Unraveling Microstructural and Macrostructural Brain Age Dynamics in Multiple Sclerosis.
研究背景
多发性硬化症（MS）神经退行性变由疾病病理与正常衰老相互作用引发。传统MRI可捕捉形态变化，定量MRI（qMRI）能提供组织微结构生物物理测量。整合两者或能揭示衰老与病理相互作用对MS患者残疾进展的影响，本研究旨在改进脑年龄预测模型，理解MS相关衰老过程及对临床表现的影响。
方法速览
- 数据来源：采用1353名MS患者和3462名健康对照的横断面和纵向形态学数据，以及378名健康对照和169名MS患者的qMRI数据。
- 数据分析：用机器学习模型（XGBoost）预测脑年龄，评估不同模态数据预测性能。
- 统计分析：用多元线性回归（MLR）和Spearman相关分析评估脑 - PAD与临床指标和病变负荷的关系。
主要发现
- 结合数据模型性能最佳：结合形态学和qMRI数据的模型（Mm - q）脑年龄预测表现最佳，平均绝对误差（MAE）为5.73，均方根误差（RMSE）为7.40，优于仅基于qMRI或形态学的模型。
- 形态学脑 - PAD与临床指标相关：形态学脑 - PAD与EDSS评分、血清神经丝轻链（sNfL）Z分数和血清胶质纤维酸性蛋白（sGFAP）Z分数显著相关。
- qMRI脑 - PAD与病变负担相关：qMRI脑 - PAD与总PRL体积和WML数量显著相关。
- 长期随访显示动态关系：多次随访中，脑 - PAD与EDSS评分、sNfL Z分数和sGFAP Z分数显著相关，且与部分指标时间交互项有正负相关。
- 不同模型脑 - PAD相关性弱：形态学脑 - PAD与qMRI脑 - PAD相关性较弱且有显著差异。
总结展望
本研究首次结合形态学和qMRI数据用于脑年龄预测，提高了模型准确性，还综合评估宏观和微观结构变化，提供更全面疾病进展信息。不过，qMRI数据集较小可能影响结果泛化性，qMRI指标年龄依赖性及模型复杂性也需进一步研究。