中风是造成严重而复杂的长期残疾的主要原因，影响到社会参与的各个领域。失语症是中风最具破坏性的后果之一，影响到大约三分之一的中风幸存者。对失语症的演变作出个性化的预后，不仅可以帮助患者及其亲属计划未来，还可以为临床医生选择适当的治疗方法提供指导。

然而，中风后的失语症恢复情况因人而异，受到多种因素的影响，这使得临床医生很难确定预后情况。以前的研究表明，不同的因素可以部分或独立地解释中风后自发的或与治疗有关的语言恢复程度。在文献中发现的最一致的预测因素是最初的失语症严重程度和病灶大小。

基线评估时特定的语言或非语言能力和人口统计学信息也可能对语言能力的恢复量起作用。然而，人口统计学数据在治疗结果中的作用在文献中没有达成共识。

此外，更好的大脑结构完整性和局部功能活动及连接性与自发的和治疗相关的语言恢复程度呈正相关。重要的是，这些研究大多调查了单个变量的价值或只结合了其中的几个变量。

因此，目前仍不清楚（1）上述每个因素如何比较预测自然语言恢复和康复后的恢复；（2）相对于单一类型的因素，多个因素的结合在预测方面是否更有优势。这个问题很重要，因为临床医生需要知道哪些类型的数据是向病人提供准确预后所必需的。

机器学习的最新进展使得多模态神经影像数据的多变量分析方法可以应用于预测脑损伤后单一时间点的语言障碍，或者在纵向研究中，预测中风后一段时间的自然语言恢复。然而，这些研究有几个局限性：调查的恢复期因参与者而异，每个人接受的康复量没有得到控制而且只包括一种类型的成像数据（即功能或结构）。

藉此， 波士顿大学的Anne Billot 等人探究了行为、人口统计学、多模态结构和功能成像数据，对预测中风后慢性失语症治疗相关的语言恢复的独立和累积的重要性。

共55名患有慢性中风后失语症的人接受了一系列的标准化评估以及结构和功能磁共振成像扫描，并接受了12周的语言治疗。利用治疗前的行为、人口统计、结构和功能神经影像数据，构建支持向量机和随机森林模型来预测对治疗的反应性。

他们根据失语症严重程度、人口统计学、解剖学完整性和静止状态功能连接的测量方法训练的支持向量机模型取得了最佳预测性能（F1=0.94）。

与根据所有特征集（F1=0.82，P<0.001）或单一特征集（F1范围=0.68-0.84，P<0.001）训练的支持向量机模型相比，该模型的预测性能明显优越。在所有的随机森林模型中，对静息态功能磁共振成像连接性数据的训练产生了最好的F1得分（F1=0.87）。

该研究的重要意义在于发现了：虽然行为、多模态神经影像数据和人口统计学信息在预测中风后慢性失语症的康复反应方面具有互补性，但中风后静止状态下的大脑功能连接是预测治疗反应性的一个特别重要的因素，无论是单独还是与其他患者相关因素相结合。

原文出处：
Billot A, Lai S, Varkanitsa M, et al. Multimodal Neural and Behavioral Data Predict Response to Rehabilitation in Chronic Poststroke Aphasia. Stroke. Published online January 26, 2022:STROKEAHA.121.036749. doi:10.1161/STROKEAHA.121.036749