基于认知、脑脊液和 PET 生物标志物的 ADNI 队列诊断分类：横断面与纵向变异性

《Brain Communications》：Diagnostic classifications based on cognitive, CSF, and PET biomarkers across ADNI cohorts: cross-sectional and longitudinal variability

　　

摘要

阿尔茨海默病及相关神经退行性疾病表现出显著的临床生物学异质性，给准确诊断、预后和治疗开发带来了挑战。利用阿尔茨海默病神经影像学倡议（ADNI）多个队列的数据，我们对痴呆严重程度、脑脊液（CSF）以及 PET 淀粉样蛋白和 tau 进行了全面的横断面和纵向一致性分析。我们还考察了生物标志物阳性状态和认知状态（稳定、进展、逆转和波动）的稳定性及其相互关系。区分方法学变异性与生物学变异来源的能力，对于理解淀粉样蛋白/tau/神经退行性变分类框架的稳健性具有重要意义，这在疾病修饰疗法时代尤为关键。

我们的数据揭示了用于分类认知障碍水平的变量之间，以及用于分类淀粉样蛋白或 tau 阳性状态（CSF/PET）的方法之间存在时间和空间上的差异。区域特定定义、阳性阈值和分割约束中的方法学差异导致了 PET 结果的不一致。此外，CSF 和 PET 阳性的生物标志物状态随时间波动，且 CSF 或 PET 均无时间先证证据。tau-PET 模式存在显著时空异质性，这对临床轨迹有影响。与非边缘性颞顶区相比，内嗅皮层初始 tau 沉积与更快的认知下降和更大的淀粉样蛋白负担相关。值得注意的是，一部分轻度认知障碍病例表现出向认知正常状态的诊断逆转，并显示出较低的淀粉样蛋白和 tau 负担以及更高的情感症状患病率，这可能代表没有或处于阿尔茨海默病理早期阶段的个体。结果强调了阿尔茨海默病表型和进展的复杂性和变异性，并为当前的诊断框架提供了乐观的视角。识别生物标志物中的变异来源，在诊断依赖单一生物标志物或横断面数据时尤为重要。更重要的是，鉴于导致痴呆和认知下降的因素之间存在复杂相互作用，需要基于深度学习和人工智能的算法来进行精确和个体化诊断。此类机器学习模型的有效性需要具有明确定义变量且不排除非典型病例的协调化和标准化数据集。因此，调查阿尔茨海默病生物标志物的异质性对于最大化人工智能在整合多维度临床和生物标志物数据方面的潜力至关重要，这超越了以人为中心的解释。在这项综合工作中，我们提供了对观察到的异质性及其潜在促成因素的见解。我们的目标是利用这些见解，并通过协调冲突数据、使其适用于诊断算法，并在不久的将来分享协调后的数据集来继续这一努力。

图文摘要

在新标签页中打开下载幻灯片