基于基线淀粉样蛋白分布与认知韧性预测阿尔茨海默病淀粉样蛋白转化的生存机器学习模型

《npj Dementia》：Predicting future amyloid conversion: the role of baseline amyloid distribution, genetic and cognitive resilience

　　本研究针对阿尔茨海默病（AD）早期诊断中淀粉样蛋白β（Aβ）转化时间预测的难题，通过生存机器学习模型分析ADNI队列的纵向Aβ PET数据，发现额顶叶和纹状体区域（特别是喙部/尾部额中回）的基线Aβ负荷、APOE4纯合子状态及较低基线认知表现可显著预测Aβ转化速度（C-index=0.845）。该研究为AD早期干预提供了精准的时间动态预测工具，对个体化风险评估和临床试验分层具有重要价值。

　　

随着全球人口老龄化加剧，阿尔茨海默病（Alzheimer's Disease, AD）已成为威胁老年人健康的重大公共卫生问题。这种神经退行性疾病的核心病理特征之一——淀粉样蛋白β（Aβ）在大脑中的异常沉积，往往在认知症状出现前十余年就已悄然启动。然而，如何精准预测个体从Aβ阴性状态转化为阳性状态的时间节点，一直是临床实践中的难点。传统诊断方法往往在患者出现明显认知障碍时才介入，错失了最佳干预时机。

为了攻克这一难题，斯坦福大学精神病学与行为科学系的Amirali Vahid、Jafar Zamani和SM Hadi Hosseini团队开展了一项创新研究，通过整合纵向神经影像数据与先进机器学习算法，成功构建了能够预测Aβ转化时间动态的生存模型。这项发表于《npj Dementia》的重要工作，为AD的早期预警系统提供了新的技术路径。

研究团队从阿尔茨海默病神经影像倡议（ADNI）数据库中筛选了467名基线Aβ阴性的老年人，其中87人在随访期间转化为Aβ阳性。通过生存XGBoost模型分析，研究人员发现模型预测性能优异（C-index=0.845），显著优于传统方法。

关键技术方法包括：利用ADNI队列的纵向Aβ PET影像数据（18F-AV-45示踪剂），采用生存机器学习模型（Survival XGBoost）处理删失数据，结合SHAP（SHapley Additive exPlanations）进行特征重要性分析，并通过Kaplan-Meier估计描述生存概率。

样本描述

研究人群平均年龄71.9±7.5岁，APOE4纯合子携带者在转化者中比例显著更高（41.4% vs 17.4%），基线全球Aβ标准化摄取值比率（SUVR）在转化组显著更高（1.051±0.044 vs 0.999±0.052）。

区域Aβ负荷与认知测试分数对Aβ状态转化时间的关联

相关性分析显示，喙部额中回（r=-0.367）、尾部额中回（r=-0.365）和顶下小叶（r=-0.354）的基线Aβ负荷与转化时间呈显著负相关，表明这些区域较高的Aβ沉积预示着更快的转化速度。在认知测试中，仅有PACC Digit分数与转化时间显著正相关（r=0.312），提示基线认知功能较好的个体转化时间较晚。

使用机器学习生存模型预测Aβ状态转化

SHAP特征重要性分析揭示，楔前叶、顶下小叶等默认模式网络（Default Mode Network, DMN）区域以及喙部额中回、尾状核和苍白球等额顶叶-纹状体通路是预测Aβ转化时间的关键区域。

Kaplan-Meier估计分析

KM分析显示，保持Aβ阴性状态的中位生存时间为4.06年。APOE4纯合子携带者的转化时间显著短于杂合子携带者和非携带者，而性别间无显著差异。

研究结论表明，Aβ积累不仅涉及DMN区域，还扩展到前额叶-纹状体通路，凸显了AD病理的多因素特性。较高的基线认知表现（特别是处理速度和工作记忆）可能通过认知韧性机制延缓Aβ转化，这为针对认知保护策略的早期干预提供了理论依据。该生存机器学习框架能够整合多维度生物标志物，实现个体化AD风险预测，为临床实践中的精准医疗开辟了新途径。