m+Medelevator.RU
← Поиск публикаций
European radiology · 2025

Изучение факторов, определяющих эволюцию хронических повреждений в множестве склерозов с помощью машинного обучения.

СтатьяНазвание и аннотация: Машинный перевод · не проверен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…

История · было → стало

Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.

Hu Hai, Ye Long, Wu Ping, Shi Zhuowei, Chen Guangwen, Li Yongmei

Аннотация

ЦЕЛИ: Исследование было направлено на выявление факторов, влияющих на эволюцию хронических повреждений при множественном склерозе (МС) с использованием метода машинного обучения. МАТЕРИАЛЫ И МЕТОДЫ: Продольные данные собирались у лиц с множественным склерозом (RRMS). Знак "железного обода" был определен с использованием количественного картографирования уязвимости (QSM), а микроструктурные повреждения были оценены с помощью коэффициентов восстановления потока (FLEAIR) с использованием T1/fluid. Дополнительные данные включали базовый объем повреждений, объем церебрального повреждения Т2-гиперинтенса, объем повреждения железного обода, долю повреждений железного обода, пол, возраст, продолжительность заболеваний (ДД), инвалидность и когнитивные показатели, использование терапии, направленной на изменение болезней, и интервалы между последующими мерами. Эти элементы были интегрированы в модели машинного обучения (логистическая регрессия (LR), случайная лесная (RF) и вспомогательная векторная машина (SVM)) для прогнозирования изменения объема поражения, причем наиболее предсказательная модель была выбрана для анализа значимости характеристик. Результаты исследования: Исследование охватывало 47 человек (старше 30,6 ± 8,0 года [стандартное отклонение], 6 мужчин) и 833 человека, получивших хронические повреждения. Результаты разработки модели машинного обучения показали, что модель ПМТС продемонстрировала высокую прогнозную эффективность, при этом AUC в комплекте учебных материалов 0,90 и 0,81 в комплекте испытаний. Анализ характеристик показал три главных признака: "железный обод" - след повреждений, DD и соотношения T1/FLEAR. ЗАКЛЮЧЕНИЕ: В рамках этого исследования была разработана модель машинного обучения для прогнозирования объема поражения MS. Анализ значимости характеристик показал, что хроническое воспаление вокруг повреждения, DD и микроструктурное повреждение являются ключевыми факторами, влияющими на изменение объема при хронических поражениях MS.Вопросы Эволюция различных хронических повреждений в MS характеризуется изменчивостью, а движущие факторы, влияющие на эти результаты, еще предстоит изучить. Для прогнозирования изменений объема хронического поражения MS была разработана учебная модель SVM, интегрирующая характеристики повреждений, нагрузки на организм и клинические данные. Клиническая значимость хронического воспаления вокруг повреждений, DD и микроструктурных повреждений являются ключевыми факторами, влияющими на эволюцию хронических поражений MS.
Оригинал публикации

Exploring factors driving the evolution of chronic lesions in multiple sclerosis using machine learning.

OBJECTIVES: The study aimed to identify factors influencing the evolution of chronic lesions in multiple sclerosis (MS) using a machine learning approach.

MATERIALS AND METHODS: Longitudinal data were collected from individuals with relapsing-remitting multiple sclerosis (RRMS). The "iron rim" sign was identified using quantitative susceptibility mapping (QSM), and microstructural damage was quantified via T1/fluid attenuated inversion recovery (FLAIR) ratios. Additional data included baseline lesion volume, cerebral T2-hyperintense lesion volume, iron rim lesion volume, the proportion of iron rim lesion volume, gender, age, disease duration (DD), disability and cognitive scores, use of disease-modifying therapy, and follow-up intervals. These features were integrated into machine learning models (logistic regression (LR), random forest (RF), and support vector machine (SVM)) to predict lesion volume change, with the most predictive model selected for feature importance analysis.

RESULTS: The study included 47 RRMS individuals (mean age, 30.6 ± 8.0 years [standard deviation], 6 males) and 833 chronic lesions. Machine learning model development results showed that the SVM model demonstrated superior predictive efficiency, with an AUC of 0.90 in the training set and 0.81 in the testing set. Feature importance analysis identified the top three features were the "iron rim" sign of lesions, DD, and the T1/FLAIR ratios of the lesions.

CONCLUSION: This study developed a machine learning model to predict the volume outcome of MS lesions. Feature importance analysis identified chronic inflammation around the lesion, DD, and the microstructural damage as key factors influencing volume change in chronic MS lesions.

KEY POINTS: Question The evolution of different chronic lesions in MS exhibits variability, and the driving factors influencing these outcomes remain to be further investigated. Findings A SVM learning model was developed to predict chronic MS lesion volume changes, integrating lesion characteristics, lesion burden, and clinical data. Clinical relevance Chronic inflammation surrounding lesions, DD, and microstructural damage are key factors influencing the evolution of chronic MS lesions.

Предметные рубрики MeSH

ИП Урсолов Владлен Сергеевич

ИНН 500118482352 · ОГРНИП 314500117700049

Реквизиты и контакты