脑功能模型能跨疾病预测阿尔茨海默型 tau 吗？

仅凭代谢预测 tau

论文要回答的是：一种广泛使用的单一影像输入——测量葡萄糖代谢的 FDG-PET——能否替代较难获得的 tau 示踪剂。预测目标是阿尔茨海默型 tau，用 flortaucipir-PET（FTP-PET）测量，覆盖阿尔茨海默病及相关疾病（ADRD），这一谱系包括典型与非典型 AD、路易体痴呆以及额颞叶变性综合征。

模型是一个群体水平的回归框架。它不逐区域模拟蛋白扩散，而是在一个大型队列中学习全脑代谢模式如何与区域 tau 摄取共同变化，再把学到的权重应用到新参与者的 FDG-PET 扫描上。作者把输出描述为对个体层面 FTP-PET 负荷空间分布的估计，而不是对 tau 的直接测量。

这一界定决定了结果该怎么读。高相关意味着模型复现了示踪剂本应显示的 tau 空间模式，并不意味着模型检测到了 tau 蛋白。论文自己的解释是：预测由特定的全脑代谢模式驱动，而不是把区域 FDG-PET 信号转换成空间上等价的 FTP-PET 值。

特征脑把一次扫描压缩成 150 个数

输入特征来自 StateViewer，这是一个临床决策支持系统，由 1000 例随机抽取的 FDG-PET 扫描做主成分分解得到。该分解产生 150 个成分，称为特征脑（eigenbrains），它们构成一个低维潜空间，描述脑代谢的主要模式。每位参与者的扫描被投影到这些成分上，得到一组特征值——每个特征脑一个数——概括此人的代谢在群体中处于什么位置。

随后，团队拟合线性回归模型，把这些特征值与 Schaefer-400 图谱各区域的 FTP-PET 摄取关联起来，逐步增加特征脑数量，并选出在训练集中留一交叉验证 R² 中位数最优的模型。最佳模型使用 50 个特征脑。用于 tau 分期的 CenTauR 图谱模型也使用相同数量的特征脑。

作者还把这一线性方法与五个非线性及正则化机器学习模型做了对比，并与一个基准模型对比：后者用年龄、性别、APOE4 携带状态、临床诊断和 CDR-SB 代替 FDG-PET 特征值。报告这一比较很重要，因为它把代谢特征的价值与现成临床变量的价值区分开来。

在 1088 人训练队列内拟合良好

训练集是 1088 名 Mayo Clinic 研究参与者，覆盖正常衰老、轻度认知障碍、AD、路易体痴呆和额颞叶痴呆谱系，全部具备 FDG-PET、FTP-PET 和淀粉样蛋白 PET。在该队列中，50 个特征脑的模型在 Schaefer-400 图谱上的 R² 中位数为 0.71（IQR 0.61–0.77），交叉验证 R²_pred 为 0.65（IQR 0.54–0.73），平均绝对误差 0.09，均方误差 0.01。

这里出现了两个不同的 R²，不应混为一谈。0.71 描述的是在图谱层面汇总的区域与参与者之间的对应关系；个体层面的空间 R² 比较的是每个人 400 个区域内观测值与预测值，其中位数为 0.79（IQR 0.73–0.84）。前者问的是模型能否在整个队列中把区域 tau 水平预测准，后者问的是它能否复现每个人的空间模式。

各组表现并不均匀。在 FTP-PET 动态范围更宽的组（如执行功能障碍型 AD 和后皮质萎缩）中，空间 R² 明显高于 FTP-PET 信号极少的组（如认知未受损组、语义性痴呆和进行性核上性麻痹）。Bland-Altman 图显示，高 tau 组（遗忘型 AD、执行功能障碍型 AD、logopenic 变异型原发性进行性失语）存在轻微比例偏倚：在较低均值处高估，在较高值处低估。

独立队列中性能下降但仍成立

验证使用了三种样本外场景。在训练队列的纵向子集（215 名参与者、478 个时间点）、阿尔茨海默病神经影像学计划队列（295 名参与者）以及 Mayo 阿尔茨海默病治疗门诊的临床异质性队列（264 名患者，其中 28 人有 FTP-PET）中，用每位参与者自己的 StateViewer 特征值应用 Mayo 训练的模型。

摘要把这些场景下的个体层面预测概括为 R² 约 0.34 至 0.71。各队列的具体数字显示了差异范围。在 ADNI 中，Schaefer-400 图谱上的混合效应模型 R² = 0.33（IQR 0.21–0.41），MAE = 0.11，MSE = 0.02，个体空间 R² 中位数为 0.72。在有 FTP-PET 的 28 名 ADTC 患者中，对应数值为 R² = 0.41（IQR 0.27–0.52），MAE = 0.12，MSE = 0.02，个体空间 R² 中位数为 0.80。

模式是一致的：模型复现个体内部 tau 空间布局的能力，强于复现跨队列绝对 tau 水平的能力。ADNI 和 ADTC 的队列层面 R² 明显低于训练队列的 0.71，这是转向独立数据以及不同扫描仪和协议时预期要付出的代价。ADTC 的估计还只建立在 28 名有参考示踪剂的人身上。

分期准确率取决于纳入哪些人

具有临床意义的结论是依据修订版 AD 诊断标准进行 tau 分期：该标准结合淀粉样蛋白状态与内颞叶和颞顶区的 CenTauR 值，定义 A 至 D 期。模型把 FDG-PET 特征值回归到 CenTauR 值上，再用混淆矩阵比较预测分期与观测分期。

在 ADNI 中，把分期合并为 A/B 与 C/D 并排除淀粉样蛋白阴性个体后，一致性为 79%：82 个单元正确标为 A/B，41 个正确标为 C/D，12 个错误标为 A/B，22 个错误标为 C/D。纳入淀粉样蛋白阴性个体后，准确率升至 89%。摘要报告训练与验证队列横断面及纵向分析的总体范围为 79–95%。

79% 与 89% 之间的差距不是细节。加入淀粉样蛋白阴性参与者会让分类任务变简单，因为这些人按定义大多属于低 tau，因此不应把更高的数字理解为在临床真正棘手的模糊病例中区分能力更好。论文还指出，ADTC 队列未评估分期一致性，原因是有 FTP-PET 的参与者太少且类别不平衡显著。

没有 tau PET 也能看到组间差异

ADTC 队列最能体现模型的实用场景，因为其中大多数患者没有 FTP-PET。预测的 CenTauR 值在临床组间存在显著差异：内颞叶区 F(4, 259) = 14.7，P < 0.001；颞顶区 F(4, 259) = 23.4，P < 0.001；颞叶 meta-ROI F(4, 259) = 20.1，P < 0.001。

事后比较显示，非典型 AD 淀粉样蛋白阳性组在所有区域的预测值都高于其他各组；AD 淀粉样蛋白阳性组在内颞叶和颞叶 meta-ROI 的预测值高于非 AD 淀粉样蛋白阴性组。在 ADNI 中，Dementia A+T+ 组的预测值高于 CU A-T-、CU A+T-、Dementia A-T- 及所有 MCI 组，MCI A+T+ 组高于 MCI A-T- 和 MCI A+T- 组。

这些是预测值的组间比较，不是经过验证的个体诊断。作者将其解释为提示：模型可能有助于标记症状可能由共病病理驱动的个体，也可能识别传统上归因于非 AD 病因的罕见 AD 表型。这是关于未来用途的假设，依据是组间分离，而非个体层面的临床验证。

原发性 tau 病低预测支持特异性

模型对进行性核上性麻痹和皮质基底节综合征等非 AD 原发性 tau 病预测出低 FTP-PET。作者将此归因于现有 FTP-PET 示踪剂对非 AD tau 的结合敏感性较低，并认为这说明模型对 AD 型 tau 具有特异性，而不是一个泛化的神经退行性病变探测器。

这一解释在论文逻辑内说得通，但依据的是示踪剂的已知行为，而非独立的 tau 测量。这也意味着，模型在这些综合征中的低预测不能用来排除非 AD tau 病理；它反映的是参考示踪剂会显示什么。

更宏观的机制框架是跨大规模脑系统的共享易损性原理：支持特定认知域的功能梯度被认为塑造了神经退行性病变在不同痴呆综合征中的出现位置。论文把模型呈现为与该框架一致，而不是把它当作确立该框架的检验。

可扩展的替代指标而非 tau 测量

论文的实用主张是：临床上已用于评估退行性认知障碍的 FDG-PET，可以在 FTP-PET 不可得或负担过重时，用来近似 AD 型 tau 负荷。最强支持来自个体内空间一致性：ADNI 中空间 R² 中位数为 0.72，28 名有 FTP-PET 的 ADTC 患者中为 0.80，再加上 79–95% 的分期准确率范围。

边界同样具体。独立数据中的队列层面 R² 在 ADNI 为 0.33、在 ADTC 为 0.41，远低于训练队列的 0.71，因此绝对 tau 水平的迁移不如空间模式可靠。ADTC 队列从未检验分期一致性。高 tau 组存在比例偏倚，在最高值处低估——而这恰恰是临床决策最困难的区间。模型在 Mayo 研究参与者上训练，因此它在其他人群和扫描协议中的表现是从 ADNI 和 ADTC 推断的，而非广泛确立的。

读这篇论文最有用的方式，是比较两种准确率。在个体内部，模型恢复 AD 型 tau 空间分布的能力足以支持分期和群体层面分层。跨个体和跨队列时，其绝对预测更宽松，而 79% 与 89% 的分期差距说明，报告的准确率在多大程度上取决于是否纳入容易判断的淀粉样蛋白阴性病例。模型价值最高的场景是缺少 FTP-PET、问题只在于 tau 负荷是高还是低；价值最低的场景是需要精确的高端 tau 数值来改变处理方案。

本文引用的文献