基于深度学习显著性图谱的阿尔茨海默病tau蛋白PET亚型识别与特征分析

本研究针对阿尔茨海默病(AD)异质性问题，通过深度学习模型提取tau-PET图像的显著性图谱特征，成功识别出SHi 和SLo 两种AD亚型。研究发现SHi 组患者虽认知水平与SLo 组相当，但全脑tau沉积更高，且APOEε4携带率显著增加。该研究为AD精准分型治疗提供了新型影像学生物标志物，成果发表于《EJNMMI Physics》。

　　

研究背景与意义
阿尔茨海默病作为最具破坏性的神经退行性疾病，其临床异质性长期困扰诊疗实践。传统基于临床症状或MRI萎缩模式的分型方法存在主观性强、病理关联弱等局限。随着tau蛋白病理学地位的确立，研究者发现tau神经原纤维缠结与认知功能障碍、神经退变密切相关，但如何利用tau-PET影像客观揭示AD内在异质性仍是未解难题。

研究设计与方法
悉尼大学联合上海联影医疗团队创新性地将深度学习与聚类分析相结合，利用ADNI数据库615例认知正常(CN)和159例AD患者的¹⁸
F-flortaucipir tau-PET及T1-MRI数据，构建3D-CNN分类模型。通过引导反向传播(GBP)算法生成显著性图谱作为聚类特征，采用k-means识别AD亚型，并通过多维度统计验证亚型差异。关键技术包括：部分容积校正(PVC)优化PET信号、基于PMOD软件的14个ROI手工划分、Calinski-Harabasz指数确定最佳聚类数等。

研究结果

模型性能验证
3D-CNN模型区分AD与CN的准确率达94.42%，AUC(0.96)显著优于传统meta-ROI方法(0.79-0.86)。显著性图谱分析显示模型自动平衡了各脑区注意力，相较于原始SUVR图像，其信息熵提升88%（5.86 vs 3.11比特），更突出杏仁核、内嗅皮层等关键区域贡献。

亚型特征解析

• S_Hi
  亚型：占AD样本47%(60/159)，全局tau沉积更高（杏仁核SUVR 2.13±0.40 vs 1.50±0.40），APOEε4携带率78%(47/60)
• S_Lo
  亚型：认知测量与tau沉积相关性更强，内嗅皮层SUVR与ADNI-MEM评分相关系数达-0.494(p<0.001)

临床关联发现

• 认知关联解耦：S_Hi
  组tau沉积与FAQ、ADNI-MEM等神经心理量表相关性减弱，提示tau积累存在"天花板效应"
• 基因-性别交互：仅在S_Lo
  组发现性别与APOEε4对tau沉积的显著交互作用（如杏仁核β=0.91,p<0.001）

结论与展望
该研究首次通过数据驱动方法揭示了tau-PET影像定义的AD内在亚型，突破传统临床分型局限。S_Hi
亚型的高APOEε4携带率与tau持续积累特征，为靶向基因治疗提供新方向；而S_Lo
亚型中保留的tau-认知关联则支持症状干预策略。研究建立的深度学习-影像组学框架，为神经退行性疾病精准分型提供了可推广的方法学范式。未来需在更高空间分辨率PET数据中验证亚型稳定性，并探索亚型特异性治疗应答差异。