Kunstig intelligens (AI) har identificeret tre nye undertyper af multipel sclerose (MS) ud fra MR-scanningsbilleder af MS-patienter.

Fundet af de nye undertyper vil hjælpe med til at identificere de mennesker, der er mere tilbøjelige til at få sygdomsprogression og kan hjælpe med at målrette behandling mere effektivt, mener forskerne bag resultaterne, der er offentliggjort i tidsskriftet Nature Communications.

Patienter er kategoriseret efter en blanding af kliniske observationer, assisteret af MR-hjernebilleder og patienters symptomer. Disse observationer styrer timing og valg af behandling.

Forskerne har brugt AI i håbet om at finde ud af, om der var nogen - endnu uidentificerede - mønstre i hjernebilleder, som bedre kunne styre behandlingsvalg og identificere patienter, der bedst ville reagere på en bestemt terapi.

"I øjeblikket er MS klassificeret bredt som progressive eller tilbagevendende baseret på patientsymptomer og er dermed ikke direkte afhængigt af sygdommens underliggende biologi," siger undersøgelsens hovedforfatter dr. Arman Eshaghi fra University College of London (UCL) Queen Square Institute of Neurology.

"Det kan derfor ikke hjælpe læger med at vælge den rigtige behandling til de rigtige patienter," siger han.

Kan AI finde MS-undertyper

"Her brugte vi kunstig intelligens og stillede spørgsmålet: kan AI finde MS-undertyper, der følger et bestemt mønster på hjernebilleder? Vores AI har afdækket tre datadrevne MS-undertyper, der er defineret af patologiske abnormiteter set på hjernebilleder."

Forskere anvendte det UCL-udviklede AI-værktøj, SuStaIn (Subtype and Stage Inference) til at gennemgå MR-hjernescanninger fra 6.322 MS-patienter. Den ikke-overvågede SuStaIn trænet sig selv og identificerede tre tidligere ukendte mønstre.

De nye MS-undertyper blev defineret som 1. cortex-ledet, 2. normalt fremtrædende hvidt stof-ledet og 3. læsion-ledet. Disse definitioner handler om de tidligste abnormiteter, der ses på MR-scanningerne inden for hvert mønster.

Da SuStaIn havde afsluttet sin analyse af trænings-MR-datasættet, blev det låst og derefter brugt til at identificere de tre undertyper i en separat uafhængig kohorte på 3.068 patienter og derved validere dets evne til at detektere de nye MS-undertyper.

"Vi foretog en yderligere retrospektiv analyse af patientjournaler for at se, hvordan personerne med de nyligt identificerede MS-undertyper reagerede på forskellige behandlinger.

Selv om der er behov for yderligere kliniske undersøgelser, var der en klar forskel efter undertype i patienters respons på forskellige behandlinger og i akkumulering af handicap over tid. Dette er et vigtigt skridt i retning af at forudsige individuelle reaktioner på behandlinger."

Interventionelle forsøg

Forskerne siger, at resultaterne antyder, at MR-baserede undertyper forudsiger MS-handicapprogression og respons på behandling og nu kan bruges til at definere grupper af patienter i interventionelle forsøg.

Undersøgelsens seniorforfatter professor Olga Ciccarelli fra UCL Queen Square Institute of Neurology understreger:

"Metoden, der bruges til at klassificere MS, er i øjeblikket kun fokuseret på billeddannelsesændringer; vi udvider tilgangen til også at omfatte anden klinisk information."

"Det vil føre til en individuel definition af MS-forløb og individuel forudsigelse af behandlingsrespons i MS ved hjælp af AI, som vil blive brugt til at vælge den rigtige behandling til den rigtige patient på det rigtige tidspunkt," siger hun.

"Vi er opmærksomme på begrænsningerne i de nuværende MS-deskriptorer, som kan være mindre end klare, når de anvendes til ordination af behandling," siger en anden af seniorforfatterne, professor Alan Thompson, dekan for UCL-fakultetet for hjernevidenskab.

"Nu har vi med hjælp af AI og store datasæt taget det første skridt mod en bedre forståelse af de underliggende sygdomsmekanismer, som kan forbedre vores nuværende kliniske klassifikation. Dette er en fantastisk præstation og har potentialet til at være en reel gamechanger, der udbygger vore viden om begge sygdomsudviklinger og udvælgelse af patienter til kliniske forsøg. "