机器学习与人工智能应用于 fNIRS 数据揭示稳定亚临床多发性硬化症的新型脑活动生物标志物
机器学习
2025-09-29 v1
摘要
多发性硬化症（MS）患者常抱怨手部灵巧性受损与认知疲劳问题。然而，在许多情况下，这些损伤十分细微且难以检测。功能性近红外光谱（fNIRS）是一种非侵入性神经成像技术，可测量认知或运动任务期间的大脑血流动力学响应。我们旨在检测能够解释完成灵巧性任务时认知疲劳主观报告的脑活动生物标志物，并为未来的脑刺激治疗提供靶点。我们招募了 15 名无手部（九孔插棒试验 [NHPT]）、行动或认知损伤的 MS 患者，以及 12 名年龄和性别匹配的对照组。参与者使用其优势手完成两类手部灵巧性任务：单任务和双任务（在第五指与同侧手掌小鱼际隆起之间夹球的同时进行 NHPT）。我们使用机器学习框架分析 fNIRS 数据（氧合血红蛋白与脱氧血红蛋白水平），基于双侧前额叶和感觉运动皮层的脑激活模式对 MS 患者和对照组进行分类。K-Nearest Neighbor 分类器在单手灵巧性任务中达到 75.0% 的准确率，在更复杂的双手灵巧性任务中达到 66.7% 的准确率。利用 XAI，我们发现对机器学习模型贡献最重要的脑区为同侧半角的缘上回/角回和中央前回（感觉整合与运动区域），在 MS 组中表现为活动受抑且神经血管响应较慢。在两项任务中，脱氧血红蛋白水平均比常规的氧合血红蛋白指标具有更好的预测能力。这种非常规的 fNIRS 数据分析方法揭示了新型脑活动生物标志物，有助于开发个性化的脑刺激靶点。
引用
@article{arxiv.2509.21770,
title = {Machine Learning and AI Applied to fNIRS Data Reveals Novel Brain Activity Biomarkers in Stable Subclinical Multiple Sclerosis},
author = {Sadman Saumik Islam and Bruna Dalcin Baldasso and Davide Cattaneo and Xianta Jiang and Michelle Ploughman},
journal= {arXiv preprint arXiv:2509.21770},
year = {2025}
}