JNNP:应用灰质容积模式预测多发性硬化患者的残疾进展和认知恶化

多发性硬化症（MS）是一种中枢神经系统的炎症性和神经退行性疾病。MS最常见的病理特征是炎症性脱髓鞘白质（WM）病变。然而，不可逆残疾和进行性MS的主要致病因素被认为是神经退行性变。 现在有许多治疗方法可以降低MS复发的风险，但是对于进行性多发性硬化症只有两种许可的治疗方法。

神经退行性变表现为脑萎缩， 可通过MRI进行测量 8灰质（GM）体积损失导致脑萎缩。 在继发性进行性MS（SPMS）患者中，深灰质（DGM）的GM体积损失比皮质更快，在皮质内，它优先影响颞叶和顶叶区域。 然而，局部和全脑萎缩以及其他常规MRI测量与进行性多发性硬化症患者的残疾进展仅部分相关。多发性硬化症的病理学对大脑某些部位的影响比其他部位更大，理想情况下，应该设法测量最有可能影响临床结果的病理学部位。基于网络的测量有可能增加常规MRI测量的价值，并已被证明在解释运动障碍方面有前景。数据驱动的GM网络测量也是临床试验中用作预后标志物的一个很好的候选者。

独立成分分析（ICA）是一种强大的数据驱动技术，已被用于在结构MRI上识别脑网络。 空间ICA可识别单独的脑区域，其体积变化可以通过共同的生物学或病理学特性联系起来。 本研究的首要目标是应用基于网络的MRI测量GM体积变化，与传统的局部或全脑体积相比，寻求更好地预测SPMS的残疾进展。 应用空间独立分量分析（ICA）从988例SPMS患者的结构MRI中识别GM的变化模式。 具体目标是：（1）确定研究开始时GM体积共变的临床相关指标；（2）确定预测未来残疾进展的GM体积共变模式。并评估这些模式的稳定性和可靠性。

使用MRI，以及988名SPMS患者的临床试验中的扩展残疾状态量表、九孔Peg试验（9HPT）和符号数字模式试验（SDMT）的基线和纵向数据。处理T1加权扫描获得GM概率图，并应用空间独立分量分析（ICA）。在400名健康对照者身上重复了ICA。使用生存模型来确定共变GM体积测量的基线模式是否预测认知和运动恶化。

图像分析的视觉表示

 共识别出15种区域共变异的GM特征。与全脑GM、深部GM和病变体积相比，ICA的某些成分与临床预后的关系更为密切。以基底节为主的成分在基线检查时与SDMT的相关性最高，并与认知恶化相关（HR=1.29，95% 可信区间1.09～1.52，p<0.005）。两种ICA成分与9HPT恶化相关（HR=1.30，95% CI 1.06至1.60，p<0.01，HR=1.21，95% 可信区间1.01～1.45，p<0.05）。ICA指标能较好地预测SDMT和9HPT恶化（C指数=0.69）–0.71）与仅包括整体和局部MRI测量的模型相比（C指数=0.65）–0.69， p值<0.05）。

稳定的独立分量分析（ICA）分量。

总之一些共变GM区域模式比单个区域或全脑测量更能预测残疾进展。ICA可能代表大脑的结构网络，可以应用于临床试验，并可能在对最有可能显示治疗效果的参与者进行分层方面发挥作用。