《Neurobiology of Aging》：Stratifying Heterogeneity in Mild Cognitive Impairment: A Multimodal Subtype and Stage Inference Approach
编辑推荐：
本研究旨在利用数据驱动的多模态方法识别轻度认知障碍（Mild Cognitive Impairment, MCI）的不同临床与生物学亚型及其进展阶段，以改善阿尔茨海默病（Alzheimer’s disease, AD）转化的分层与预测。研究人员将亚型与病程推断
本研究旨在利用数据驱动的多模态方法识别轻度认知障碍（Mild Cognitive Impairment, MCI）的不同临床与生物学亚型及其进展阶段，以改善阿尔茨海默病（Alzheimer’s disease, AD）转化的分层与预测。研究人员将亚型与病程推断（Subtype and Stage Inference, SuStaIn）算法应用于阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）的多模态数据集，以识别558例淀粉样蛋白阳性MCI患者的MCI亚型及其进展阶段。该模型整合了T1加权结构磁共振成像（MRI）（测量皮层、皮层下及海马体积）、脑脊液（CSF）生物标志物（Aβ1-42和p-TAU）、APOE-ε4状态以及一组全面的神经心理学评分。研究人员划分出四种亚型，其中两种表现出较高的AD转化风险。其余两种分别以显著脑室扩大和老年抑郁相关性为特征。预测性能主要由输入特征类别驱动：仅使用个体生物标志物的多模态模型实现了最佳区分能力（AUC 0.865；准确率0.810），而添加SuStaIn亚型和病程未改善其性能。然而，单独使用亚型和病程（两个变量而非16个变量）的AUC达到0.811，且具有最高召回率（0.867），在统计学上与完整模型无显著差异。因此，将SuStaIn应用于多领域数据成功解开了MCI的表型异质性。通过将时间性病程进展（分期）与固有个体特征差异（分型）分离，该框架为AD连续谱中的患者分层和早期干预提供了更精细的诊断工具。
# 多模态SuStaIn框架揭示轻度认知障碍的异质性亚型及其阿尔茨海默病转化风险
## 一、研究背景与问题
轻度认知障碍（Mild Cognitive Impairment, MCI）是指个体出现异常认知衰退但仍保持日常生活独立能力的状态，常被视为阿尔茨海默病（Alzheimer’s disease, AD）的前驱阶段。然而，由于患者异质性高且现有临床标准存在局限，MCI的诊断与预后判断面临显著挑战。传统研究多依据单一数据域（如神经影像或神经心理测验）对MCI进行亚型划分，例如基于脑萎缩模式将AD分为典型、边缘叶主导或海马豁免型，或基于认知受损域将MCI分为记忆、执行或语言功能受损型。然而，AD本质上是进行性疾病，传统聚类算法容易将时间上不同的疾病阶段与真正的表型亚型混为一谈，可能将处于不同病程阶段的个体而非具有不同病理轨迹的个体归为一组。为克服这一问题，亚型与病程推断（Subtype and Stage Inference, SuStaIn）模型被提出，它能够利用横断面数据同时推断亚型（不同进展模式）和病程阶段（各亚型内部的时间序列），从而将疾病进展的纵向维度与个体间的表型差异分离。
尽管已有研究将SuStaIn应用于MCI/AD亚型识别，但多数研究事后使用神经心理学（neuropsychological, NPS）评分描述亚型，而直接将NPS评分用于数据驱动的亚型划分或AD转化预测仍待深入探索。近期研究仅利用神经影像数据（MRI和PET）或认知特征进行MCI分类，而真正整合多模态数据（包括NPS、脑脊液生物标志物、结构MRI及抑郁症状）的SuStaIn建模以及检验亚型和病程分配是否携带超出其来源生物标志物的预后信息，此前尚未见报道。因此，本研究旨在解决这一问题。
## 二、研究设计与方法概述
研究人员使用阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）公共数据库，初始纳入1,473名MCI个体，经严格筛选（具备T1加权MRI、完整认知/抑郁/执行评估、APOE-ε4状态、淀粉样蛋白阳性及两年纵向诊断随访）后保留558名参与者。另以215名淀粉样蛋白阴性认知正常（cognitively normal, CN）个体作为参照组，用于所有生物标志物的Z-score标准化。主要技术方法包括：①使用FastSurfer深度学习管线处理3T T1加权MRI，获得五个先验感兴趣区域的平均体积（海马、皮层、皮层下、脑室、白质高信号），并以颅内总体积（eTIV）进行残差校正；②对每个生物标志物以CN组数据拟合年龄线性回归模型，计算校正Z-score；③采用SuStaIn线性Z-score模型推断亚型和病程，使用Goldilocks框架确定各生物标志物的事件阈值范围（Zmin和Zmax），通过10折交叉验证和交叉验证信息准则（CVIC）优化模型复杂度，并结合位置方差图（PVD）确定最优亚型数量；④构建三组不同输入特征组合的SuStaIn模型——仅NPS评分、仅MRI+CSF、以及由两者中早期事件且低位置方差生物标志物组合而成的“最佳生物标志物”（bBMK）多模态模型；⑤使用四种机器学习算法（多变量逻辑回归、随机森林、LightGBM、TabPFN）训练AD转化预测模型，采用嵌套交叉验证和SMOTE过采样处理类别不平衡，以AUC、准确率、召回率等指标评估性能。
## 三、主要研究结果
### 3.1 SuStaIn识别出MCI患者的多种多模态亚型和时空轨迹
基于NPS输入特征，研究识别出2个亚型，共85名患者被分类为Stage 0。基于MRI+CSF输入特征，识别出3个亚型：早期脑室扩大型（N=189）、早期p-Tau型（N=140）和早期皮层下萎缩型（N=121），另有108名患者为Stage 0。当整合多模态bBMK模型时，识别出4个亚型，70名患者为Stage 0：①典型阿尔茨海默型（Typical Alzheimer, N=151），早期出现Aβ1-42、p-TAU和RAVLT遗忘异常；②脑室扩大型（Ventricular, N=156），以早期脑室扩大为特征；③早期萎缩型（Early Atrophy, N=88），早期皮层下体积改变先于Aβ1-42变化；④抑郁型（Depressive, N=93），以早期GDTOTAL和BNT异常为主。各亚型与NPS模型的对应关系较弱（最大Jaccard系数0.24），与MRI+CSF模型的对应关系更为密切。
### 3.2 不同SuStaIn亚型具有独特的临床和生物标志物特征
与Stage 0组相比，典型阿尔茨海默型表现出显著更高的p-Tau水平（40.61±15.51 vs 20.0±5.74）、更高的APOE ε4携带率（76.2% vs 18.6%，OR=14.01）、更低的海马和皮层体积，且两年转化率达35.7%，比Stage 0组风险高16.7倍。脑室扩大型呈现广泛 neurodegeneration，所有区域体积显著减少，但p-Tau未升高，APOE ε4携带率较低（46.8%），且以男性为主（79.5%）。早期萎缩型同样具有高转化风险（35.7%两年转化率，风险为Stage 0的15.8倍），APOE ε4携带率较低（43.2%），年龄较大（75.38岁），语言测试（CATANIMSC和BNTTOTAL）受损严重。抑郁型与Stage 0在多数认知和体积指标上无显著差异，但Aβ1-42显著降低（1180.95 vs 1882.1），GDTOTAL评分显著升高（3.9 vs 0.84），其两年转化率为22.8%，低于典型阿尔茨海默型和早期萎缩型，但仍显著高于Stage 0组（OR=8.41）。
### 3.3 亚型和病程特征对AD转化预测的影响
由于一年随访的转化率仅13.6%，且F1-score不稳定，研究将预测分析限定于两年随访。在四种机器学习算法中，LightGBM获得最佳AUC和准确率。以仅含个体生物标志物的多模态模型（bBMK）表现最佳（AUC 0.865，准确率0.810），显著优于单模态模型。在完整多模态特征上添加SuStaIn亚型标签未带来显著提升（ΔAUC ?0.011，p=0.406）；同时添加亚型和病程则显著降低性能（AUC降至0.788，p=0.0005）。唯一例外是NPS特征类，添加亚型后AUC显著改善（0.776→0.825，p=0.0195）。值得注意的是，仅使用MRI+CSF SuStaIn模型导出的亚型和病程两个变量时，AUC达0.811，召回率最高（0.867），与完整16特征bBMK模型在统计学上无显著差异（DeLong p=0.245；McNemar p=0.117），表明SuStaIn能够将多模态生物标志物信息压缩为两个直观可解释的变量而不显著损失预后信息。
### 3.4 生物标志物重要性分析
SHAP分析显示，在最佳LightGBM模型中，AVTOTAL和海马体积对预测贡献最大。较低的AVTOTAL和Aβ1-42水平与MCI转化高风险相关，而较高的海马体积和p-tau水平与非转化者相关。TRABSCOR和p-TAU的高值也驱动阳性预测。整体上，CSF和MRI生物标志物（尤其AVTOTAL、海马体积、Aβ1-42、p-TAU、TRABSCOR）是模型最重要的预测因子，反映了认知下降和生物标志物异常的模式。
## 四、讨论与结论
本研究表明，MCI是异质性疾病，存在四种由多模态数据定义的生物学亚型，其中两种（典型阿尔茨海默型和早期萎缩型）与较高的AD转化风险相关，另外两种分别由脑室扩大（脑室型）和抑郁症状（抑郁型）特征化。SuStaIn算法通过整合NPS、MRI和CSF数据，揭示了具有生物学意义的亚型和病程阶段，改善了亚型分类和预测准确性。研究人员提出的bBMK模型（结合RAVLT_forgetting、GDTOTAL、BNTTOTAL、p-TAU、Aβ1-42、脑室和皮层下体积）优于单模态方法。预测性能主要由输入特征类别驱动；虽然SuStaIn标签在完整多模态特征基础上未带来增量准确性，但MRI+CSF来源的亚型和病程两变量能够压缩预后信息至与16特征完整模型无显著差异的水平，在实际应用中具有简明性和可解释性优势。研究局限性包括Z-score标准化依赖于特定对照组分布、使用聚合体积而非区域分割、ADNI队列的教育和种族偏差、严格筛选导致的样本选择性偏倚、缺乏血浆生物标志物及两年以上长期随访。未来研究应纵向验证亚型，纳入更多模态特征（如dMRI、灌注MRI、领域特异性神经心理测验），并在多样化队列中开展临床转化验证。总体而言，这一数据驱动的分层框架为AD连续谱中的早期干预和个体化治疗提供了更精细的工具。
