基于病灶估计的功能与结构连接组预测卒中后恢复结局

卒中后的准确预后仍然具有挑战性，限制了预测个体康复的能力。虽然先进的连接组MRI能够提供关于受累脑网络的更多具有预后价值的信息，但其不实用性反而促使人们转而采用基于病灶的网络中断估计。在此，我们提出一种新的流程，利用我们近期开发的连接组分析工具，直接从N=96名患者的病灶掩膜中估计结构断开（eSDC）和功能连接（eFC），用于预测卒中后多个时间点的运动、语言、注意和记忆结局。我们的方法联合利用我们的网络修正（NeMo）工具——一个估计结构断开性（eSDC）的白质纤维束成像结果数据库——以及Krakencoder——一个从NeMo工具输出中估计功能连接组（eFC）的联合自编码器。基于eSDC和eFC的模型预测了几乎所有结局，尤其是运动结局，显著优于使用患者基于fMRI的观测FC（oFC）的模型以及仅基于病灶信息和协变量的模型。估计的连接组指标还i）与观测功能连接组相比保留了有意义的个体间变异，ii）反映了群体水平上与卒中相关的功能连接组变化，iii）产生的结局预测模型其特征重要性与给定结局相关的预期网络相一致。特征重要性分析还识别出跨模态和结局域的不同预测特征，表明eSDC和eFC捕获了关于卒中后网络中断的非冗余、具有生物学意义的信息。总之，这些发现确立了我们的基于病灶的卒中后结构和功能连接组估计作为一种实用、信息丰富的替代先进成像的方法。该方法允许探究个体卒中损伤和康复背后的受累神经环路，为更高效、可及和个性化的卒中后预后与干预方法铺平道路。

中文由 AI 翻译，仅供参考，以原文为准。