Brain：机器学习有多厉害？它能更好地预测中风后的结局！

中风是导致长期残疾的主要原因。仅在欧洲，每年有超过150万的新病例；不到15%的患者实现了完全康复，剩下370万患者仍有持续的损伤。为了应对日常临床实践中的这些挑战，有必要加强对个人康复过程的理解和预测。

关于中风后的运动恢复，有两种现象被认为是关键因素。首先，相当一部分患者(2/3)表现出自然的改善，即70%以上的初始损伤；这种恢复是由内在的神经元可塑性（自发的生物恢复）的关键机制支持的，这是未来治疗的一个可能的关键目标。

其余患者（1/3）的自然（比例）恢复要少得多，在此被定义为非适应者。这些患者的内在可塑性机制被改变或不足以导致相关的自然恢复。哪些强烈赞成这样的观点的人，认为这些患者需要明显的替代治疗策略，以最大限度地提高治疗效果。

基于脑卒中患者的结果差异很大：一些患者呈现出与他们最初的损伤成比例的 "自然 "恢复（适合者），而其他患者则不适合（不适合者）。因此，中风康复的一个关键挑战是识别个体的康复潜力，为神经康复做出个性化的决定，避免 "一刀切 "的做法。

为了更好的提前判别卒中患者的预后情况，来自瑞士联邦理工学院（EPFL）神经义肢中心（CNP）和大脑思维研究所（BMI）的神经科学专家开展了相关研究，结果发表在近期的《大脑》Brain杂志上。

研究人员分析了92名患者的各向异性连接体，这些连接体基于中风后2周（TA）以及中风后3个月（TC-TA）的变化。使用Fugl-Meyer上肢（FMUE）量表评估运动障碍。训练支持向量机分类器，根据他们的全脑结构连接组将自然恢复的患者和没有自然恢复的患者分开，并定义他们各自的基础网络模式，重点是严重受损的患者（FMUE < 20）。预测准确率在一个独立的数据集中进行了内部交叉验证，并在两个独立的数据集中进行了概括。

卒中后2周的初始连接组能够将适应者与非适应者分开，最重要的是在严重受损的病人中（TA：准确率=0.92，精确率=0.93）。基于所选特征研究康复相关网络特征的二级分析显示：(i)有助于2周内康复的网络和网络随时间变化的相关差异（TC-TA）；以及(ii)严重受损患者特有的网络特性。

其中，重要的特征包括顶额叶运动网络，包括顶叶内沟、运动前皮层和初级运动皮层，除此之外还有注意、体感或多模态区域（如脑岛），有力地强调了全脑连接组分析对于更好地预测和理解中风后恢复的重要性。

由此可见，基于结构连接组的计算方法允许对中风发病2周后的自然恢复进行单独预测，尤其是在难以预测的严重受损患者群体中，并确定相关的基础神经元网络。这些信息将允许在临床上将患者分层为不同的康复组，并为个性化的精准神经康复治疗奠定基础。

参考文献：

The structural connectome and motor recovery after stroke： predicting natural recovery， Brain， Volume 144， Issue 7， July 2021， Pages 2107–2119， https：//doi.org/10.1093/brain/awab082