基于MRI与血清NfL整合分析揭示多发性硬化早期分型及预后预测新策略

《Brain》：Combined magnetic resonance imaging and serum analysis reveals distinct multiple sclerosis types

本研究针对多发性硬化（MS）临床异质性高、传统分型无法精准预测个体病程的难题，通过开发融合磁共振成像（MRI）与血清神经丝轻链（sNfL）的无监督机器学习模型，首次识别出以sNfL升高时序为特征的两种生物学亚型（早发型与晚发型sNfL）。结果显示，联合sNfL可显著提升疾病分期与残疾评分（EDSS）的关联性（Spearman’s ρ=0.420 vs. 0.231），并能预测新病灶形成风险（HR=2.44）及治疗反应差异。该研究为MS的精准分型、早期干预及个体化治疗提供了新范式。

　　

多发性硬化（Multiple Sclerosis, MS）作为一种中枢神经系统慢性炎性脱髓鞘疾病，全球影响着超过280万患者。其临床病程具有高度异质性，传统分型如复发缓解型（RRMS）、继发进展型（SPMS）和原发进展型（PPMS）主要基于临床症状的观察，难以准确反映疾病背后的生物学连续统（biological continuum）和个体化进展路径。这种“一刀切”的分型方式，在很大程度上限制了对患者预后的早期预测和治疗策略的精准制定。临床上迫切需要一种能够更早、更客观地反映疾病内在生物学机制的分型方法，从而实现对MS的精准医疗。

以往的研究尝试利用单一模态数据探索MS的异质性。例如，有研究通过免疫细胞标志物识别出不同的MS亚型，但这些标志物在临床实践中并不常规检测，限制了其广泛应用。磁共振成像（MRI）能够提供丰富的脑结构损伤和病灶形成的空间信息，基于MRI的无监督机器学习模型（如Subtype and Stage Inference, SuStaIn）已成功识别出以“病灶主导”（lesion-led）、“正常表现白质主导”（NAWM-led）和“灰质主导”（GM-led）为特征的MS亚型。然而，MRI本身对潜在的、持续的神经轴索损伤缺乏特异性，可能错过细微或早期的神经退行性变过程。血清神经丝轻链（serum neurofilament light chain, sNfL）作为神经轴索损伤的标志物，能系统性地反映疾病活动度和神经元丢失，其对疾病活动、治疗反应敏感，且临床可获得性日益提高。但血清生物标志物单独使用也存在变异性大、对疾病活动敏感性不足等问题。因此，将sNfL与MRI这两种互补的数据整合，有望更清晰地划分患者亚组，提升疾病进程预测和个体化治疗选择的精度。

本研究基于“整合sNfL与MRI能够识别出生物学意义更明确、预后预测更准确的MS亚型”这一假设，利用两个独立的临床试验队列（训练集n=189，外部测试集n=445），开发并验证了一种结合MRI和sNfL的无监督机器学习分型模型。研究人员应用SuStaIn算法，整合了来自MRI的5个关键特征（边缘叶皮层体积、深部灰质体积、顶叶皮层体积、总T2病灶体积、胼胝体白质T1/T2比值）以及sNfL水平，旨在揭示MS的生物学亚型及其疾病进展阶段。

为了开展这项研究，作者团队主要应用了几项关键技术方法。首先，他们从多中心临床试验中获取了患者的纵向MRI数据和血清样本，构建了训练集（来自evobrutinib II期试验，包含RRMS和SPMS患者）和外部测试集（来自干扰素β-1a的REFLEX/REFLEXION试验，为新诊断MS或临床孤立综合征患者）。其次，对MRI数据进行标准化处理，提取了35个初始影像学特征，并通过与扩展残疾状态量表（Expanded Disability Status Scale, EDSS）的相关性分析以及递归特征消除法，最终筛选出5个最具代表性的MRI变量用于模型构建。关键的一步是应用SuStaIn这一无监督机器学习算法对筛选后的MRI变量和sNfL数据进行建模，通过交叉验证确定最佳亚型数量，并推断出每个亚型中生物标志物出现异常的先后顺序。此外，为了确保不同数据集间数据的可比性，对测试集的MRI特征采用了ComBat算法进行 harmonization（协调化处理）。最后，利用线性混合效应模型、Cox比例风险模型等统计方法，纵向评估了不同数据驱动亚型在临床残疾（EDSS）、影像学活动（新发Gd+病灶）、sNfL水平变化和脑萎缩率（PBVC）等方面的差异，并与已有的仅基于MRI的SuStaIn模型进行比较，以验证整合sNfL的附加价值。

MRI-sNfL模型识别出两种以sNfL升高时序为特征的亚型

通过交叉验证，研究确定两亚型模型为最优解。这两个亚型被命名为“早发型sNfL”和“晚发型sNfL”。

具体而言，早发型sNfL亚型在疾病早期即表现出sNfL水平升高、胼胝体正常表现白质微结构损伤（T1/T2比值降低）以及病灶积累，提示该亚型在早期就存在活跃的炎症和神经退行性过程。相比之下，晚发型sNfL亚型则首先表现为边缘叶皮层和深部灰质体积的丧失，sNfL水平升高则出现在疾病进展的较晚阶段，表明其早期以更隐匿的神经退行性变为主。在训练集中，44%的患者被划分为早发型sNfL，56%为晚发型sNfL；外部测试集中，早发型sNfL占61%，晚发型sNfL占39%。亚型分类在随访中表现出合理的稳定性，特别是在高置信度赋值（概率>85%）的患者中，亚型转换率较低（训练集7%，测试集23%）。

整合sNfL提升了疾病分期与临床残疾的关联性

研究人员评估了不同模型得出的疾病“分期”（SuStaIn stage）与临床指标的相关性。结果显示，MRI-sNfL模型的分期与EDSS的相关性（Spearman’s ρ=0.420）显著优于仅基于MRI的模型（ρ=0.231）。在外部测试集中，MRI-sNfL模型分期仍与EDSS呈弱相关但显著（ρ=0.163），而MRI-only模型则无显著相关性。这表明整合sNfL能够提供与残疾程度更相关的疾病进展度量。此外，在亚型内部，训练集中早发型和晚发型sNfL亚型的分期均与EDSS呈中度相关，外部测试集中早发型sNfL亚型的分期仍与EDSS显著相关。

数据驱动亚型预测纵向影像学活动与治疗反应

纵向分析揭示了亚型间的差异性疾病活动轨迹。在训练集的治疗组中，早发型sNfL患者表现出比晚发型sNfL患者更快的钆增强（Gadolinium-enhancing, Gd+）病灶数量减少。生存分析显示，在调整治疗因素后，早发型sNfL亚型发生新病灶的风险比晚发型sNfL亚型高出144%（风险比HR=2.44）。在外部测试集中也观察到了类似的趋势，早发型sNfL亚型的新病灶风险平均高出22%，尽管未达到统计学显著性。治疗效应在两个亚型中均被观察到，但早发型sNfL亚型对治疗（如evobrutinib、干扰素β-1a）在抑制新病灶形成方面似乎表现出更明显的反应。

sNfL水平变化与脑萎缩率的亚型差异

sNfL的纵向变化也呈现出亚型特异性。在训练集和外部测试集中，早发型sNfL亚型的患者，无论是否接受治疗，其sNfL水平均呈现显著下降。而晚发型sNfL亚型仅在外部测试集的治疗组中显示出轻微的sNfL下降。在脑萎缩方面，外部测试集中的早发型sNfL亚型表现出比晚发型sNfL亚型更快的年化脑体积变化率（PBVC），尤其是在治疗组和对照组中均观察到显著差异。这表明早发型sNfL亚型可能伴随着更快的神经退行性进程。

本研究通过整合MRI和sNfL，成功识别并验证了两种生物学意义 distinct 的MS亚型，它们由sNfL升高的时间点与MRI异常模式共同定义。早发型sNfL亚型反映了早期炎症和神经退行性变并行的活跃病理过程，而晚发型sNfL亚型则更倾向于以早期局灶性组织损失为特征的、相对隐匿的进展轨迹。这种基于生物标志物的分型方法，显著提升了对疾病残疾程度（EDSS）和影像学活动（如新病灶形成）的预测能力，并且能够区分患者对治疗的反应差异，例如早发型sNfL亚型对高效治疗表现出更快的病灶抑制效果。

该研究的重大意义在于，它突破了传统临床表型的局限，提供了一个基于病理生物学、可用于疾病分期和预后判断的改进框架。MRI-sNfL模型仅需单时间点的横断面数据即可进行亚型划分，且这些分型在纵向随访中显示出预测价值，这对于在临床实践中实现早期、精准的个体化治疗决策具有重要潜力。尽管将此类研究模型转化为常规临床工具仍面临挑战（如MRI定量分析的标准化、sNfL检测的推广等），但本研究无疑为MS的精准医疗开辟了新的道路。未来，在更广泛、更多样化的真实世界人群中进行验证，并探索整合其他生物标志物（如髓鞘敏感MRI序列）的可能性，将进一步优化这一分型系统，最终助力改善MS患者的长期预后。