Tau-CTFP: A connectome-informed continuous-time first-passage model for forecasting the onset of regional tau PET abnormality
本文介绍了 Tau-CTFP，这是一种结合了连接组信息的连续时间首次到达模型，通过整合常模评分、网络暴露度和适应性易感性，能够准确预测阿尔茨海默病中个体化区域性 tau PET 异常的发生时间，从而优于现有的进展模型，以支持针对性的监测与治疗。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
阿尔茨海默病是一种大脑功能逐渐丧失的疾病，这一过程是由两种特定类型的有害蛋白质堆积所驱动的。一种是淀粉样蛋白（amyloid），它会形成粘性的团块；另一种是 Tau 蛋白，它会在脑细胞内扭曲成缠结。虽然淀粉样蛋白通常先出现，但 Tau 蛋白的扩散与记忆和思维能力的丧失关联最为紧密。科学家们早已知晓 Tau 蛋白并非在所有地方同时出现，而是遵循一条可识别的路径，按照因人而异的序列从一个脑区移动到另一个脑区。这种不均匀的扩散使得准确预测个体患者下一步受攻击的确切位置变得十分困难。了解这种未来的运动至关重要，因为这可以帮助医生更密切地监测疾病，甚至能在特定脑区受损前测试针对这些区域的治疗方法。
一个研究小组开发出了一种预测这种运动的新方法，创建了一个类似于大脑脆弱性“天气预报图”的模型。他们将该系统称为 Tau-CTFP。该模型并不试图预测蛋白质积累的确切量，而是专注于一个更简单、更关键的问题：目前健康的特定脑区，在不久的将来最有可能出现 Tau 蛋白异常的迹象？为了回答这个问题，研究人员分析了参加“阿尔茨海默病神经影像学计划”的数百名受试者的数据。他们观察了随时间变化的成对脑部扫描图像，追踪了数十个不同脑区中 Tau 水平的变化。该模型通过学习这些模式，结合了三个关键信息：每个区域当前的 Tau 水平、该区域与已患病区域的连接程度，以及对每个特定区域易感性的学习感知。
研究人员通过测试模型是否能正确识别在下次扫描时会变得异常的脑区，对其进行了验证。他们将模型的预测结果与科学家们用于追踪疾病进展的其他几种方法进行了对比。结果非常明确：新模型在精准定位正确位置方面表现得显著更好。当研究人员要求模型选出最可能出现新损伤的单个区域时，其 AUC（曲线下面积）达到了 0.6。相比之下，仅仅基于哪些区域靠近危险区域进行猜测，其正确率仅为 46% 左右。如果允许模型选择其前五个最可能的区域，它能捕捉到实际发生的所有新损伤中的一半以上。即使是在记忆力丧失早期阶段的人群中（这一群体预测未来极其困难），这种准确性依然成立。
这种方法的强大之处在于，它不仅是猜测一个点，还能估算可能出现的总损伤量。该模型考虑到了脑区并非孤立失效的事实。如果一个区域受到攻击，会增加与之相连的区域紧随其后的可能性。通过对这种连接性的建模，该系统可以提供一系列可能性，不仅告诉医生应该观察哪里，还告诉他们新损伤会有多广泛。这有助于区分“仅有少数点受影响”与“疾病可能广泛扩散”这两种情景。研究人员发现，加入这种区域间的连接感，使得他们对总损伤量的预测比那些将每个脑区视为独立事件的方法要可靠得多。
该研究还探讨了加入关于淀粉样斑块或其他患者细节的信息是否会改善预测效果。他们发现，该模型仅使用 Tau 水平及大脑连接图时效果最好。虽然淀粉样蛋白是已知的疾病驱动因素，但 Tau 蛋白扩散的特定模式和大脑的布线结构足以在不需要额外数据的情况下做出准确预测。这表明，Tau 蛋白的运动具有其自身的内在逻辑，可以直接从大脑的结构和当前状态中解码。该模型甚至能为那些只有一次扫描记录的人进行预测，而这种情况在临床实践中非常普遍，因为之前的记录可能会缺失。
这些发现为理解阿尔茨海默病的进展提供了一个新工具。通过在脑区显示出明显损伤迹象之前识别出最脆弱的区域，该模型可以帮助研究人员设计更好的临床试验。例如，如果一种新疗法旨在保护特定的脑区，该模型可以帮助选择合适的患者和治疗目标。它还可以指导个体化监测，让医生能够将注意力集中在未来几个月内最可能发生变化的脑区部分。虽然该模型并非能完美预测未来的“水晶球”，但它提供了一种统计学上可靠的方法来预判疾病下一步的走向，将一个复杂的生物过程转化为一组可以指导未来研究与护理的可控概率。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。