Objective: To build a model to predict cognitive status reflecting structural, functional, and white matter integrity changes in early multiple sclerosis (MS). Methods: Based on Symbol Digit Modalities Test (SDMT) performance, 183 early MS patients were assigned “lower” or “higher” performance groups. Three-dimensional (3D)-T2, T1, diffusion weighted, and resting-state magnetic resonance imaging (MRI) data were acquired in 3T. Using Random Forest, five models were trained to classify patients into two groups based on 1—demographic/clinical, 2—lesion volume/location, 3—local/global tissue volume, 4—local/global diffusion tensor imaging, and 5—whole-brain resting-state-functional-connectivity measures. In a final model, all important features from previous models were concatenated. Area under the receiver operating characteristic curve (AUC) values were calculated to evaluate classifier performance. Results: The highest AUC value (0.90) was achieved by concatenating all important features from neuroimaging models. The top 10 contributing variables included volumes of bilateral nucleus accumbens and right thalamus, mean diffusivity of left cingulum-angular bundle, and functional connectivity among hubs of seven large-scale networks. Conclusion: These results provide an indication of a non-random brain pattern mostly compromising areas involved in attentional processes specific to patients who perform worse in SDMT. High accuracy of the final model supports this pattern as a potential neuroimaging biomarker of subtle cognitive changes in early MS.

中文翻译：

---

使用机器学习根据 SDMT 性能对多发性硬化症患者进行分类

目的：建立一个模型来预测反映早期多发性硬化症 (MS) 结构、功能和白质完整性变化的认知状态。方法：基于符号数字模态测试 (SDMT) 表现，183 名早期 MS 患者被分配到“较低”或“较高”表现组。三维 (3D)-T2、T1、弥散加权和静息态磁共振成像 (MRI) 数据是在 3T 中获得的。使用随机森林，训练了五个模型以根据 1——人口统计学/临床、2——病变体积/位置、3——局部/全局组织体积、4——局部/全局扩散张量成像和 5——整体将患者分为两组。 -大脑静息状态功能连接测量。在最终模型中，连接了先前模型的所有重要特征。计算接受者操作特征曲线 (AUC) 值下的面积以评估分类器性能。结果：最高 AUC 值 (0.90) 是通过连接来自神经影像模型的所有重要特征获得的。前 10 个贡献变量包括双侧伏隔核和右丘脑的体积、左扣带束角束的平均扩散率以及七个大型网络中枢之间的功能连通性。结论：这些结果表明，非随机大脑模式主要损害参与 SDMT 表现较差患者的注意力过程的特定区域。最终模型的高精度支持这种模式作为早期 MS 细微认知变化的潜在神经影像学生物标志物。最高 AUC 值 (0.90) 是通过连接来自神经影像模型的所有重要特征来实现的。前 10 个贡献变量包括双侧伏隔核和右丘脑的体积、左扣带束角束的平均扩散率以及七个大型网络中枢之间的功能连通性。结论：这些结果表明，非随机大脑模式主要损害参与 SDMT 表现较差患者的注意力过程的特定区域。最终模型的高精度支持这种模式作为早期 MS 细微认知变化的潜在神经影像学生物标志物。最高 AUC 值 (0.90) 是通过连接来自神经影像模型的所有重要特征来实现的。前 10 个贡献变量包括双侧伏隔核和右丘脑的体积、左扣带束角束的平均扩散率以及七个大型网络中枢之间的功能连通性。结论：这些结果表明，非随机大脑模式主要损害参与 SDMT 表现较差患者的注意力过程的特定区域。最终模型的高精度支持这种模式作为早期 MS 细微认知变化的潜在神经影像学生物标志物。左扣带-角束的平均扩散率，以及七个大型网络枢纽之间的功能连通性。结论：这些结果表明，非随机大脑模式主要损害参与 SDMT 表现较差患者的注意力过程的特定区域。最终模型的高精度支持这种模式作为早期 MS 细微认知变化的潜在神经影像学生物标志物。左扣带-角束的平均扩散率，以及七个大型网络枢纽之间的功能连通性。结论：这些结果表明，非随机大脑模式主要损害参与 SDMT 表现较差患者的注意力过程的特定区域。最终模型的高精度支持这种模式作为早期 MS 细微认知变化的潜在神经影像学生物标志物。