文摘
多发性硬化(MS)患者不同临床表现,症状,随着时间的进展,使女士难以评估和理解体内。大规模的数据共享和人工智能的结合创造了新的女士使用MRI监测和理解的机会。首先,开发验证MS-specific图像分析方法验证参考,可以促进细胞的测试和基准图像数据。使用专家详细的注释,人工智能算法等MS-specific可以训练数据。第二,了解疾病过程可以通过共享数据大大先进的大型军团女士与临床、人口、和治疗信息。相关数据在这种模式可能听不清人类观察者可以通过人工智能检测技术。这适用于从图像分析(损伤、萎缩或功能性网络变化)到大型多畴的数据集(成像、认知、临床残疾,遗传学)。在回顾数据共享和人工智能,我们强调3领域提供强有力的机会在未来几年:众包,个人数据保护,组织分析的挑战。困难以及克服它们的具体建议进行了讨论,为了最好的利用数据共享和人工智能来提高图像分析、成像和女士的理解。
术语表
- GDPR=
- 一般数据保护规定;
- INNI=
- 意大利神经影像网络倡议;
- 女士=
- 多发性硬化症;
- 质量保证=
- 质量评估;
- 质量控制=
- 质量控制;
- WM=
- 白质
多发性硬化(MS)是高度异质性的病人在症状方面,网站的损害,恢复程度和疾病的发展。有关人类观察者模式可能听不清,但通过分析大量的影像数据和复杂的人工智能技术,迫切需要了解疾病病理异质性女士可能的进步。
此外,追踪个别患者的疾病进展,女士MRI标记是必要的。这可能得益于MS-specific图像分析方法,因为现有广义方法往往表现出性能降低患者的女士,1作为已经证明定量深部灰质结构的分割。2大量的女士成像数据,专家适当的注释,可以用来训练和验证专为女士更精确的测量和分析工具。
在此背景下,我们回顾数据共享和人工智能的可能性提高MRI的应用研究MS,解决女士需要了解疾病过程和需要MS-dedicated MRI定量测量和分析技术评估。我们第一次调查有关现有的努力对于数据共享和人工智能,然后突出3把这个领域的发展感兴趣的领域:众包,个人数据保护,组织分析(见的挑战图本文的方法用于创建)。具体建议旨在实现MS患者的最佳结果。
数据共享
数据共享在女士:非成象
多中心的临床数据提供了有价值的信息对疾病流行女士目前的治疗模式,和一般病人的分布结果。因此,临床注册包括数据从几个中心,一直大力推动女士在过去几十年。国家和地区注册存在女士在大多数国家,尤其是在欧洲3和北美。4收集的数据由国家计划经常被包含在计算机平台上,如欧洲注册多发性硬化症(EUReMS)5或MSBase。6合作研究研究这些数据用于定义预后指标的值在不同的患者群体,7调查的影响人口和地理因素对临床课程,女士8评估不同药物的疗效比较9(额外的引用在eAppendix 1中,https://doi.org/10.5061/dryad.2fqz612p9)。
数据共享在Neuro-MRI:非ms
在核磁共振数据共享变得越来越普遍,大规模,开放在神经影像社区。表1列出了几个突出的例子,包括阿尔茨海默病的神经影像学(ADNI),这在神经影像学领域是一个模板,用于数据采集和培养方法学的发展。这些数据集与一系列相关访问策略(从自由,无限制的下载却是协议)和覆盖各种大小、人口和病态。他们提供大,不同组的主题,包括罕见病,和更广泛的疾病阶段(包括前驱的情况下)可能比从单一的研究。此外,越来越多的大量提供更大的统计力量和应用先进的深度学习技术的机会。他们还允许应用于通用标准方法学的评价工具,MICCAI开创的挑战。e67因此,他们为社区提供公平和开放的比较方法,一组丰富的数据来测试假设,和更大的能力来评估的可靠性和可重复性。也有好处对于那些参与创建和管理这些数据集,因为设计的过程中,驾驶,和预处理为小说的发展提供了动力采集和分析,证明了最先进的方法开发项目在人类的连接体。此外,在能见度有好处,订婚,和出版物。挑战仍然存在(例如,信息技术基础设施、访问策略、伦理政策),但许多这样的数据集已经访问,与一系列的解决这些问题,从而提供选项创建新的数据集关注女士还强调,列出的数据集标准化磁共振收购协议只能在一定程度上协调数据。因此,合成核磁共振等替代方法也应该调查(额外的引用eAppendix 1)。
核磁共振成像的数据共享
MRI是诊断和监控最重要的工具之一。10然而,核磁共振数据收集的临床注册女士通常只包括常规措施或关于实现诊断标准的元数据。5,6最近的合作(例如,德国政府资助能力网络多发性硬化症e68女士或私人投资路径11)推广使用相对标准常规磁共振成像协议(典型的t1加权、质子density-weighted和t2加权或fluid-attenuated反转恢复图像),但不包括先进的核磁共振技术(来组织属性,神经纤维束造影的如定量映射技术、光谱学、或功能性核磁共振)。表2从公共资源列表注册确认女士,收集磁共振成像信息。
作为一个例子,意大利神经影像网络倡议(INNI)12,e69最近4网站领先的磁共振成像研究中建立了女士在意大利,意大利女士的支持下的社会。INNI的主要目标是确定和验证小说MRI生物标记,包括基于更先进的生物标志物,非传统成像技术,利用预测或在未来的女士的研究结果。INNI目的也规范核磁共振的采集和分析在国家层面上。
人口众多的MS患者和健康对照组(超过1800名参与者,3000多人MRI检查)到目前为止一直在收集INNI平台。虽然核磁共振数据必须满足一些最低要求为了被包括,12完整的标准化收购协议并不要求从网站,至少在第一阶段的项目。
面临的主要挑战INNI倡议的一开始是伦理审批,在线平台的创建,以确保适当的匿名处理,和定义指南规范数据库访问级别和实施访问程序。12相反,大部分的后续相关挑战质量评估(QA)收集的数据,这将会用于不同研究项目4推广网站。系统QA(病人定位,图像不均匀性、扭曲和文物,和测量contrast-to-noise比率)建立了源数据来验证,确保高质量的维护。测试结果将被用于提出有效的指导方针在收购协议和扫描选项来提高核磁共振数据的协调。基本分析(例如,T2-hyperintense病灶分割,T1-hypointense病变再充填,最小的预处理diffusion-weighted MRI与静息状态功能磁共振成像扫描)可能共享INNI平台协调未来的项目也被一种集中的方式来进行。
建议在女士MRI数据共享
•明确定义变量共享:这可以避免歧义和异质性在稍后的阶段。
•建立合适的质量保证和质量控制(QC)程序,以确保遵守最低标准:最好是量化和自动化,这些程序包括数据的完整性保证。
•实现明确的政策和程序如何访问数据。
•创建一个灵活的数据共享系统,允许一个歧管使用收集的数据:通过选择最大限度地允许数据许可(在法律和制度范围内),加上清晰的数据存储组织、数据库管理、和灵活的访问的选择,可以灵活并易于选择,数据访问,用于各种各样的目的。
人工智能
人工智能在医学图像分析
人工智能可以大致分为经典支持向量机等机器学习技术和(新)基于卷积神经网络学习技术。经典的机器学习方法通常使用分类器训练不直接对图像做出预测,但是在提取图像特征。13虽然这可能是有利的,它排除了发现的特性不明显或欣赏人类观察者。深度学习,当应用于分类或分割图像,14而不是直接分析图像数据,未经特征选择。这引发了很好的分类器性能的医学成像的应用程序。13然而,例如Ghafoorian et al .,15至少在当前关于可用数据集的大小和网络限制,可进一步提高性能通过将精心挑选的特性从图像中提取使用领域知识和经典的图像分析技术。具体来说,在他们的工作,他们将措施反映了大脑中的位置来提高分割的年龄相关性白质hyperintensities (WM)。15
人工智能的成像
现有研究应用人工智能成像女士通常可以分为描述性和预测性的实验。描述性研究使用横断面数据集来段MRI WM病变16或者专门充当病变,17识别成像模式基于表型女士或临床或认知疾病严重程度,18或执行自动诊断使用uni -或多通道信息。19预测研究,另一方面,在基线数据,允许检测模式预测未来疾病结果或严重性结合临床随访信息。20.,21大多数研究使用经典的机器学习技术,如支持向量机或随机森林,功能必须被定义并从数据中提取先天,而最近的研究也使用深度学习的方法,允许自动检测的相关特性数据。深度学习现在已经不仅用于段WM病变22,- - - - - -,24或者他们加强子集,17但也量化损伤变化,25,26检测中央静脉的迹象,27不同损伤类型进行分类基于扩散光谱成像,28从其他图像类型预测钆增强,29日执行mri诊断,30.,31日段和分析nonlesion结构,32,33分析髓水分数34或定量易感性映射数据,35合成图像类型,36执行自动质量控制,37改善图像质量,38或者正确的强度差异扫描仪39(额外的引用eAppendix 1)。
人工智能在女士成像的挑战
虽然显示出令人印象深刻的表现,最先进的深度学习方法(卷积神经网络)完全依赖当地的使用强度模式和上下文特征来指导图像分析过程。他们缺乏高层次的抽象思维,对人体解剖学和生理学的理解有限。从相对较小,嘈杂的数据集,学习学习系统通常无法推断和处理不确定的情况。此外,在精密医学应用程序、全自动强劲,和快速测量所需的每一个主题。三个重要类别的电流限制的学习系统的输入,标签,和不确定性和信心。
输入
许多机器学习模型的主要限制是强劲的(好)训练数据的依赖。虽然评委可能从几个例子直观推断新病例可能是非常不同的,一个监督学习模型(深)再辅以足够的例子覆盖整个范围的人口异质性,疾病,和扫描参数。不同的成像设备,采集参数,组织对比,文物,噪音模式如果处理不当,则会降低算法的性能。为了克服between-scanner或between-acquisition形象差异,postprocessing-based数据协调提出了很多方法,包括旅游幻影,40这需要物理对象或对象的旅行,39限制可伸缩性;数据增加,41这需要充分准确的信号模拟模型;和领域适应,42已取得不错的效果。最终,最健壮的结果可能来自上面的组合,一起与强度等基本步骤规范化(额外的引用eAppendix 1)
鉴于MS的患病率相对较低,缺乏训练数据的重要性尤其突出。可变性在训练数据不足会导致overfitted模型,表现不佳的新数据,和单中心数据集很少超过几百例女士。这种效应可以减少与正规化、增强和交叉验证,但没有完全删除。因此,来自不同数据源的数据池是有利的,但这介绍新的挑战由于中心之间的差异,扫描仪,扫描协议,需要规范和后处理。
大多数机器学习的研究发表在女士使用研究数据而非临床数据,已限制:患者入选标准过滤;受试者的数量和扫描获得的资金是有限的;和更严重的疾病患者更容易辍学,数据更偏向于更多的良性病例。临床数据更一般的代表(疾病)人口但通常更多的异构和病人需要额外的同意。
标签
训练和高质量的标签对机器学习系统的实现良好的性能是至关重要的。标签可以被人的诊断或其他整体特性,或通常在图像分析任务,手动的轮廓像女士病变解剖结构或病理实体。区分病变在WM女士从其他WM病变和正常WM需要技能和专业知识。标签协议和国米的可变性,intrarater变化时引入错误训练机器学习系统。这些错误降低学习系统的性能并限制到什么程度,性能可以验证。这些错误可以通过扩大量化的训练集,基于共同的协议应用到大量的评级机构,然后克服建模或机器学习方法。
不确定性和信心
一般算法解决分类困难的问题,但临床决策很少是分类,包括内在的不确定性。生物标志物的引入和科目的误差,和新颖的方式来传达的发展和信息引入到临床工作流,将挑战的临床应用。最近的工作地址,不确定性女士损伤检测和分割。43其他领域的医学带来内在的不确定性预测很有可能将这种不确定性引入临床工作流上下文中的女士成像(额外的引用eAppendix 1)。
建议在女士成像机器学习
•编译大,带注释的数据集进行训练。获得足够的大量的训练数据,大规模数据共享的图像数据是必需的,对于均匀数据集(生成新知识)和异构数据集(派生更多可概括的分类器)。
•创建健壮的数据变化的方法。协调数据使用古典和机器学习技术提高鲁棒性看不见的数据集。
•包括nonresearch数据的训练。培训机器学习方法在数据获得在真实临床环境,增加鲁棒性异质性和提高临床人群的适用性。
•创建高质量的标签。临床使用验证算法需要大型多中心标记努力产生,根据目标,一致同意的“地面实况”标签或个人评级标签的集合。金宝搏188手机app
•允许更微妙的信息比全球标签是/否的答案。软标签的使用(例如,image-wide疾病分类模型的内在解剖和病理变化也应该调查。
•结合分类器预测的不确定性。算法应该学习每一个决定的内在不确定性和信心。诊断和预后的指导方针应该修改,使生物标志物的临床使用和科目的不确定性度量。
机会1:众包
众包的研究
众包,而不是与集资”混淆,指人们贡献自己的时间和技能来完成某些任务。在科学研究中,它有时被称为“公民科学。”其前提是,有很多热心的公众成员愿意捐献他们的一些科学。方便他们贡献,科学界可以奖励他们的热情和意愿,让他们帮助这个领域的发展。成功的项目都是这样进行的,包括例子在天文学上区分不同的星系类型(星系动物园e70在有机化学),蛋白质折叠(Foldit,游戏的主题与成千上万的玩家e71),在生物识别蝙蝠调用(蝙蝠侦探e72),在恐龙古生物学肢体骨测量(开放恐龙项目药剂)。大脑成像应用的潜力已经指出,interface-building和一个成功的方法,数据管理和分析被描述。脊椎,e74神经影像实验室开放,e75和OpenNeuroe76众包脑成像研究的网络基础设施。
研究人员在众包的潜在好处是清晰的,参与者的好处(“人群”)可能不那么明显。有贡献的潜在满足科学,和女士的研究,这些志愿者可能感兴趣的人大脑成像或神经科学,或者他们可能知道有人女士,想帮助开发一个解决方案。此外,精心设计的众包活动的奖励可以携带娱乐表演。领域的“游戏化”是一个快速发展的研究领域和发展本身已经被应用在放射领域,44创造了重要的机会帮助志愿者享有参与众包研究和继续致力于完成他们的贡献。
众包女士成像
处理大量图像数据定期在临床环境,自动化的分析方法是关键。进入这样的自动化方法的培训,是否基于深度学习或使用其他方法,性能起着很大的作用。理想情况下,参考标签,例如,特定的成像特性,比如女士病变或特殊的解剖结构,将生成的密集训练专家评级机构。然而,如果这是不可能的,例如由于相关费用,众包等培训标签可以提供一个现实的选择,如果使用得当。众包的潜在问题涉及质量图像注释。对图像分割的例子,这已经解决。具体来说,Bogovic et al。45表明,小脑分割,可以实现高质量的标签的非专家评级机构。
这表明,提供培训和QA程序充分就业,一大群非专家志愿者可以创建参考标签在一个足够大的数据集训练深度学习或其他方法健壮的数据变化。然而,任务变得越来越复杂,参与者之间通信所需的程度以达到一个适当的性能可能会增加,努力成为一个外包项目的风险而不是一个众包。因此,该项目应进行明确的任务和预期,教程的包容和支持由一位有经验的专业领域。
除了提供培训标签图像分割,众包也可能帮助其他任务,比如(提供培训标签)图像工件检测,质量控制,或疾病分类。特别是女士利基应用,如成像,专家培训的成本标签可以禁止,可以提供一个“甜蜜点”,众包可以做出重要的贡献,提出了领域。第一次这种方法最近被提出。46
众包女士成像的建议
•确保高质量教学的志愿者。为了帮助群众有效参与,尤其是更长时间和更复杂的任务,综合教程是至关重要的。
•定义明确的任务和预期。为了让志愿者研究做出贡献,他们的任务应该明确定义,通常有限范围和时间投资。
•执行严格的质量控制。为了确保高质量的众包贡献,QC过程可重复性和协议等专家选择的样本是至关重要的。
机会2:个人数据保护解决方案和许可要求
个人数据保护和同意GDPR框架
共享数据时,保护个人数据是一个至关重要的保证参与者。因为MAGNIMS学习小组是一个欧洲合作,专业知识上可用的数据保护法在其他司法管辖区是有限的,因此我们在这里主要关注欧盟的情况。个人数据保护法律规定在欧盟,与特定规则的通用数据保护监管(GDPRe77)。而具体的法律规定不同,担心保护机密数据的参与者遍布全球,和不同的法律框架来解决这些问题存在于不同的国家。GDPR之间的差异和美国健康保险流通与责任法案(HIPAA)框架包括后者的有限范围,并详细讨论了其他地方。47个人数据理解为任何信息关于一个标识或可识别的自然人。可识别的自然的人是可以确定的,直接或间接。确定是否有人可识别的,所有的手段可能是合理使用必须考虑,对于这些,识别所需的成本和时间,当时可用的技术处理,和预期的技术发展必须评估。这是很重要的,因为GDPR控制器,即研究者的组织,负责。个人数据的安全必须演示了通过技术和组织措施的存在。e77GDPR地方数据问题的人(被称为“数据对象”)完全控制他们的数据发生了什么。如果个人数据是共享或识别的可能性不能排除,必须从所有参与者获得书面知情同意数据共享,包括数据是否与欧盟国家规定不适用。此外,程序必须在删除数据当参与者要求删除。数据保护部门考虑编码或pseudonymized数据作为个人数据。如果个人数据共享,数据保护证明遵守GDPR协议是必要的。
挑战与个人数据保护和同意
确保保护个人数据,同时提供足够的访问为研究目的是具有挑战性的。完全匿名化,这意味着这个人不能被识别的数据,可能在很多情况下难以实现。在“极端”组(例如,罕见疾病,极高),附带一些基本信息成像数据可能有助于揭示人的身份。大数据积累的增加对人们的行为从许多不同的来源,许多公司和组织实现完全匿名化带来了另一个障碍。新技术,尤其是人工智能技术,允许,例如,重建面临的低分辨率的图片。48在脑成像、结构允许真实感三维人脸重建图像,这可能使识别。删除和匆忙49,50不能完全解决这个问题,因为这些程序可能会影响后续的图像分析,例如,放射疗法的剂量分布或脑电图信号,或进一步的大脑图像分析。51脸可以删除(部分)重建,每个大脑的结构可能很快就足以识别人。52
因此很难达到完全匿名化。因此,第二个选项可能更可行的:要求,前期,知情同意的人分享他们的数据在一个可识别的或不能直接识别方法。这个知情同意应符合国家法律包括基于GDPR,适用,以及指示计划的各种选项或不可预见的数据共享,如欧盟以外的国家的研究人员,或者通过众包与公众的成员行动正如上面所讨论的。此外,为了进一步确保个人数据的保护,个人数据的使用协议的机构或组织之间必须共享数据。生成大军团的越来越重要的手段是通过共享数据在大群的中心不同于许多国家,这会导致额外的法律不确定性的个人数据保护,数据所有权和数据使用。知情同意的极端的例子的方法,法律允许的,将要求参与者同意分享他们的数据没有限制,共享特定政党或应用程序。
第三个分享研究数据的方法是使用一个基础设施,允许研究人员远程分析数据。53这种“信任数据生态系统”在他们的核心是类似于联邦数据库但更全面和包含不仅数据管理,所有必要的功能对数据进行分析,包括计算基础设施和审计跟踪。这样一个基础设施的一个例子,目前正在开发在荷兰,是Health-RI基础设施。e78Health-RI采取的方法是,个人数据在平台内部和执行分析,因此研究人员只接收结果措施但没有对实际数据的访问。例子集中在联合深度学习,模型参数而不是网站之间的数据传输,被张等。54和Remedios et al。55这种联合方法的一个限制是,分析管道成功的仔细审查和检验的中间结果不如更直接可行的标准数据共享的方法,这不仅会阻碍任何特定的研究项目也使用这些数据为进一步方法学的改进。一个优势是他们的综合方法,包括技术、法律、和业务层,确保遵守法规、治理、法律问题进行数据共享,安全问题,和问责制。
保护隐私之间的权衡和允许访问仍然面临的主要挑战,需要妥善处理。在这种背景下,“微分隐私”可能提供解决方案。限制多少算法可以从每个数据点可以防止算法学习足以识别个体,但允许他们学习人口水平的相关信息。56
建议相关个人数据保护和同意
•保护个人数据。实现技术、法律和组织保证保护个人数据。对于核磁共振,这些包括DICOM匿名化和脸移除。
•总是请求同意数据共享。最大化重用的可能性要求参与者同意后续的目标分享和广阔未来的项目的范围。投资必要的数据保护的标准化协议。
•投资开发优化基础设施。研究可信数据生态系统可以结合的优势获得原始数据和中间结果。
机会3:组织分析的挑战
组织分析的挑战作为加速工具方法学的发展
图像分析和机器学习算法在快速推进,存在一个需要了解的性能和先进的方法的局限性。评估一个自动化算法的性能,如病灶分割,是一个基本方法发展需要大量资源的一部分。组织重大挑战、竞争事件提供数据分析,分析客观,地面实况数据,实现我们的目标和评价指标。e79它们提供了一种比较多种算法的性能,而一个实验室通常不会获得。此外,通过提供这些关键资源,研究实验室可能参与挑战,否则不可能从事女士的研究。
挑战赛的格式通常包括几个关键步骤。参与团队首先提供一个训练数据集,包括图像数据和地面真理。对于上述病变分割的挑战,这包括multicontrast从多个患者MRI数据和一组手动病变描绘。训练数据允许团队优化性能的算法和实现结果一致与地面真理。接下来,团队提供一个测试数据集,包括成像数据但没有地面实况。团队将他们的方法应用到测试数据集评估并提交结果。最后,团队和组织者讨论不同算法的性能,以及评估和相关问题。
已经有3分割挑战特别关注的细分脑损伤女士:2008 MICCAI挑战,57,e1062015位ISBI纵向的挑战,58和2016年MICCAI挑战。59这些提供清晰的例子可以通过这种方法来实现。持久的这些挑战的关键利益,除了论文,是组织者在会后继续提供数据,并建立了基于网络的系统不断基准的新算法。通过这种方式,所有3挑战继续积极产生影响,帮助软件开发人员在开发改进的方法。e80-e82
尽管这些进步,挑战到目前为止只有发布的部分的完整数据集训练、测试数据保留组织者算法评估的挑战。此外,数据使用许可仅限于研究或教学使用。以前那些女士的挑战也相当狭隘关注WM女士病灶分割的不同方面。例如,2015年的挑战集中在纵向数据,58虽然2016年专注于多中心数据,包括那些在不同的领域获得优势。59继续组织的挑战可能目标基准算法应用程序直接与病人护理,如临床试验或病人监测。而不是基于损伤指标细分精度,算法可以评估基于预测治疗或临床措施的功效。除了白质病变分割,其他一些有前途的成像生物标志物可以测试:皮质病变,大脑皮层灰质测量,和丘脑的卷都被发现是有前途的预测疾病进展。60女士数据库与整个大脑标签,目前不可用,将援助培训和验证算法更准确地提取这些生物标志物。其他重大挑战可以检查MRI脊髓形态和病理特征的视网膜形态用光学相干断层扫描。有足够的机会挑战有助于进一步改善方法研究女士,以及证明前几年的挑战可以成为一个成功的方法。
图像分析女士建议组织分析的挑战
•包括其他方面的图像分析女士除了WM病变,如皮质损伤和脑容量的措施。
•评估算法还对临床结果,而不是仅仅针对成像数据。
•确保挑战数据集包含大量的图片和标签,提高健壮性和普遍性。
•减少挑战限制数据,允许更多的不同的应用程序和构建更大规模数据资源算法开发和评估。
讨论
最大化提高MS疾病过程的理解和体内核磁共振方法研究这些,使用大数据和机器学习,数据共享提供了具体建议,机器学习,众包,个人数据保护,组织分析的挑战。
研究资金
h . Vrenken女士收到了资金支持荷兰研究基金会(格兰特14 - 876 MS)与荷兰联合ZonMW研究基金会(格兰特40-44600-98-326)女士和HealthHolland(格兰特LSHM19053)。女士女士中心支持阿姆斯特丹荷兰研究基金会通过一系列的项目资助(当前格兰特18 - 358 f)。m·詹金森支持由国家卫生研究所(NIHR)牛津大学生物医学研究中心(BRC),这个研究是由威康信托基金会(215573 / Z / 19 / Z)。威康中心综合神经影像学支持核心资助来自威康信托基金会(203139 / Z / 16 / Z)。D.L. Pham收到国家多发性硬化症协会资助的资金支持rg - 1507 - 05243和rg - 1907 - 34570年,国会指导医学研究项目拨款w81xwh - 20 - 1 - 0912,和国防部在神经科学和再生医学中心。C.R.G.古德曼爵士承认国家多发性硬化症协会的支持(格兰特标识符rg - 1501 - 03141),国际进展型多发性硬化症联盟(格兰特标识符pa - 1412 - 02420),波尔多大学的基础,罗氏制药,Talan。d .帕累托得到皇家研究院的支持祝您健康卡洛斯三世(PI18/00823)。诉Wottschel已经收到了欧盟的资助下地平线2020研究和创新计划资助协议666992。M.J.卡多佐支持威康/ EPSRC医学工程中心(WT203148 / Z / 16 / Z)和威康旗舰项目(WT213038 / Z / 18 / Z)。支持f . Barkhof NIHR生物医学研究中心的主任。
信息披露
从辉瑞h . Vrenken获得研究资助,MerckSerono,诺华和梯瓦;演讲者从诺华谢礼;从MerckSerono和咨询费用;所有资金直接支付给他的机构。m·詹金森收到诺华的研究资助,支付机构,加上版税许可的商业实体,目前从牛津大脑诊断和咨询。d·l·范教授报告没有财务披露。C.R.G.古德曼爵士获得了支持Mobilengine(免费使用平台和编程Mobilengine工程师),以及国家多发性硬化症协会、国际进展型多发性硬化症联盟和美国海军研究办公室,以及旅游罗氏制药的支持。C.R.G.古德曼爵士拥有股票罗氏、诺华,葛兰素史克,Alnylam、Protalix Biotherapeutics,箭头制药、Cocrystal制药,Sangamo疗法。d .帕累托已经收到了来自诺华和Genzyme演讲酬金。m . Paardekooper报告没有披露。 A. de Sitter has been employed on a research grant from Teva. M.A. Rocca received speakers honoraria from Biogen Idec, Novartis, Genzyme, Teva, Merck Serono, Roche, Celgene, and Bayer and receives research support from the MS Society of Canada and Fondazione Italiana Sclerosi Multipla. V. Wottschel reports no disclosures. M. J. Cardoso is a Founder of BrainMiner, plc. F. Barkhof has received compensation for consulting services and/or speaking activities from Bayer, Biogen Idec, Merck Serono, Novartis, Roche, Teva, Bracco, and IXICO. Go to首页Neurology.org/N为充分披露。
承认
本文是基于一个车间的MAGNIMS研究小组成为可能通过金融支持荷兰研究基金会女士,阿姆斯特丹神经科学,VU大学医学中心,默克公司和诺华公司。
附录1的作者
附录2 Coinvestigators
脚注
去首页Neurology.org/N为充分披露。资金信息和披露认为作者相关的,如果有的话,年底提供这篇文章。
MAGNIMS研究小组coinvestigators中列出附录在本文的最后。
文章sccp加工费由,阿姆斯特丹,荷兰。
编辑、页面975年
- 收到了2020年8月10日。
- 接受的最终形式2021年9月9日。
- 版权©2021年作者(年代)。发表的Wolters Kluwer健康,公司代表美国神经病学学会。首页
这是一个开放的分布式根据文章知识共享归属许可4.0 (CC),它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
引用
- 1。↵
- 2。↵
- 3所示。↵
- 4所示。↵
- 5。↵
- 6。↵
- 7所示。↵
- 8。↵
- 9。↵
- 10。↵
- 11。↵
- 12。↵
- 13。↵
- 14。↵
- 15。↵
- 16。↵
- 17所示。↵
- 18岁。↵
- 19所示。↵
- 20.↵
- 21。↵
- 22。↵
- 23。↵
- 24。↵
- 25。↵
- 26岁。↵
- 27。↵
- 28。↵
- 29。↵
- 30.↵
- 31日。↵
- 32。↵
- 33。↵
- 34。↵
- 35。↵
- 36。↵
- 37岁。↵
- 38。↵
- 39岁。↵
- 40。↵
- 41岁。↵
- 42。↵
- 43。↵
- 44岁。↵
- 45岁。↵
- 46岁。↵
- 47岁。↵
- 48。↵
- 49。↵
- 50。↵
- 51。↵
- 52岁。↵
- 53岁。↵
- 54。↵
- 55。↵
- 56。↵
- 57。↵
- 58岁。↵
- 59。↵
- 60。↵
