《GeroScience》:Age-adjusted neurofilament light chain cutoffs for diagnosing neurodegenerative dementia: a two-threshold machine learning approach
编辑推荐:
由于神经丝轻链(NfL)缺乏可靠的截断值以及年龄等混杂因素的影响,其临床实施仍面临挑战。本研究旨在开发一种基于年龄调整的双阈值分类框架,以支持神经退行性痴呆诊断中NfL的临床判读。研究人员回顾性纳入伴有认知/行为障碍的受试者及认知未受损对照者(CTR)。参与者
由于神经丝轻链(NfL)缺乏可靠的截断值以及年龄等混杂因素的影响,其临床实施仍面临挑战。本研究旨在开发一种基于年龄调整的双阈值分类框架,以支持神经退行性痴呆诊断中NfL的临床判读。研究人员回顾性纳入伴有认知/行为障碍的受试者及认知未受损对照者(CTR)。参与者接受了基线诊断检查,包括神经心理学评估、血液检测、脑脊液(CSF)和血清NfL测量及MRI,并进行了为期2年的随访。随访后,受试者被诊断为神经退行性痴呆[阿尔茨海默病(AD)、额颞叶痴呆(FTD)或路易体痴呆(LBD)]或非神经退行性疾病[其他病因(OE)]。AD、FTD和LBD被归为神经退行性组(NDG),而OE和CTR被归为非神经退行性组(non-NDG)。贝叶斯回归模型评估了年龄、病程、肾功能和性别对NfL的影响。采用加权支持向量机(SVM)结合留一法交叉验证,定义了基于年龄调整的截断值,该策略设定灵敏度≥85%并限制中间区域比例。研究共纳入217名受试者(158名NDG,59名non-NDG)。血清和CSF NfL水平在NDG组中显著升高。年龄显著增加了NfL水平,尤其在血清中,70岁后诊断区分度下降。基于SVM的模型应用于CSF NfL,定义了连续的、基于年龄调整的双阈值截断值,识别出了低风险、高风险和中间区域。该CSF NfL框架提供了一种面向临床的决策支持工具,用于在认知神经病学环境中分层潜在的神经退行性风险并指导诊断流程,但仍需外部验证。
论文解读:基于年龄调整的双阈值NfL模型在神经退行性痴呆诊断中的应用
研究背景与意义
神经丝轻链(Neurofilament Light Chain, NfL)作为一种神经元特异性胞骨架蛋白,是轴突损伤和神经退行性变的通用生物标志物。尽管其在阿尔茨海默病(AD)、额颞叶痴呆(FTD)及路易体痴呆(LBD)等多种神经退行性痴呆中表现出重要的诊断和监测价值,但其临床应用长期受限于两大瓶颈:一是缺乏统一的参考区间,二是受年龄等生理因素干扰显著。现有研究多采用基于固定年龄段划分的截断值,难以精确反映NfL随年龄增长的连续变化特征。此外,血清NfL在老年群体中与疾病状态的区分度下降,进一步限制了其应用。为此,来自意大利摩德纳大学的研究团队在《GeroScience》发表了一项研究,旨在通过机器学习方法构建一种基于年龄调整的双阈值分类框架,以优化CSF NfL在临床诊断中的判读逻辑。
关键技术方法概述
研究人员回顾性纳入了2009年至2023年间就诊于摩德纳大学医院认知神经科的患者。研究队列分为神经退行性组(NDG,包括AD、FTD、LBD)和非神经退行性组(non-NDG,包括其他病因OE及认知未受损对照CTR)。所有参与者均完成了包含神经心理学评估、血液生化、CSF及血清NfL检测在内的基线检查和至少2年的临床随访。NfL定量采用Ella?微流控免疫分析法。统计分析方面,首先利用贝叶斯回归模型量化年龄、性别、病程及肌酐对NfL的影响;随后采用加权支持向量机(SVM)算法结合留一法交叉验证(LOO-CV),建立了以灵敏度≥85%为约束条件的双阈值分类模型,并通过Bootstrap重采样计算置信区间。
研究结果详解
样本特征与分组
研究最终纳入217名个体,其中NDG组158人,non-NDG组59人。结果显示,NDG组的CSF和血清NfL中位数浓度均显著高于non-NDG组。在亚组分析中,AD和FTD患者的NfL水平显著高于OE和CTR,而FTD患者的数值虽高于AD,但未达统计学显著性。这表明NfL能够有效区分神经退行性疾病与非神经退行性病变。
NfL水平的组间比较
贝叶斯回归模型揭示了关键规律:在两种生物流体中,NfL水平均与年龄呈正相关,且与诊断状态(NDG vs non-NDG)密切相关。相比之下,病程、肌酐水平和性别对NfL的影响极小。更重要的是,血清NfL的年龄效应在non-NDG组中更为陡峭,导致70岁以后两组预测轨迹发生重叠,使得血清难以定义有效的年龄依赖性截断值。而CSF NfL的轨迹在整个年龄范围内均保持良好分离,因此后续建模工作聚焦于CSF数据。
年龄依赖性截断值的确立
基于加权SVM模型,研究人员成功推导出了CSF NfL的年龄依赖性双阈值。该模型在交叉验证中实现了92.8%的特异性和85.6%的灵敏度,并将22.5%的受试者归类为中间区域。这一双阈值策略定义了三个临床决策区:低风险区(绿色)、高风险区(红色)和灰色中间区。中间区的设立旨在减少单一阈值带来的误判,建议对处于此区间的患者进行进一步的临床评估或纵向随访。敏感性分析表明,即使在45至75岁的中龄段,该模型性能依然稳健。此外,研究人员还利用已发表的转换公式,初步探讨了将该模型应用于Lumipulse?平台的可能性。
结论与讨论总结
该研究成功构建并验证了一种针对CSF NfL的年龄适应性分类模型。通过引入连续的年龄调整阈值和机器学习框架,研究人员解决了传统固定截断值无法适应老龄化生理变化的难题。讨论部分指出,虽然NfL是一种非特异性标志物,但其核心价值在于识别是否存在潜在的神经退行性过程,而非区分具体亚型。双阈值策略的引入模拟了临床决策的概率性特征,有助于优化诊断流程和资源分配。值得注意的是,本研究强调了CSF NfL在老年患者中的优势,提示血清NfL在高级年龄段的诊断效能可能受限。尽管该研究受限于单中心回顾性设计和样本量不平衡等因素,且尚未进行多平台验证,但它为NfL的临床标准化应用提供了重要的方法论参考,并为未来的前瞻性多中心研究奠定了基础。