于参考常模的偏差(z 分数)来定义 [8]。它同时估计以不同生物标志物演变模式为特征的亚组及相应的轨迹,为每个受试者提供归属于特定亚型和亚型内分期的概率性分配 [8]。SuStaIn 算法的方法学方面见 Young 等 [8],当前分析的细节见补充材料。
简言之,MRI 衍生的 GM 和病灶体积分别参照 HC 组和外部 RRMS 人群表示为 z 分数,并在适当时翻转 z 分数的符号,使较高的值始终代表疾病恶化。基线 MRI 扫描用作训练集,而纵向随访保留用于对初始分类进行生物学和临床验证 [8]。
仅选择与 MS 患者和 HC 之间中度至高度(Cohen's f > 0.25)差异相关的变量并纳入 SuStaIn 算法。在训练队列中使用 10 折交叉验证(CV)评估模型,以估计最佳亚型数量和亚型进展模式的一致性:优先选择在 CV 折间平均样本外对数似然最大化的亚型数量;每个亚型进展模式在 CV 折间的相似性(CVS)使用 Bhattacharyya 系数测量 [8]。最后,将所得模型拟合于训练队列的所有受试者,并应用于未见过的纵向 MRI 扫描,以对每次 MRI 访视分配可能的亚型和分期。
检验 SuStaIn 分类的生物学可靠性和临床相关性
SuStaIn 亚型随时间的稳定性用 Krippendorf's α 表示 [18]。为评估疾病分期的变化速率,我们拟合了多水平线性回归模型,其中 SuStaIn 分期为因变量,随访时间(嵌套于受试者内)为预测变量,允许截距和斜率在受试者间变化(随机效应)。通过分别将基线亚型和分期(及与随访时间的相应交互作用)加入模型并检验交互项的显著性,评估基线亚型和分期对纵向分期变化斜率的可能影响。为各个 MRI 衍生的生物标志物建立了类似模型。
SuStaIn 分类的临床相关性通过与基线 EDSS 和长期临床结局的关系进行评估,使用序数/逻辑回归(视情况而定)分析,其中基线亚型和分期及其交互作用、年龄和性别为自变量。纵向分析中,随访时间、基线 EDSS 和疾病修饰治疗作为额外协变量纳入。
统计分析使用社会科学统计软件包(SPSSv25.0,IBM corp.)进行。
结果
参与者
共选择 425 例 RRMS 患者(基线年龄:35.9 ± 9.9 岁;女/男:301/124),对应总共 1129 次 MRI 访视(平均每例患者 2.7 次 MRI 访视;范围:0–9),平均随访(FU)时间为 2.1 年。
还选取了148例健康对照(HC)的MRI扫描(年龄:35.9 ± 13.0岁;女/男:77/71),以及一个由80例多发性硬化(MS)患者组成的外部人群的MRI扫描(年龄:40.4 ± 11.9岁;女/男:56/24)。
研究人群的人口学和临床特征见表1。
178例患者可获得长期临床结局(运动残疾水平:0 = 121,1 = 35,2 = 16,3 = 6;认知残疾水平:0 = 81,1 = 42,2 = 24,3 = 31;转为继发进展型病程:29例)。
SuStaIn模型
10个灰质区域的体积,包括双侧前扣带回皮层、右侧中扣带回皮层、双侧岛叶和楔叶、右侧壳核以及双侧丘脑,与HC组相比存在中度至高度差异,因此连同总病灶体积(TLV)一起输入SuStaIn算法,共计11个生物标志物(图3,补充表1)。
两亚型模型在交叉验证(CV)折中产生了最高的平均对数似然(补充图1),因此被选为后续分析的最佳拟合模型。在观察各亚型脑损伤进展轨迹时,我们将其命名如下:(1)深部灰质(DGM)优先亚型(占受试者的56%,n = 238),特征为皮层下灰质结构初始体积丢失,随后出现病灶累积和皮层萎缩;(2)皮层优先亚型(占受试者的44%,n = 187),特征为皮层体积丢失先于DGM萎缩和病灶积累(图4)。
两种进展模式在CV折中均表现出高度稳定性,DGM优先亚型和皮层优先亚型的交叉验证相似度(CVS)分别为0.91 ± 0.03和0.91 ± 0.04(补充图2)。
归入两个亚型的患者在年龄、性别和全脑体积(WBV)方面相当,而DGM优先亚型与更长的疾病病程(DD)(p < 0.001)以及更高的基线扩展残疾状况量表(EDSS)评分(p = 0.004)、SuStaIn分期(p = 0.01)和TLV(p < 0.001)相关(表2)。
生物学可靠性和临床相关性
疾病亚型随时间趋于一致(Krippendorf's α = 0.806;CI = 0.752,0.821),随着基线亚型 assigned 的概率阈值提高至95%(177名受试者;α = 0.990;CI = 0.973,0.998)或99%(114名受试者;α = 0.990;CI = 0.973,0.998),亚型稳定性增加。
在保留初始亚型的患者中,疾病分期呈显著的年增长(b = 0.20;SE = 0.05;CI = 0.09,0.30;p < 0.001),支持SuStaIn分期的生物学可靠性,亚型间无显著差异(交互项 亚型*随访时间:b = −0.08;SE = 0.11;CI = −0.29,0.13;p = 0.48)。观察到基线分期对随访时间与疾病分期之间关系有显著调节效应(交互项 基线分期*随访时间:b = −0.05;SE = 0.01;CI = −0.08,−0.02;p = 0.001),对应于随着基线分期升高斜率变平缓,可能反映平台效应。
观察个体MRI衍生的生物标志物时,所有灰质(GM)体积随时间显著下降(p ≤ 0.03)(补充表2),左侧丘脑组间差异显著,对应于深部灰质(DGM)优先亚型纵向萎缩率更高(交互项 亚型*随访时间:b = 0.05;SE = 0.01;CI = 0.02,0.07;p = 0.001),右侧丘脑(交互项 亚型*随访时间:b = 0.007;SE = 0.003;CI = 0.002,0.013;p = 0.006)和右侧前扣带皮层(交互项 亚型*随访时间:b = 0.002;SE = 0.001;CI = 0.001,0.003;p = 0.002)存在显著平台效应(基线分期越高,纵向变化斜率越平缓)。
关于与临床结局的关系,基线EDSS评分与SuStaIn分期(b = 0.042;p < 0.001)和DGM优先亚型(b = −0.280;p = 0.02)均呈正相关,基线分期还预测长期残疾(b = 0.030;p = 0.007)和向继发进展型(SP)病程的转化(b = 0.079;p = 0.03)。长期认知障碍与较高的基线分期(b = 0.048;p < 0.001)、DGM优先亚型(b = −0.442;p = 0.005)及其交互作用(b = −0.080;p = 0.002)相关(表3)。
讨论
对个性化医疗的追求促使人们越来越多地努力解开神经系统疾病的个体间变异性,整合来自不同生物标志物的信息以识别不同的潜在生物学驱动因素(即生物型),直至个体患者层面[19]。在本研究中,我们基于横断面MRI访视衍生的脑体积特征的无监督建模,获得了RRMS患者生物学一致且具有预后相关性的分层。
使用SuStaIn算法,识别出两种不同的MRI驱动亚型,其潜在模式为:一种以早期深部灰质(DGM)萎缩和T2病灶累积先于皮层萎缩为特征,另一种以皮层体积丢失先于DGM萎缩和病灶累积为特征,两者相互分离。这些结果与Eshaghi等人[11]近期的工作基本一致,轻微差异最可能是由于输入特征选择不同所致。事实上,亚型数量方面的明显差异最可能是因为本研究中缺乏MRI衍生的正常表现白质损伤测量指标,这限制了对与病灶外微结构损伤相关的表型异质性的捕捉敏感性。
另一方面,应用更精细的脑分区方案使得灰质(GM)萎缩的建模在解剖学上更为精确,突出了多发性硬化(MS)中最显著受累的区域,如丘脑以及前扣带回、岛叶和视觉皮层[9]。有趣的是,即使在相对临床同质的人群中,基于患者MRI仍可区分出不同的疾病亚型,这一事实证实了临床表型与MRI驱动表型之间对应关系薄弱,后者更密切地反映疾病相关致病机制[11]。
事实上,虽然被归入两种亚型的患者在年龄、性别或全脑体积(WBV)方面无显著差异,但DGM优先型与更高的疾病病程(DD)、分期和T2病灶体积(TLV)相关,这与皮层和DGM萎缩由不同致病机制驱动的观点一致[20–22]。特别是,基于与TLV更密切的关联,皮层下GM可能通过顺行/逆行变性对局灶性脱髓鞘的继发效应更为敏感,而原发性GM神经炎症和神经变性在决定皮层萎缩中发挥突出作用[21–23]。此外,更长的DD提示DGM优先型患者诊断更早,可能反映前驱期更短[11, 24]。
纵向MRI扫描分析进一步证实了MRI驱动分类的生物学可靠性,亚型稳定性高且分期随时间显著增加,反映了脑损伤沿估计路径的实际时间进展。在生物学一致性方面同样相关的是,调节分析提示SuStaIn分期和个体生物标志物(即右侧丘脑和前扣带回皮层萎缩)的纵向轨迹存在平台效应,这与已知的MS相关脑萎缩时间模式一致[25, 26],其中DGM优先型亚型的丘脑萎缩速率更陡峭。
在评估SuStaIn分类的临床相关性时,较高的基线EDSS评分独立地与更高的分期(对应于更显著的脑结构损伤)和DGM优先型亚型均相关,这一发现与先前证据一致,后者指出皮层下GM(尤其是丘脑)萎缩在驱动残疾中发挥突出作用[27, 28]。
关于MRI驱动分层的预后意义,沿损伤进展轨迹处于更晚期位置的患者在长期内更可能进入临床进展阶段,并且遭受更高程度的运动和认知残疾,更严重的认知损害也与DGM-first亚型独立相关。这些发现进一步证实了这样一种观点:尽管本质上是横断面的,基线MRI驱动的分类编码了关于未来疾病演变的相关信息,也证实了皮层下GM萎缩作为MS认知残疾的相关解剖学关联的作用[29, 30]。
总体而言,所提出的方法提供了对MS相关疾病机制的见解,证实并扩展了关于MS病理生理学的现有知识。但更有趣的是,它将这些复杂信息在患者层面浓缩为简单直观的指标,这些指标可从单次就诊的常规MRI扫描中轻松获得,并与疾病严重程度和进展的临床指标相关。将个体脑MRI中包含的信息置于MS患者参考人群中估计的疾病模式框架内,这种分层具有将MS研究与单受试者环境有效联系起来的潜力,对临床试验和常规实践均具有相关意义。
我们的工作并非没有局限性。虽然研究的单中心性质减少了与扫描仪/中心效应相关的数据异质性,但它也限制了模型的泛化能力,促使在多中心数据集上开展更大规模的研究。此外,增加样本量还将允许对MS病理学进行更高维度(且更准确)的表示,可能包括来自脊髓成像或其他先进MRI技术的额外生物标志物,这些技术编码了关于脑微结构(例如扩散MRI、定量MRI)[20, 31]或功能(例如功能MRI)[32]的相关信息。
总之,通过对源自脑MRI扫描的体积特征进行无监督建模,我们获得了MS患者生物学可靠且具有预后意义的单次就诊分类,可能在试验设计和临床实践中为受试者分层提供有力工具。
补充信息
ESM 1(DOCX 711 kb)
引用
- Pontillo G, Penna S, Cocozza S, et al. Stratification of multiple sclerosis patients using unsupervised machine learning: a single-visit MRI-driven approach. Eur Radiol. 2022. PMID: 35284989. doi:10.1007/s00330-022-08610-z
- 全文:PMC9279232(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9279232/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。