编辑推荐：
为解决阿尔茨海默病（AD）早期检测及 ApoE4 基因型预测问题，研究人员开展基于 FDG PET 影像组学预测 ApoE4 的研究。结果显示，模型预测 ApoE4 基因型效果良好，这有助于理解 AD 病理机制，提升诊断和特征分析能力。
在人口老龄化加剧的当下，慢性疾病尤其是痴呆，正成为全球公共健康的巨大挑战。阿尔茨海默病（Alzheimer's disease，AD）作为痴呆的主要类型，约占所有痴呆病例的 60%-70%。目前，AD 的早期检测和精准诊断面临诸多难题，给患者的治疗和管理带来极大困难。而载脂蛋白 ε4 等位基因（ApoE4）自 1993 年被发现以来，已被证实是 AD 最强的遗传风险因素，携带 ApoE4 基因会显著增加患 AD 的风险 。因此，如何通过有效的手段预测 ApoE4 基因型，进而深入了解 AD 的发病机制，成为医学领域亟待解决的问题。
在此背景下，研究人员开展了一项旨在利用氟代脱氧葡萄糖正电子发射断层扫描（FDG PET）影像组学预测 ApoE4 基因型的研究，该研究成果发表在《European Journal of Radiology Artificial Intelligence》。这项研究意义重大，若能实现精准预测，将为 AD 的早期诊断和干预提供关键依据，有助于开发更具针对性的治疗策略，改善患者的预后。
为开展此项研究，研究人员从阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative，ADNI）数据库获取数据。该数据库包含大量的医学影像和临床数据，为研究提供了丰富的资源。研究人员选取了 112 名参与者，对他们的 FDG PET 和结构磁共振成像（sMRI）数据进行分析。在技术方法上，主要运用了以下关键技术：首先，使用先进归一化工具（ANTs）对 FDG PET 和 sMRI 图像进行配准，确保图像空间位置的一致性；然后，利用 FreeSurfer 软件对大脑进行分割，划分出 95 个全脑区域、19 个海马区域和 9 个杏仁核区域；接着，通过 PyRadiomics 平台提取 120 个影像组学特征；随后，运用主成分分析（PCA）、方差分析（ANOVA）和最小绝对收缩和选择算子（LASSO）等方法进行特征选择；最后，使用 9 种分类器进行分类，并通过分层 k 折交叉验证评估模型性能 。
研究结果如下：
- 模型性能评估：经过对 27 种不同特征选择方法和分类器组合的评估，发现 LASSO 特征选择方法与直方图梯度提升（HGB）分类器组合表现最佳。该模型预测纯合子 ApoE4 基因型的受试者工作特征曲线下面积（AUC）达到 0.945，准确率为 0.875，灵敏度为 0.914，特异性为 0.838 。
- 特征分析与筛选：研究初始数据集包含 14,760 个特征，经过多步特征选择，最终确定了 7 个关键特征。这些特征分为三类，分别是与灰度大小区域矩阵相关的 glszm（SmallAreaEmphasis、ZoneVariance），与形状特征相关的 shape（SurfaceVolumeRatio、Sphericity、Maximum2DDiameterColumn、SurfaceArea），以及与灰度游程长度矩阵相关的 glrlm（RunEntropy） 。
- 分类模型优化：基于这 7 个关键特征构建的 HGB 分类模型，经过超参数调优和分层五折交叉验证，依然表现出良好的性能，AUC 为 0.889，准确率为 0.796，特异性为 0.768，灵敏度为 0.821 。
- 脑区关联分析：研究发现海马体、内嗅皮层、杏仁核、丘脑和眶部皮质等脑区与 ApoE4 基因型存在显著关联。这些脑区的结构和功能变化可能与 AD 的发生发展密切相关 。
在研究结论和讨论部分，研究表明 FDG PET 影像组学能够有效预测 ApoE4 基因型，这为 AD 的早期诊断提供了新的思路和方法。通过确定与 ApoE4 基因型相关的脑区和影像特征，有助于深入理解 AD 的病理生理机制，为开发新的治疗靶点和药物提供方向。此外，研究还通过样本量估计、放射学质量评分（RQS）和决策曲线分析（DCA）等方法，验证了模型的可靠性和临床实用性 。
然而，研究也存在一些局限性，如数据集规模相对较小，影像组学特征对图像采集和处理技术较为敏感等。未来研究需要进一步扩大样本量，采用标准化的成像程序和先进的图像预处理技术，以提高模型的可靠性和普适性。总之，这项研究为 AD 的诊疗开辟了新的路径，具有重要的理论和临床价值，有望推动 AD 研究领域的进一步发展。
