AI驱动的多模态数据融合用于阿尔茨海默病生物标志物评估AI-driven fusion of multimodal data for Alzheimer's disease ...

研究突破

阿尔茨海默病（AD）的传统诊断依赖正电子发射断层扫描（PET）检测β淀粉样蛋白斑块和tau蛋白缠结，但影像学检查成本高昂且可及性有限。本研究团队开发的新型计算框架，通过整合A4、NACC、ADNI等七大数据集，采用随机特征掩码技术处理缺失数据，构建了全球首个联合预测β淀粉样蛋白和tau病理负荷的AI模型。

模型在外部验证集中表现优异：受试者工作特征曲线下面积（AUROC）达到0.79（β淀粉样蛋白）和0.84（tau蛋白），且预测结果与生物标志物梯度（如ADAS-Cog13评分）、尸检病理分级显著相关。通过Shapley值分析，模型识别的脑区体积特征与tau蛋白沉积的空间模式高度吻合，尤其在内侧颞叶（AMI=0.219）和外侧颞叶（AMI=0.176）具有显著一致性。

技术创新

本研究的突破性在于：

1. 多任务学习框架：首次同时预测全局和区域tau蛋白负荷，解决了既往研究孤立分析β淀粉样蛋白或tau蛋白的局限性
2. 抗缺失数据能力：通过随机特征掩码策略，在72%特征缺失的HABS数据集中仍保持0.74 AUROC性能
3. 可解释性增强：利用Shapley值量化特征贡献度，发现神经心理学量表（如CDR评分）对tau预测的影响权重达0.53

对比实验显示，该模型相比CatBoost在tau蛋白预测上具有更高的平均精度（0.60 vs 0.53），且能准确区分A-T-（无病理）到A+NEO+（新皮质受累）的疾病分期（Kruskal-Wallis H=180.73）。

临床价值

模型应用可显著提升临床试验效率：

• 通过负预测值（NPV）75.35%可排除587例不必要的β淀粉样蛋白PET检查
• 阳性预测值（PPV）62.05%可优先安排654例高风险人群进行PET验证

在TRAILBLAZER-ALZ 2临床试验框架下，模型对tau蛋白负荷的分级预测可优化抗淀粉样蛋白疗法的疗效评估，特别是在低tau负荷组（meta-*τ SUVr<1.37）显示更高治疗响应率。

研究团队计划进一步优化模型在混合痴呆诊断中的表现，当前模型在非裔美国人等少数族裔的泛化能力仍需验证。研究已开源代码（

【全文结束】