[论文解读] Cortical lesions, central vein sign, and paramagnetic rim lesions in multiple sclerosis: emerging machine learning techniques and future avenues

Francesco La Rosa, Maxence Wynen+12 more|arXiv (Cornell University)|Jan 19, 2022

Multiple Sclerosis Research Studies被引用 11

一句话总结

本综述整合了用于检测多发性硬化症（MS）中高级MRI生物标志物（皮质病变、中央静脉征及旁磁性边缘病变）的新兴机器学习技术，强调其在提升诊断特异性和预后准确性方面的潜力。该论文评估了当前的机器学习方法，识别出非标准化扫描协议和数据有限等挑战，并为临床应用提出未来研究方向。

ABSTRACT

The current multiple sclerosis (MS) diagnostic criteria lack specificity, and this may lead to misdiagnosis, which remains an issue in present-day clinical practice. In addition, conventional biomarkers only moderately correlate with MS disease progression. Recently, advanced MS lesional imaging biomarkers such as cortical lesions (CL), the central vein sign (CVS), and paramagnetic rim lesions (PRL), visible in specialized magnetic resonance imaging (MRI) sequences, have shown higher specificity in differential diagnosis. Moreover, studies have shown that CL and PRL are potential prognostic biomarkers, the former correlating with cognitive impairments and the latter with early disability progression. As machine learning-based methods have achieved extraordinary performance in the assessment of conventional imaging biomarkers, such as white matter lesion segmentation, several automated or semi-automated methods have been proposed for CL, CVS, and PRL as well. In the present review, we first introduce these advanced MS imaging biomarkers and their imaging methods. Subsequently, we describe the corresponding machine learning-based methods that were used to tackle these clinical questions, putting them into context with respect to the challenges they are still facing, including non-standardized MRI protocols, limited datasets, and moderate inter-rater variability. We conclude by presenting the current limitations that prevent their broader deployment and suggesting future research directions.

研究动机与目标

• 评估高级MRI生物标志物（皮质病变、中央静脉征及旁磁性边缘病变）在提升多发性硬化症诊断特异性中的作用。
• 评估当前用于临床和研究环境中自动化检测这些生物标志物的机器学习方法的现状。
• 识别关键挑战，如非标准化的MRI扫描协议、数据集有限以及中等程度的阅片者间变异，这些因素影响生物标志物的可靠性。
• 提出未来研究方向，以提升基于机器学习的生物标志物检测在MS中的鲁棒性、泛化能力及临床转化性。

提出的方法

• 系统性回顾了利用专用MRI序列检测皮质病变、中央静脉征及旁磁性边缘病变的机器学习应用。
• 对用于病灶分割与分类的机器学习技术进行分类，包括U-Net和3D卷积神经网络等深度学习模型。
• 评估方法学挑战，包括不同中心间MRI采集协议的差异以及缺乏标准化标注。
• 分析数据局限性，包括数据集小且不均匀，这阻碍了模型的泛化与验证。
• 将临床相关性与技术性能相结合，重点关注与认知功能障碍及残疾进展的相关性。
• 讨论开放性挑战，如阅片者间变异，以及对多中心、多扫描仪验证研究的需求。

实验结果

研究问题

• RQ1 机器学习方法在多发性硬化症患者中如何提升皮质病变、中央静脉征及旁磁性边缘病变的检测与定量能力？
• RQ2 哪些主要的技术与临床挑战阻碍了这些基于机器学习的生物标志物检测技术的广泛应用？
• RQ3 这些高级生物标志物在多大程度上与临床结局（如认知功能下降和早期残疾进展）相关？
• RQ4 如何通过标准化MRI扫描协议与数据共享来提升MS影像中机器学习模型的性能与可靠性？
• RQ5 为实现MS中基于机器学习的生物标志物检测的临床转化，未来需要哪些研究方向？

主要发现

• 皮质病变与认知功能障碍显著相关，旁磁性边缘病变与早期残疾进展相关，提示其作为预后生物标志物的价值。
• 中央静脉征在区分多发性硬化症与其他脱髓鞘疾病方面，相比传统MRI标志物具有更高的特异性。
• 机器学习模型，特别是U-Net等深度学习架构，在皮质病变分割和中央静脉征识别方面已实现高性能。
• 尽管已取得进展，当前的机器学习方法仍面临非标准化MRI扫描协议及大型多中心数据集有限的挑战。
• 阅片者间变异程度中等，凸显了对更稳健、可重复的标注框架的迫切需求。
• 未来在临床实践中部署这些生物标志物，需依赖标准化的采集协议、更大规模的数据集，以及在多样化扫描平台上的验证。