.png){kind=icon}
返回
Identifying multiple sclerosis subtypes using unsupervised machine learning and MRI data
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-021-22265-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
根据临床演变，多发性硬化症 (MS) 可分为四种表型。这些表型的病理生理界限不清楚，限制了治疗分层。机器学习可以使用多维数据识别具有相似特征的组。在这里，为了根据病理特征对MS亚型进行分类，我们将无监督机器学习应用于先前发表的研究中获得的脑MRI扫描。我们使用来自6322名MS患者的训练数据集来定义基于MRI的亚型，并使用3068名患者的独立队列进行验证。根据最早的异常，我们将MS亚型定义为皮质主导，正常出现的白质主导和病变主导。具有病变主导亚型的人具有最高的确诊残疾进展 (CDP) 风险和最高的复发率。在选定的临床试验中，具有以病变为主导的MS亚型的人显示出积极的治疗反应。我们的研究结果表明，基于MRI的亚型可预测MS残疾进展和对治疗的反应，并可用于定义介入试验中的患者组。多发性硬化症是一种异质性进行性疾病。在这里，作者使用无监督的机器学习算法来确定多发性硬化症的亚型，进展以及基于神经影像学数据对潜在治疗的反应。
Keyword:
DOUBLE-BLIND
MATTER DAMAGE
PHASE-III
PLACEBO
DISABILITY
MS
MULTICENTER
OCRELIZUMAB
PATHOLOGY
EFFICACY
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.7
论文数:
9.4W
被引数:
91.2W
机构
引用论文
分享收藏Uncovering the heterogeneity and temporal complexity of neurodegenerative diseases with Subtype and Stage Inference用亚型和分期推断揭示神经退行性疾病的异质性和时间复杂性.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Energy Control Strategy of Fuel Cell Hybrid Electric Vehicle Based on Working Conditions Identification by Least Square Support Vector MachineEnergiesOAAI
EnergiesIF0
OAAI分享收藏分享收藏
查看更多内容