编辑推荐：
期刊编辑推荐
多发性硬化症（MS）中，复发无关的残疾进展（PIRA）是临床管理的重大挑战。本研究首次利用常规临床和MRI特征，结合机器学习方法，成功开发了预测短期（24个月和36个月）PIRA事件的模型。其中，整合了随时间变化的影像学指标的36个月预测模型展现出了良好的判别能力（AUC=0.83）。这项工作证明了利用常规临床数据预测PIRA的可行性，为未来实现个体化治疗决策提供了潜在工具。
论文解读
在神经科学领域，多发性硬化症（Multiple Sclerosis, MS）如同一道复杂的谜题，困扰着全球近三百万人。这种疾病不仅给患者带来沉重的个人负担，也给社会造成了巨大影响。MS导致的残疾，传统上被认为与复发（急性炎症）后的不完全恢复有关，但近年来，一种“悄无声息”的进展模式——复发无关性进展（progression independent of relapse activity, PIRA）——越来越受到重视。PIRA仿佛一种隐形的推手，即使在急性炎症被有效抑制的早期患者中，也能驱动残疾的缓慢累积，成为长期功能恶化的主要原因。然而，如何在常规临床实践中，精准预测哪些患者在短期内会发生PIRA，从而及早干预，一直是横亘在医生面前的一大难题。已有的预测研究多关注整体残疾进展，而专门针对PIRA的预测工具几乎空白。正是在此背景下，由Antonio Ianniello、Elena Barbuti等人组成的国际研究团队，在《Journal of the Neurological Sciences》上发表了一项创新性研究，他们尝试用人工智能的“慧眼”，从常规的临床和影像数据中，寻找预测短期PIRA的线索。
为了回答上述问题，研究人员开展了一项回顾性观察性研究。他们从意大利罗马大学MS中心的数据库中，筛选了186名复发型MS患者，其中81人拥有纵向MRI数据。研究构建了两个机器学习模型：一个使用基线（初始评估时）的临床和MRI特征预测24个月时的PIRA；另一个在基线特征基础上，加入了24个月内观察到的影像学变化，用以预测36个月时的PIRA。模型构建的关键技术包括：1) 基于临床数据库和常规MRI序列（如3D T1、FLAIR、T2加权）提取特征，包括脑白质（WM）病变体积、颈椎脊髓病变数量、归一化脑体积（NBV）、颈椎横截面积（CSA）以及基于白质病变计算的结构失连接（ChaCo）分数；2) 使用合成少数类过采样技术（SMOTE）处理数据不平衡问题；3) 采用特征选择方法筛选高相关性、低冗余的特征；4) 最终使用朴素贝叶斯（Na?ve Bayesian）分类器进行训练和预测，并以受试者工作特征曲线下面积（AUC）等指标评估模型性能。
研究结果
3.1. 研究人群
在186名患者中，有23人（12.4%）在24个月时出现了PIRA。在拥有纵向MRI数据的81人子集中，有16人（19.7%）在36个月时出现了PIRA。值得注意的是，36个月时所有的PIRA事件均符合PIRMA（无复发且无MRI活动性病变的进展）标准。
3.2. 24个月PIRA的预测
用于预测24个月PIRA的模型最终保留了10个特征，包括临床人口学特征（如年龄、性别、共病情况、基线EDSS、临床表型）、常规MRI特征（颈椎脊髓CSA）以及基线ChaCo特征（如左、右内侧额上回、左楔叶、小脑蚓部III小叶）。该模型的总体准确率为84.6%，但ROC曲线下面积（AUC）为0.73，属于中等判别能力。模型对未进展患者（0类）的识别性能较好，但对PIRA患者（1类）的识别精度和召回率较低。
3.3. 36个月PIRA的预测
用于预测36个月PIRA的模型性能更优。它保留了8个特征，包括临床人口学特征（基线EDSS和临床表型）、常规MRI特征（基线NBV、新发颈椎脊髓病变、年化脑体积变化率PBVC）以及基线ChaCo特征（左前扣带皮层-膝前部、左蓝斑、背侧中缝核）。该模型准确率达83.1%，AUC提升至0.83，显示出良好的判别能力。模型对稳定患者和PIRA患者均表现出更均衡的识别能力。
研究结论与意义
本研究成功开发并验证了基于常规临床和MRI特征的机器学习模型，用于预测复发型MS患者的短期PIRA。研究发现，仅基于基线特征的24个月预测模型判别能力中等，而整合了随时间变化的影像学指标（如脑萎缩、新发脊髓病变）的36个月预测模型，其判别能力显著提高（AUC=0.83）。这表明，评估一段时间内神经系统结构损伤的累积，对于预测未来的残疾进展至关重要，优于仅依赖单一时点的评估。
在预测因子方面，研究确认了基线残疾水平（EDSS）是PIRA的重要预测因素，这与之前对整体残疾进展的研究一致。同时，研究首次将新发颈椎脊髓病变和反映白质病变导致的结构失连接（ChaCo）的特定脑区（如扣带皮层和脑干核团）纳入PIRA的预测体系，扩展了我们对MS进展机制的理解。有趣的是，大多数PIRA事件在研究中被归类为PIRMA，这反映了在当前接受疾病修正治疗（DMT）的MS患者中，炎症活动已得到较好控制，但神经退行性进程仍在继续的临床现实。
该研究的重要意义在于，它首次专门针对PIRA这一临床难题构建了预测工具，为未来实现更精细化的患者风险分层和个体化治疗决策提供了概念验证。尽管模型目前尚不能直接用于个体预后判断，且需要外部验证，但它清晰地表明，利用临床实践中常规收集的数据，通过机器学习方法预测短期PIRA是可行的。这为开发可整合到临床工作流程中的预后工具奠定了基础，有望帮助医生更早识别高危患者，调整治疗策略，最终延缓残疾累积，改善MS患者的长期结局。
