阿尔茨海默病（AD）是一种常见的神经退行性疾病，发病途径复杂且不明确，前驱期很长。阿尔茨海默病具有渐进性和不可逆的特点，因此需要检测痴呆症发生前几十年大脑的早期变化。根据 NIA-AA 2018 框架，对淀粉样蛋白、tau 和神经变性（ATN）生物标志物的研究侧重于通过β-淀粉样蛋白（Aβ）和 Tau 蛋白的累积来追踪 AD 的进展。因此，早期识别Aβ水平异常的个体至关重要。

目前，Aβ通常通过正电子发射断层扫描（PET）和脑脊液（CSF）的定量分析，但上述两种检查具有创伤性且费用昂贵。为此，来自东芬兰大学A.I. Virtanen 分子科学研究所的学者提出了一种机器学习框架，利用标准的非侵入性（核磁共振成像、人口统计学、APOE、神经心理学）测量方法来预测未来 Aβ阴性个体未来Aβ -阳性的风险。本研究分别使用PET和CSF来检测Aβ的阳性率。

结果显示，经交叉验证，基于 CSF 的 4 年 Aβ转换预测的 AUC 分别为 0.78 和 0.68。定义的Aβ 基于 CSF 的模型虽然没有经过临床状态变化预测训练，但在预测认知正常/MCI 患者未来的轻度认知障碍 (MCI) / 痴呆转换方面表现出色（在单独数据集上的 AUC 分别为 0.76 和 0.89）。同时，预测未来 Aβ42 的平均相关度为 0.45（95% CI 为 0.37-0.53），预测未来整体 SUVR 的平均相关度为 0.40（95% CI 为 0.31-0.49），与所有人口统计学指标、APOE4、神经心理学测试结果和 MRI 生物标志物相关。

在基于 PET 的模型中，主要的贡献因素是 APOE4 和年龄，而在基于 CSF 的模型中，来自不同数据类型的几个变量都有显著贡献，其中 APOE4 的贡献最大，其次是脑室容积和 TRABSCORE（路径制作测试 B 部分）。

综上，标准测量在检测未来Aβ -阳性和评估转换风险方面具有潜力，即使是认知正常的人也是如此。同时，本研究还证明了基于 CSF 的定义比基于 PET 的定义预测效果更好。

 

参考文献：

Moradi, E., Prakash, M., Hall, A. et al. Machine learning prediction of future amyloid beta positivity in amyloid-negative individuals. Alz Res Therapy 16, 46 (2024). https://doi.org/10.1186/s13195-024-01415-w

Tags： ART：通过机器学习预测淀粉样蛋白阴性个体未来的Aβ阳性率