基于大脑功能计算模型与FDG-PET成像的机器学习框架预测阿尔茨海默病中AD型tau蛋白

《Nature Communications》：A model of brain function to predict tau across Alzheimer’s disease and related disorders

　　

摘要

我们开发了一种基于大脑功能计算模型和 FDG-PET 成像的机器学习框架，用于预测阿尔茨海默病（AD）及相关疾病（ADRD）中的 AD 型 tau 蛋白。该模型在 1088 名研究参与者上进行了训练，涵盖正常老龄化和 ADRD 患者，并伴有 FDG-PET 和氟苯吡啉 -PET（FTP-PET）数据。验证在以下群体中进行：(1) 训练队列的纵向子集（n = 215），(2) 阿尔茨海默病神经影像倡议（n = 295），以及 (3) 一个异质性临床队列（n = 264；其中 n = 28 具有 FTP-PET 数据）。结果表明，当应用于个体水平时，该模型能够准确预测 FTP-PET（R² ~ 0.34-0.71）。它在临床场景中表现良好，包括低 tau 阶段与高 tau 阶段的分类（准确率 79–95%）以及在无 FTP-PET 的异质性临床队列中预测 tau 蛋白。这些发现深化了对神经退行性变与 AD 型 tau 蛋白之间关系的理解，并为估算 ADRD 中的 AD 型 tau 蛋白提供了框架。