基于常规生物标志物谱分解的 MCI 快速进展为阿尔茨海默病风险分层预测

《Alzheimer's Research & Therapy》：The E79 Alzheimer index: a spectral multimodal biomarker tool for stratification of rapid MCI-to-AD conversion

摘要

背景

识别出哪些轻度认知障碍（MCI）患者在24个月内会迅速发展为阿尔茨海默病（AD），对于判断患者是否适合接受抗淀粉样蛋白治疗、确定治疗强度以及预测病情预后具有直接意义。目前的机器学习方法在预测疾病转化方面具有较高的曲线下面积（AUC）值，但这些方法无法区分病情进展缓慢和迅速的患者，从而限制了其临床应用价值。因此需要一种根本不同的方法：一种能够针对病情迅速进展的亚型，并使用可解释的、常规的生物标志物作为输入的方法。

方法

我们应用谱分解技术对阿尔茨海默病神经影像学研究计划（ADNI）中607名MCI患者的10个常规多模态生物标志物（认知、功能、结构MRI和脑脊液）的\(10 \times 10\)皮尔逊相关矩阵进行了分析。特征分解揭示了两种与疾病相关的特征模式：E7（认知-功能不稳定性）和E9（结构-病理负担）。通过将个体生物标志物特征投影到MCI特征向量上，获得了受试者水平的E7和E9评分，这些评分被用作逻辑回归的输入。我们在一个分层的保留测试集（\(n = 122\)）上评估了模型的性能，并通过5折交叉验证进行了验证。模型性能与原始生物标志物方法和基于PCA的方法进行了对比，使用了DeLong的方法和Bonferroni校正。

结果

E79模型的AUC值为0.891（自助法95%置信区间：0.863-0.916），在保留测试集上的AUC值为0.862，5折交叉验证的AUC值为0.880。在90%的敏感度下，E79模型的阴性预测值（NPV）为95.4%，特异性为67.4%，高风险组（转化率为47.9%）与低风险组（转化率为0.6%）之间的风险富集比为80倍。E79模型在统计学上与原始生物标志物逻辑回归模型相当（AUC分别为0.862和0.859，p = 1.000），并且显著优于相同维度的基于PCA的压缩方法（AUC分别为0.862和0.840，p = 0.004）。该模型的主要局限性在于数据仅来自ADNI单一队列；随着后续研究的进展，计划在2026-2027年进行外部验证。

结论

通过对常规多模态生物标志物进行谱分解，我们发现了两种可解释的特征模式，这些模式仅使用基线临床数据就能将MCI向AD的快速转化情况进行分层，风险富集比达到80倍，阴性预测值（NPV）为95.4%，无需进行基因检测或高级成像。压缩的组织原则决定了模型的临床应用价值：基于疾病的谱分解方法在性能上优于相同维度的基于方差的PCA方法，同时能够实现生物标志物之间的对应关系。