Neurology：突破自动算法局限！阿尔茨海默病 tau-PET 视觉分型可快速识别 4 种亚型，预测疾病进展

阿尔茨海默病（AD）是全球最常见的神经退行性疾病，主要表现为进行性认知障碍，严重影响患者生活质量。近年来，随着神经影像技术的发展，tau蛋白的异常积累被认为是AD发病机制中的核心病理标志之一。通过正电子发射断层扫描（PET）技术，尤其是使用18F-Flortaucipir这一特异性放射性示踪剂，研究者能够直观观察大脑中tau蛋白的分布与负荷情况。 然而，tau蛋白积累模式在不同患者中存在显著的空间和时间变异性，为临床诊断和治疗带来了挑战。

近期，研究者采用亚型及阶段演进算法（SuStaIn）区分出了4种不同的tau蛋白积累轨迹，分别是边缘型（S1）、内侧颞叶保护型（S2）、后部型（S3）和外侧颞叶型（S4）。这些亚型不仅在病理特征上异质性明显，也对应着不同的临床表现和认知衰退轨迹。

虽然SuStaIn算法为理解AD的异质性提供了理论基础，但其复杂的计算过程限制了在普通临床环境中的应用。为推动tau亚型的临床转化，研究团队致力于开发一种标准化的视觉分型方法，通过对tau-PET影像的直观解读，帮助临床医生快速准确识别不同亚型，指导个性化诊疗策略。

研究人员纳入了日内瓦大学医院记忆门诊的245名参与者，涵盖从认知正常到轻度认知障碍及轻度痴呆的患者群体。入组标准为：在1年内至少完成1次18F-Flortaucipir tau-PET扫描和1次简易精神状态检查（MMSE）。部分患者还接受了淀粉样蛋白PET扫描及临床随访。 所有tau-PET影像首先由训练有素的影像学专家进行视觉评分，依据上述4种亚型标准进行分类。同时，团队利用SuStaIn算法对同一批影像进行自动分类。通过Cohen's κ系数评估视觉评分者间及视觉评分与自动评分之间的一致性。为了探讨不同亚型患者的临床特征及认知轨迹，采用卡方检验、Kruskal-Wallis检验及线性混合效应模型，控制年龄、性别、临床和tau阶段影响。

图：视觉解译法

结果显示，视觉分型在评估者之间表现出高度一致性（κ > 0.65，p < 0.001），显示出良好的可重复性。而视觉分型与自动算法间一致性为中等水平（κ = 0.39，p < 0.001），自动方法倾向将部分影像归类为tau阴性。值得注意的是，在病情较重及AD临床变异型患者中，两种方法的一致性降低，反映出疾病异质性的复杂性。

图：视觉与自动分类

通过视觉分型发现，S2亚型患者年龄较轻，MMSE和语言流畅性测试成绩低于S1和S4组，且全脑tau负荷最高，认知衰退速度最快。其他亚型的患者则表现出不同程度的认知和病理负担差异，提示不同tau亚型对应不同的疾病进展路径和预后。

总之，本研究验证了基于tau-PET的视觉分型方法在临床环境中的可行性和实用性。通过快速直观的影像解读，医生能够识别高风险的AD亚型，预测疾病进展，进而制定个性化的诊疗方案。相比复杂的自动算法，视觉方法更易于推广应用，降低临床使用门槛。 然而，视觉分型仍存在一定主观性，且在疾病晚期及复杂亚型中识别难度较大，未来需要结合多模态影像及生物标志物进一步提升准确性。此外，随着疾病修饰性治疗的开发，精准识别tau亚型将为药物靶向治疗提供重要依据。

原始出处

Lyduine E. Collij,Emma M. Coomans,Are Tau-PET Subtypes Ready for Clinical Use? Putting Visual Reads to the Test, Neurology, 105, 7, (2025).doi/10.1212/WNL.0000000000214188

本文相关学术信息由梅斯医学提供，基于自主研发的人工智能学术机器人完成翻译后邀请临床医师进行再次校对。如有内容上的不准确请留言给我们。