多发性硬化症（MS）是一种慢性中枢神经系统疾病，其特征是免疫介导的脱髓鞘和神经退行性变。长期以来，临床医生依赖常规MRI检测白质中的局灶性病变，但这些病变仅能解释部分临床症状。事实上，皮层病变——位于大脑灰质，尤其是皮层区域的损伤——与患者的残疾进展和认知功能障碍密切相关，却因常规MRI的局限性而难以被可靠识别。这种“隐藏的损伤”成为MS研究和临床管理中的重大盲点。

AI揭示皮层病变：从不可见到可见

布法罗大学领导的研究团队在《Communications Medicine》上发表了一项突破性研究，利用人工智能（AI）技术从常规MRI扫描中提取出隐藏的皮层病变信号。该研究由Robert Zivadinov博士（资深作者）和Michael G. Dwyer博士（第一作者）主导，他们开发了一种名为MMCLE（多模态皮层病变增强）的新方法。该方法结合了多种图像处理技术，包括生成式AI，通过分析不同对比度图像之间的微小差异，揭示出单一图像中无法看到的病变。Dwyer博士解释道：“生成式AI非常强大，因为它可以‘看穿’扫描图像之间的细微差别，检测出组织行为异常的区域。”研究团队在Ocrelizumab的III期临床试验ORATORIO的700多名参与者数据上验证了该方法，结果检测出超过11,000个皮层病变，平均每位患者15-20个。相比之下，常规扫描几乎无法显示这些病变。

临床意义：从诊断到治疗监测

皮层病变在MS中的重要性自19世纪末疾病首次描述时就被认识到，但直到21世纪才被纳入诊断标准，且因临床MRI无法可靠显示而实用性有限。Zivadinov博士强调：“检测常规MRI中以前看不见的皮层病变对MS研究和临床护理具有重大意义。首次看到这些以前隐藏的疾病进展指标，包括认知障碍和残疾，是一项重要进展。”该技术不仅能回顾性分析既往临床试验数据，重新评估药物疗效，还能为未来试验提供更敏感的终点指标。例如，许多新药主要针对白质病变，但皮层病变的减少可能更能反映治疗对神经退行性变的实际效果。此外，该方法有望在临床实践中帮助医生更准确地评估疾病活动性和进展风险，从而优化个体化治疗策略。

技术原理与未来展望

MMCLE方法的核心在于利用多对比度MRI数据（如T1加权、T2加权和FLAIR序列）之间的互补信息。传统MRI中，皮层病变与周围正常灰质的对比度极低，导致肉眼难以分辨。AI模型通过训练学习健康组织与病变组织在多序列中的信号模式差异，从而在合成图像中增强病变的可视性。Dwyer博士指出：“我们终于有了这些在MRI扫描中一直存在但无法看到的数据，AI让我们能够提取出来。”该研究得到了Genentech（Ocrelizumab的生产商）的支持，体现了学术界与产业界的合作。未来，研究团队计划进一步优化算法，使其适用于不同MRI设备和扫描协议，并探索其在其他神经系统疾病（如阿尔茨海默病）中的应用。Zivadinov博士总结道：“这项工作揭示了大脑中存在大量看不见的病理改变，将对回顾性分析既往临床试验数据以及未来试验产生巨大影响。”