背景：阿尔茨海默病(AD)的个体临床认知评估(CCA)可提供广泛的疾病分层，但在敏感性和特异性方面存在局限，需要整合多种CCA以实现最佳疾病分期。我们实验室的近期研究表明，神经代谢和血管调节障碍(MVD)在AD早期即已发生，在临床症状出现之前，并且可能比单独使用CCA提供更高的敏感性和特异性。在本研究中，我们将三种广泛接受的CCA与MVD读数相结合，并在AD谱系上开发了一种多模态集成机器学习方法来预测疾病阶段和分级。
方法：从阿尔茨海默病神经影像学倡议(ADNI)数据库分析了372名跨越疾病谱系的AD受试者，其影像数据(正电子发射断层扫描PET:18F-FDG，磁共振成像MRI:T1w, T2 FLAIR, ASL)和临床认知评估(ADAS-Cog, CDR, MoCA)数据可用。影像数据注册到MNI152+标准空间，相对于认知正常对照组进行z分数标准化，并处理MVD指标。开发了一种临床集富集分析(CSEA)，将区域脑变化与CCA评分相关联，将变化映射到功能类别，将其投影到3D笛卡尔空间，并模拟轨迹，从而揭示易受伤害区域和具有韧性的区域。此外，采用集成机器学习方法进行疾病阶段分类，并开发了一种跨越AD谱系的疾病分级方案，以进一步在疾病阶段内进行分层。
研究发现：区域数据遵循基于CSEA评分分层的AD阶段的MVD模式。女性在每个区域内沿CCA轴显示出更大的阶段分离，表明疾病进展更快。此外，易受伤害脑区域(例如，中颞回和下颞回、杏仁核)的进展与更长的疾病路径长度相关，而具有韧性的脑区域(缘上回)的进展则不然。此外，我们的分类和分级方法可以独立于淀粉样蛋白β和tau蛋白，以高精度和准确性预测AD阶段和分级。
解释：本研究开发了一个框架，用于评估AD谱系上MVD和CCA的变化，从而区分易受伤害区域和具有韧性的脑区域。识别了不同的疾病轨迹，并提出了一种新的数据驱动分级方案，以突出精准医学和治疗评估的潜力。
资助：美国国立卫生研究院(NIH) T32AG071444
竞争利益声明：作者声明不存在竞争利益。
资助信息：美国国立卫生研究院(NIH), T32AG071444
【全文结束】
