基于序列级机器学习的无对比剂多发性硬化病灶分类MRI协议优化研究

推荐：本研究针对多发性硬化(MS)病灶活动性分类依赖钆增强MRI的安全性和成本问题，通过机器学习系统评估T1W、T2W、FLAIR、DWI和SWI五种无对比剂MRI序列的性能。研究发现FLAIR+T2W+SWI组合的AUC-ROC达0.88，媲美钆增强方法，为临床提供更安全经济的影像方案。

　　

多发性硬化(MS)作为一种慢性中枢神经系统脱髓鞘疾病，其病灶活动性的准确判断对临床决策至关重要。目前，钆增强T1加权成像(T1W)虽是检测血脑屏障破坏的金标准，但钆剂残留风险和高昂成本促使学界寻求无对比剂的替代方案。尽管T2加权(T2W)、液体衰减反转恢复序列(FLAIR)等常规MRI序列能反映不同病理特征，但各序列的独立诊断效能及组合优化策略仍缺乏系统评估。

针对这一临床难题，伊朗伊斯法罕医科大学(Isfahan University of Medical Sciences)医学物理系的Mohammadreza Elhaie团队开展了一项创新研究。他们采用机器学习方法，首次对五种MRI序列(T1W、T2W、FLAIR、扩散加权成像DWI和磁敏感加权成像SWI)进行系统比较，探索最优的无对比剂病灶分类方案。这项发表于《Journal of Radiation Research and Applied Sciences》的研究，为MS影像诊断提供了重要循证依据。

研究人员采用回顾性队列设计，收集31例MS患者共187个病灶的1.5T MRI数据。通过放射组学方法提取约7500个特征，经Spearman相关性和序列前向选择降维后，使用轻量级梯度提升机(LightGBM)构建单序列、双序列和多序列组合模型。关键技术包括：3D病灶手工分割、多序列图像配准和强度归一化预处理、基于纹理和 wavelet 变换的特征提取，以及通过 bootstrap 重采样计算95%置信区间。

4.1 队列特征

研究纳入74.2%复发缓解型MS患者，病灶中39%为活动性。分层抽样确保训练/验证/测试集(70%/15%/15%)的活性比例均衡。

4.2 特征选择结果

初始7500个特征经筛选后，纹理特征(52.3%)和wavelet特征(31.8%)占比最高，反映病灶异质性和多尺度信息的重要性。

4.3 单序列性能

FLAIR表现最佳(AUC-ROC 0.83)，显著优于T1W(p=0.004)，其GLCM纹理特征贡献率达15.2%，提示病灶异质性与活动性相关。

4.4 组合序列性能

FLAIR+T2W+SWI三联组合达到0.88的AUC-ROC，与五序列全模型(0.89)无统计学差异(p=0.31)，SWI的微血管特征(GLSZM zone variance 13.1%)补充了传统序列的不足。

4.5 稳健性验证

添加5%椒盐噪声后，三联组合AUC仅下降0.02，证实模型对图像质量波动的耐受性。

这项研究创新性地证实，无对比剂的FLAIR+T2W+SWI组合可达到接近钆增强MRI的诊断效能。FLAIR捕捉白质水肿、T2W反映液体分布、SWI检测微血管变化的协同作用，为理解MS病理机制提供了多维度视角。尽管测试集样本量(n=28)限制了统计效力，但该方法显著降低了患者钆剂暴露风险，单次检查可节省约40%成本。研究采用的LightGBM框架在有限数据下表现出优于深度学习的稳定性，而放射组学特征的可解释性有助于临床决策。未来通过多中心验证和自动化分割技术优化，这一成果有望改写MS影像评估指南，推动精准医疗发展。