m+Medelevator.RU
← Поиск публикаций
Brain communications · 2025

Машинное обучение интеграции МРТ и походов показывает, что фенотипы мобильности во множестве склерозов.

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.

Inojosa Hernan, Zhao Wanqi, Wenk Judith, Schriefer Dirk, Fischer Stefanie, Heisig Peter, Kählig Maren, Schlieter Hannes, Stölzer-Hutsch Heidi, Voigt Isabel, Kather Annika, Haase Rocco, Akgün Katja, Kitzler Hagen H, Trentzsch Katrin, Aßmann Uwe, Wendt Karsten, Ziemssen Tjalf

Аннотация

Недостаток мобильности является отличительной чертой заболевания, ухудшающегося при многочисленных склерозах (МС), однако его фенотипическое разнообразие и патофизиологические механизмы не вполне понятны. В оценках обычных походов часто используются субъективные клинические меры, которые могут не в полной мере отражать сложность аномалий, связанных с походами. Интеграция углубленного количественного анализа походов, количественного анализа МРТ и машинного обучения (ML), может выявить уникальные фенотипы мобильности, потенциально отражающие основополагающие механизмы заболеваний и неоднородность. В этом исследовании мы стремились выявить и охарактеризовать фенотипы мобильности среди людей, имеющих MS (PwMS), с использованием смешанного подхода, основанного на параметрах шпиотемпоральной походки и характеристиках МРТ, подкрепляемых неконтролируемым объединением ML. В период с 2018 по 2023 год 1026 PwMS прошли всеобъемлющую оценку походов и количественную оценку МРТ. Анализ основных компонентов использовался для сокращения размеров и кластеризации k-means в целях выявления отдельных фенотипов. Кластеры сопоставлялись с использованием демографических, клинических и МРТ, а статистические сопоставления проводились с использованием тестов Kruskal-Wallis и Chi-quare. Были определены четыре группы походов. Кластер 1 (быстрее стабилен, 47,8%) продемонстрировал наиболее эффективные свойства похода и наиболее высокие фракции серых веществ. Кластер 4 (медленно сильно нестабильный, 7,4%) продемонстрировал глубокую инвалидность, самый короткий прогресс, наименьшую скорость и наибольшую изменчивость. Промежуточные блоки 2 (менее стабильная, 32,3%) и 3 (умеренно нестабильная, 12,6%) имели аналогичную скорость, но отличались по каденции и длине движения. Кластер 3, отмеченный более короткими шагами и повышенной каденцией, продемонстрировал более высокую нагрузку на мозг и более низкую паренхимальную фракцию головного мозга, что указывает на появление структурного нарушения и возможной компенсационной походки. Клинические меры, согласующиеся с этими выводами: нестабильные группы 3 и 4 имели наибольшую долю прогрессивных MS, наихудшие показатели инвалидности, наибольшую продолжительность заболеваний и наибольшую степень самосознания. Интеграция количественных показателей МРТ с результатами анализа шпиотемпературных походов может привести к фенотипическим клиническим расстройствам в ПТМС. Анализ, проводимый на основе ML, выявил новый промежуточный блок, отличающийся походкой с повышенным каденчеством и более короткими шагами, наряду с различными отклонениями МРТ. Такая схема может отражать потенциальную адаптацию в рамках спектра мобильности, которая пока еще окончательно не выявляется людьми, но может быть обнаружена с помощью ML.
Оригинал публикации

Machine learning integration of MRI and gait reveals mobility phenotypes in multiple sclerosis.

Mobility impairment is a hallmark of disease worsening in multiple sclerosis (MS), yet its phenotypic diversity and pathophysiology mechanisms are not completely understood. Conventional gait assessments often rely on subjective clinical measures, which may not fully capture the complexity of gait abnormalities. The integration of advanced quantitative gait analysis, quantitative from MRI, and machine learning (ML) may reveal unique mobility phenotypes, potentially reflecting underlying disease mechanisms and heterogeneity. In this study, we aimed to identify and characterize mobility phenotypes among people with MS (pwMS) using a mixed approach with spatiotemporal gait parameters and MRI-derived features, supported by unsupervised ML clustering. 1026 pwMS underwent comprehensive gait assessments and quantitative MRI between 2018 and 2023. Principal component analysis was applied for dimensionality reduction and k-means clustering to identify distinct phenotypes. Clusters were compared using demographic, clinical, and MRI features, with statistical comparisons performed using Kruskal-Wallis and Chi-square tests. Four gait clusters were identified. Cluster 1 (faster stable, 47.8%), demonstrated the most efficient gait features and highest grey matter fractions. Cluster 4 (slow severely unstable, 7.4%) showed profound disability, shortest strides, lowest velocity, and greatest variability. Intermediate clusters 2 (slower stable, 32.3%) and 3 (moderately unstable, 12.6%) had similar velocity but differed in cadence and stride length. Cluster 3, marked by shorter steps and increased cadence, showed higher lesion burden and lower brain parenchymal fraction, suggesting emerging structural impairment and possible compensatory gait. Clinical measures aligned with these findings: unstable Clusters 3 and 4 had the highest proportion of progressive MS, worst disability scores, longest disease duration, and greatest self-reported gait impairment. Integrating quantitative MRI metrics with spatiotemporal gait analysis has the potential to phenotype clinical impairments in pwMS. ML-driven analysis identified a novel intermediate cluster, distinguished by a gait with increased cadence and shorter strides, alongside distinct MRI abnormalities. This pattern may reflect a potential adaptation within the mobility spectrum, not yet conclusively discernible by human raters but detectable through ML.

ИП Урсолов Владлен Сергеевич

ИНН 500118482352 · ОГРНИП 314500117700049

Реквизиты и контакты