创新背景

研究小组研究了复发缓解型多发性硬化患者，这些患者在治疗开始前和治疗结束后均可获得一系列磁共振成像(MRI)扫描。

创新过程

这项发表在《自然-数字医学》(Nature Digital Medicine)杂志上的研究表明，人工智能可用于检测治疗多发性硬化症患者的脑成像变化，其灵敏度高于放射科医生可以量化的简单测量方法，从而在任务中实现“超人”表现。这种方法可以用于指导个别患者的治疗，更快地检测治疗的成功或失败，并更有效地进行新药试验，而且患者队列更小。

机器视觉用于从每次扫描中提取大脑状态的“成像指纹”，捕捉白质和灰质的详细变化，并生成一组丰富的区域轨迹。与放射科医生能够提取的病灶总量和灰质体积的传统测量方法的传统分析相比，人工智能辅助的复杂成像指纹建模能够以更高的精度区分治疗前和治疗后的变化轨迹。

领导这项研究的伦敦大学学院女王广场神经学研究所的Parashkev Nachev博士表示，神经学中复杂的计算模型不是试图复制放射科医生已经做得很好的东西，而是最好地部署在人类专家根本无法完成的任务上:将丰富的临床和成像特征综合成一个连贯的、量化的个体患者整体描述。这使我们能够将临床医生的灵活性和技巧与机器的严格和客观相结合。

创新价值

该方法或许可以在认知和运动结果方面预测疾病并改变治疗的临床反应，对多发性硬化症的治疗反应进行个体预测。

创新关键点

机器视觉用于从每次扫描中提取大脑状态的“成像指纹”，捕捉白质和灰质的详细变化，并生成一组丰富的区域轨迹。

创新主体

伦敦大学学院（University College London，简称：UCL ），1826年创立于英国伦敦，是一所公立研究型大学，为伦敦大学联盟的创校学院、罗素大学集团和欧洲研究型大学联盟创始成员，被誉为金三角名校和“G5超级精英大学”之一。
UCL是伦敦的第一所大学，以其多元的学科设置著称，于REF 2014 英国大学官方排名中，位列全英之冠，享有最多的科研经费。UCL的医学、解剖学和生理学、建筑学、教育学、考古学、计算机科学、计算金融学等学科排名均位居世界前列，与LSE并称为“英国现代经济学研究的双子星”；其人文学院颁发的奥威尔奖则是政治写作界的最高荣誉。

Using AI to detect brain imaging changes in multiple sclerosis patients

The study, published in the journal Nature Digital Medicine, shows that AI can be used to detect brain imaging changes in patients treated for MS with greater sensitivity than simple measurements that radiologists can quantify, leading to "superhuman" performance on the task. This approach could be used to guide treatment for individual patients, detect treatment success or failure more quickly, and conduct new drug trials more efficiently, with smaller patient cohorts.
Machine vision is used to extract an "imaging fingerprint" of the brain state from each scan, capturing detailed changes in white and gray matter and generating a rich set of regional trajectories. Artificial intelligence-assisted complex imaging fingerprint modeling is able to distinguish pre-treatment and post-treatment change trajectories with higher accuracy than traditional analyses with traditional measures of total lesion volume and gray matter volume that radiologists can extract.
Dr Parashkev Nachev, of the Queen's Square Neurological Institute at University College London, who led the study, said complex computational models in neurology are not trying to replicate what radiologists already do well, Rather, it is best deployed on a task that human experts simply cannot accomplish: synthesizing a wealth of clinical and imaging features into a coherent, quantified holistic account of an individual patient. This allows us to combine the flexibility and skill of the clinician with the rigor and objectivity of the machine.