🧠 neurology

Quantifying Uncertainty in Alzheimer's Disease Progression Modelling: A Variational Disease Progression Score Framework

本文引入了一种变分疾病进展评分框架，该框架利用多模态生物标志物和淀粉样蛋白级联假设，为阿尔茨海默病的进展生成具有生物学可解释性且经过不确定性量化的个体预后，并在 ADNI 队列上展示了高准确性和动态适应性。

原作者： Ngamsaowaros, T., Bodala, I., Michopoulou, S., Niranjan, M.

发布于 2026-08-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Ngamsaowaros, T., Bodala, I., Michopoulou, S., Niranjan, M.

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缓慢而无情的窃贼，它偷走了记忆与身份，但它对每个人的剥夺方式和速度并不尽相同。几十年来，医生们已经了解到该疾病遵循一个生物学序列：首先，被称为淀粉样蛋白（amyloid）和 Tau 蛋白的有毒蛋白质开始在脑中积累；随后，脑组织开始萎缩；最后，思维和日常功能出现衰退。然而，这一过程在每个人身上呈现出的方式各异。有些人可能在六十多岁时就显现出疾病迹象，而另一些人直到八十多岁才出现症状。有些人进展迅速，而另一些人则衰退缓慢。这种差异性使得预测特定个体的病情变得极其困难，尤其是当现有的医疗数据往往稀缺、收集时间不规律且缺失关键部分时。如果无法清晰地了解一个人处于这条无形时间轴上的哪个位置，就很难知道何时进行干预，或者如何设计能真正提供帮助的临床试验。

南安普顿大学的一个研究小组开发了一种绘制这一无形旅程的新方法。他们创建了一个计算机模型，该模型就像一把衡量该疾病的“通用尺子”，根据每个患者独特的生物学特征将其置于一条单一且连续的时间轴上。该模型并非通过观察单次测试结果来猜测患者的阶段，而是将年龄、遗传学、教育程度以及各种脑部扫描和血液检测结果交织在一起，以估算两个至关重要的指标：疾病可能在何时开始，以及它的进展速度如何。至关重要的是，该模型不仅仅给出一个单一的答案；它还会计算其答案的置信度，提供一个可能性的范围而非固定的预测。这种方法让医生不仅能看到患者今日的状况，还能在清晰理解不确定性的情况下，预测其未来的路径。

研究人员使用来自“阿尔茨海默病神经影像计划”（ADNI）的数据对该系统进行了测试，这是一个包含数百人信息的庞大公共数据库。他们将患者就诊时的基础信息（如年龄、性别、受教育年限以及一种已知会影响风险的特定遗传标记）输入模型。以此为起点，模型为每个人生成了一个个性化的疾病评分。值得注意的是，尽管模型从未被告知患者的诊断结果，但它成功地将他们归类到了正确的组别中。认知正常的人聚集在时间轴的一端，轻度受损者位于中间，而患有阿尔茨海默病的人则聚集在另一端。模型高精度地分离了这些群体，证明了它在没有被明确教授标签的情况下，已经学习到了疾病潜在的生物节律。

除了对患者进行分类外，该模型还重建了大脑不同部分受影响的顺序。它证实了既有的科学观点，即淀粉样蛋白的积累发生在前，随后是 Tau 蛋白的堆积，接着引发负责记忆的大脑区域萎缩，最后导致认知功能下降。模型甚至量化了各阶段对下一阶段的驱动强度。它发现，Tau 蛋白与大脑萎缩之间的联系最为紧密，而淀粉样蛋白与 Tau 蛋白之间的联系虽然较弱，但依然保持一致。这表明，虽然淀粉样蛋白可能是点燃火灾的“火星”，但 Tau 蛋白的扩散才是造成大脑组织最显著损伤的原因。

该框架最强大的功能之一是其随时间推移而不断改进的能力。在现实世界中，患者会进行随访，从而提供新的数据点。研究人员展示了随着新测量数据的进入，模型可以更新对特定个人的预测。它可以优化对疾病进展速度的估算，并缩小不确定性的范围。例如，如果一名患者最初的血液检测显示进展缓慢，但随后的脑部扫描显示大脑萎缩迅速，模型就会调整其预测，以反映这种更快的衰退。这种动态更新模拟了医生随着患者病情变化而修正诊断的过程——从基于人群的广泛猜测转向高度具体的个性化预后。

研究还揭示了不同因素如何影响疾病的速度和时机。研究人员发现，携带特定遗传变体（已知为 APOEε4）两个拷贝是疾病早期发作的最强预测因子。具有这种遗传特征的人被估算比没有该特征的人更早开始其疾病旅程。教育程度也发挥了作用，较高的教育水平与症状出现的延迟相关，这支持了“认知储备”可以在即便存在潜在疾病的情况下也能延迟问题显现的观点。有趣的是，模型显示衰退率并非对每个人都一样：在患者处于七十多岁中后期时，衰退速度往往最快，而在极高龄人群中，进展情况更具变异性且通常较慢。

尽管该模型表现出色，但研究人员也谨慎地指出了其局限性。该模型对认知测试和脑容量测量值的预测最为准确，但对于某些难以进行一致测量的流体生物标志物，其精确度较低。此外，该模型依赖于一个简化的疾病视图，假设存在单一的进展路径，这可能无法捕捉到阿尔茨海默病的每种亚型。再者，虽然它能根据当前数据预测未来，但尚未在研究组之外的完全不同的群体中进行测试。尽管存在这些限制，这项工作仍代表了向前迈出的重要一步。它将该领域从对疾病的静态快照转向了一种动态的、概率性的理解，并承认了其中的不确定性。通过提供一个能够追踪个人独特路径并在新信息到达时更新预测的工具，这一框架为未来管理阿尔茨海默病提供了更具现实意义且充满希望的基础。

技术摘要：量化阿尔茨海默病进展建模中的不确定性

问题陈述
预测个体患者的阿尔茨海默病（AD）进程受到疾病表现异质性和纵向临床数据稀疏性的阻碍。现有方法面临着一种权衡：经典的疾病进展评分（DPS）模型缺乏对生物标志物间关系的建模；常微分方程（ODE）模型需要现实世界队列中难以获得的密集采样；混合效应模型通常依赖于限制性的轨迹假设且缺乏预测不确定性；而深度学习方法虽然具有灵活性，但属于“黑盒”性质，缺乏可解释性和不确定性量化。因此，目前尚无现有方法能同时提供生物学可解释性、校准后的不确定性量化以及对先前未见患者的可靠泛化能力。

方法论
作者提出了一种变分疾病进展评分（DPS）框架，该框架整合了基线人口统计学/临床特征与稀疏、异步的多模态纵向数据。该框架由两个主要部分组成：

用于个体特定参数的变分编码器：
- 基线特征（年龄、性别、受教育程度、APOEε4 基因型以及基线临床痴呆评定量表总和 [CDR-SB]）通过神经网络被编码为两个潜在个体特定参数的后验概率分布：进展速率 ( $\alpha_i$ ) 和 起始时间 ( $\beta_i$ )。
- 这些参数定义了一个连续的疾病进展评分（DPS），将时序年龄映射到共享的潜在疾病时间轴上： $s_i(t) = \alpha_i \frac{(t-75)}{10} + \beta_i$ 。
- 通过将 $\alpha_i$ 和 $\beta_i$ 视为概率变量（分别为对数正态分布和高斯分布）而非点估计，并利用变分推理进行学习，从而实现不确定性的量化。
级联生物标志物轨迹模型：
- 生物标志物轨迹被建模为根据淀粉样蛋白级联假设构建的逻辑函数级联。其拓扑结构是固定的：淀粉样蛋白-β ( $A\beta$ ) $\rightarrow$ 磷酸化 Tau 蛋白 ( $p$ -tau) $\rightarrow$ 神经退行性变（海马体和内嗅皮层体积） $\rightarrow$ 认知功能下降（ADAS-13 和 CDR-SB）。
- 每个生物标志物轨迹都是 DPS 及其上游“父级”生物标志物的函数。父级生物标志物的影响通过其逻辑轨迹的积分进行建模，以捕捉神经病理损伤的累积性质。
- 该模型区分了认识不确定性（关于受试者参数的模型不确定性，通过蒙特卡洛采样估计）和偶然不确定性（内在测量噪声，对于液体/影像数据建模为同方差，对于认知评分建模为异方差）。

训练与推理

训练： 该框架使用一种类似于期望最大化（EM）的算法，在 E 步（更新编码器以推断受试者后验分布）和 M 步（更新群体层面的级联参数和噪声方差）之间交替进行。
稀疏数据处理： 损失函数仅在每次随访中可用的生物标志物上进行计算，从而允许模型利用不完整的纵向记录。
动态个性化： 对于新的纵向观测，该框架采用顺序贝叶斯更新方案。从基线数据推断出的后验分布作为后续随访的先验，使得模型能够随着数据的积累不断优化个体轨迹并降低不确定性。

关键结果
在阿尔茨海默病神经影像学倡议（ADNI）队列（ $N=819$ ）上进行的评估显示，该框架具有以下特性：

无监督临床对齐： 在未使用诊断标签作为输入的情况下，推断出的 DPS 成功分离了认知正常（CN）、轻度认知障碍（MCI）和阿尔茨海默病（AD）组。CN 与 AD 分离的曲线下面积（AUC）为 0.98。
生物学合理性： 模型恢复了与既定病理一致的生物标志物排序： $A\beta$ 积累先于 $p$ -tau，后者先于神经退行性变和认知功能下降。估计的级联强度显示，Tau 病理与内侧颞叶萎缩之间的联系最强，而 $A\beta$ 与 $p$ -tau 之间的联系最弱（但最具可重复性）。
受试者特定泛化： 该模型能够仅利用基线特征，成功推断出完全未见受试者的进展参数。认知测量指标（ADAS-13, CDR-SB）表现出最强的预测一致性（相关系数 $r$ 分别为 $0.61 $和$ 0.71$）。
不确定性校准：
- 在未见验证队列中，95% 置信区间实现了 89–98% 的经验覆盖率。
- 动态微调显著降低了参数不确定性（例如，一个代表性受试者的进展速率不确定性降低了 66.4%），并提高了大多数生物标志物的点预测准确性，尤其是认知评分。
- 校准总体保持良好，但微调后对于 $p$ -tau 和 CDR-SB 的校准略有下降，这可能是由于频繁的认知采样相对于稀疏的液体生物标志物占据了主导地位。

意义与主张
本文声称提供了一个具有生物学可解释性且具备不确定性感知能力的疾病严重程度指数，弥合了群体水平推断与个性化预后之间的鸿沟。其核心贡献包括：

集成可解释性与不确定性： 不同于深度学习“黑盒”，该框架显式地模拟了淀粉样蛋白级联假设，同时提供校准后的概率输出。
对未见受试者的泛化能力： 变分编码器允许模型仅通过基线数据即可为新患者生成个体化的预后，而无需重新拟合整个模型。
动态临床实用性： 该框架支持随着新纵向数据的获得不断优化预后过程的临床工作流，动态更新预测轨迹及其相关的不确定性。

作者总结道，虽然该框架为精准监测提供了概率基础，但其在分布外数据集上的可靠性以及在观察随访窗口之外进行长期外推的能力，仍需进一步的外部验证。

技术摘要：量化阿尔茨海默病进展建模中的不确定性

类似论文