基于血液數字生物標志物的機器學(xué)習模型在阿爾茨海默病診斷中的開(kāi)發(fā)與驗證：一項多隊列診斷研究
【亮點(diǎn)】：
由中南大學(xué)湘雅醫院神經(jīng)內科沈璐教授和東北大學(xué)信息科學(xué)與工程學(xué)院李志剛副教授為論文共同通訊發(fā)表了對AD早期篩查和診斷的血漿數字化診斷模型的研究。首次揭示血液光譜特征與阿爾茨海默?。ˋD）病理機制的內在關(guān)聯(lián)，為AD的早期篩查和診斷提供有價(jià)值的支持。
1、利用血漿光譜數據開(kāi)發(fā)了低成本、便捷的基于機器學(xué)習的數字生物標志物（MLDB）；
2、MLDB在區分AD和HC的AUC為0.92，靈敏度與特異性分別達88.2%和84.1%；對MCI患者的識別能力達AUC 0.89；鑒別AD與DLB、FTD、PSP等神經(jīng)退行性疾病的AUC分別達到0.83、0.80和0.93；
3、通過(guò)單分子免疫檢測技術(shù)驗證，血漿p-tau217、GFAP等生物標志物與特定光譜特征存在顯著(zhù)負相關(guān)。
【摘要】：
背景——阿爾茨海默?。ˋD）涉及復雜的生物通路改變，因此全面的血液生物標志物檢測對準確和早期診斷至關(guān)重要。然而，使用血液生物標志物進(jìn)行診斷的成本效益和操作復雜性極大地限制了其在臨床實(shí)踐中的應用。
方法——我們利用血漿光譜數據開(kāi)發(fā)了低成本、便捷的基于機器學(xué)習的數字生物標志物（MLDB），用于從健康對照（HC）中檢測出AD患者或輕度認知障礙（MCI）患者，并將AD與不同類(lèi)型的神經(jīng)退行性疾病區分開(kāi)來(lái)。研究人員在2017年7月至2023年8月期間收集了1324名患者的回顧性數據，其中包括293名淀粉樣蛋白β陽(yáng)性AD患者、151名輕度認知障礙（MCI）患者、106名路易體癡呆（DLB）患者、106名額顳葉癡呆（FTD）患者、135名進(jìn)行性核上性麻痹（PSP）患者和533名健康對照者（HCs）。
研究結果——采用隨機森林分類(lèi)模型和特征選擇程序來(lái)篩選數字生物標志物。MLDB的曲線(xiàn)下面積（AUC）分別為0.92（AD和HC，靈敏度88.2%，特異度84.1%）、0.89（MCI和HC，靈敏度88.8%，特異度86.4%）、0.83（AD和DLB，靈敏度77.2%，特異度74.6%）、0.80（AD和FTD，靈敏度74.2%，特異度72.4%）和0.93（AD和PSP，靈敏度76.1%，特異度75.7%）。區分AD和HC的數字生物標志物與血漿p-tau217（r = -0.22，p < 0.05）和神經(jīng)膠質(zhì)纖維酸性蛋白（GFAP）（r = -0.09，p < 0.05）呈負相關(guān)。
釋義——衰減全反射-傅立葉變換紅外（ATR-FTIR）血漿光譜特征可識別AD相關(guān)的病理變化。這些光譜特征可作為數字生物標志物，為AD的早期篩查和診斷提供有價(jià)值的支持。
