阿尔茨海默病相似萎缩指数、BrainAGE与正常压力脑积水评分在预测细微认知下降中的价值:与现有MR成像标记物的比较
前瞻性纳入80名认知正常老年人,基线3T MRI计算AI衍生的AD-RAI、BrainAGE和NPH评分,随访4.5年。AD-RAI与Corsi视空间记忆下降相关(OR 1.07),BrainAGE与Trail Making B执行功能下降相关(OR 1.28),两者较传统MR标记物有有限但显著的附加预测价值。
要点
- AD-RAI是Corsi视空间记忆下降的独立预测因子,校正后解释16.7%认知变异。
- BrainAGE与Trail Making B执行功能下降相关,加入Fazekas后解释率从8.7%升至14%。
- NPH评分与随访认知变化无显著关联,传统MTA和微出血数均未能预测细微认知下降。
核心结论
- AI衍生的AD-RAI指数和BrainAGE评分较传统视觉MRI标记物(MTA、Fazekas评分、微出血数)在预测老年认知正常者后续认知下降方面具有有限但显著的附加价值。
- AD-RAI评分是Corsi视空间记忆下降的独立预测因子,BrainAGE评分与Trail Making B执行功能下降相关,而NPH评分与认知变化无显著关联。
研究设计与样本
- 前瞻性研究,纳入80名认知正常老年人(46名女性,平均年龄73.4±3.5岁),来自日内瓦和洛桑地区。
- 基线采用3T MRI(TRIO SIEMENS)采集3DT1、轴位T2w、SWI和 pulsed ASL序列,视觉分析由20年经验神经放射学家完成。
- AI指标从3DT1自动计算:AD-RAI采用SVM(训练集741例),BrainAGE采用RVR(训练集547例健康者),NPH评分采用SVM(训练集30例NPH患者和30例健康对照)。
- 认知评估在基线、18个月和54个月进行,以基线与末次随访间变化之和的0为界定义下降者(<0)与非下降者(≥0)。
关键影像表现/征象
- AD-RAI评分与Corsi评分下降相关(OR 1.07,95%CI 1.02–1.12,p=0.002),单变量解释14.7%认知变异,校正年龄、性别和APOE4后达21.8%。
- BrainAGE评分与Trail Making B评分下降相关(OR 1.28,95%CI 1.06–1.56,p=0.013),单变量解释8.3%认知变异,校正后达13.8%。
- 传统MRI标记物中仅基线Fazekas评分与Trail Making B下降正相关(OR 2.38,95%CI 1.14–4.97,p<0.05),解释8.7%认知变异。
- 加入AD-RAI后Corsi模型解释率从3.4%升至16.7%(似然比检验p=0.0003),再加入淀粉样蛋白阳性后升至21.4%(p=0.0335)。
- 加入BrainAGE后Trail Making B模型解释率从8.7%升至14.0%(p=0.0311),再加入淀粉样蛋白阳性后升至21.8%(p=0.0089)。
诊断标准与关键数值
- AD-RAI为SVM输出的概率评分(0–1),训练集包括445例健康对照、234例AD、39例FTLD和23例LB,采用五折交叉验证。
- BrainAGE为预估年龄与实足年龄之差,正值表示加速、负值表示减速的结构性脑老化,平均绝对误差3.322年。
- NPH评分为SVM输出的NPH概率评分(0–100%),训练集为30例接受脑室腹腔分流术的NPH患者和30例健康对照。
- Corsi评分ROC曲线下面积:传统MRI变量0.604(95%CI 0.467–0.741),AD-RAI 0.660(95%CI 0.514–0.806),传统MRI+AD-RAI 0.735(95%CI 0.613–0.858),再加淀粉样蛋白阳性0.793(95%CI 0.688–0.898)。
- Trail Making B评分ROC曲线下面积:传统MRI变量0.609(95%CI 0.468–0.749),BrainAGE单独0.666(95%CI 0.544–0.788),传统MRI+BrainAGE 0.664(95%CI 0.534–0.793),再加淀粉样蛋白阳性0.574(95%CI 0.444–0.704)。
临床应用与阅片要点
- 在认知正常老年人的脑MRI报告中,可关注AI衍生的AD-RAI和BrainAGE评分,作为传统MTA、Fazekas和微出血计数之外的补充预测信息。
- AD-RAI评分与视空间记忆下降相关,BrainAGE评分与执行功能下降相关,两者均与MMSE整体认知变化无显著关联。
- NPH评分在此认知正常老年队列中与随访认知变化无显著关联,其解读需结合临床。
局限性
- 原文未报告局限性。
全文中译20 节 · 点击展开
引言
利用磁共振(MR)神经影像预测随后的认知下降是阿尔茨海默病(AD)研究中的一个主要问题。临床常规中已提出若干神经影像标志物,包括使用半定量视觉阅读内侧颞叶萎缩(MTA)评分评估的海马萎缩[1]、使用Fazekas评分的T2w高信号白质病变(WML)[2],以及社区和医院队列中的皮质微出血(CMB)数量。MTL萎缩可用于在轻度认知障碍患者中识别阿尔茨海默型痴呆高危患者(综述见[3])。同样,纵向研究提示WMH的存在和进展对非痴呆老年人的一般智力、注意力和执行功能有负面影响[4–6]。三项基于人群的研究(Rotterdam[7]、Framingham Heart[8]和AGES-Reyjkavik[9])也支持CMB对非痴呆老年人认知的有害影响。
虽然这些经典磁共振标志物在已出现认知功能下降的患者中的诊断效能已得到充分确立,但其在预测健康老年人细微认知功能下降方面的价值仍存在争议[10]。内侧颞叶萎缩(MTA)、皮质微出血和脑白质病变(WML)均被认为在轻度认知障碍(MCI)前阶段影响认知表现[11–16]。然而,阴性或模糊的数据也常有报道[17–19]。这引出了一个问题:新近提出的人工智能(AI)磁共振成像标志物是否在预测健康老年对照者后续认知功能下降方面具有附加价值。阿尔茨海默病相似性萎缩指数(AD-RAI)是一种基于AI的指标,源自3D T1加权脑部容积磁共振成像[20–23]。与此同时,该概念也已被商业厂商采用。这种不依赖操作者的AD-RAI综合反映了海马萎缩以及既定阿尔茨海默病特征区域的萎缩[24]。在一个完全不同的视角下,脑年龄差距估计(BrainAGE)评分基于机器学习回归任务,已被提出用于捕捉脑老化偏离正常范围的全局偏差[25–27]。第一步,由算法学习脑部磁共振成像与患者年龄之间的关联,然后将其应用于新个体,以根据其脑部磁共振成像(通常以3D T1加权扫描作为输入)预测其年龄。将预测脑年龄与实际年龄进行对比,可得出预期(预测年龄≈实际年龄)、加速(预测年龄>实际年龄)或延迟(预测年龄<实际年龄)的脑老化[25]。这两个参数均基于结构性脑部磁共振成像萎缩模式来定义。正常压力脑积水(NPH)指数是另一种由容积3D T1图像衍生的AI计算标志物,用于指示老年队列中NPH构型的程度[28]。在认知功能保持的老年人中,符合诊断和临床标准的明确完整NPH仍然罕见。在健康老年人的背景下,我们将NPH构型视为一个谱系,而非二分类变量。部分参与者可能显示出NPH构型的早期影像学特征,但不符合NPH的临床诊断。考虑到当前新兴的理论,脑脊液流动受损(导致清除减少)可能是另一个促成认知功能下降的因素,这可能混淆阿尔茨海默病中临床和生物标志物的解读[29, 30]。
本研究的主要目的是评估基于AI的参数AD-RAI、BrainAGE和NPH指数,与既有的视觉影像学标志物(MTA、Fazekas评分和CMB数量)相比,在预测健康老年人早期认知功能下降方面的附加价值。我们有机会在一个由80名认知功能完整的社区居住老年人组成的样本中,于基线时研究这些影像学参数,该样本在4.5年期间接受了纵向随访。
材料与方法
参与者
该研究经当地伦理委员会批准,所有参与者在纳入前均签署书面知情同意书。在一项仍在进行的队列研究参与者中筛选病例的详细情况已在其他文献中描述[31],该队列研究旨在识别健康老年人中细微认知 decline 的预测性生物标志物。简言之,本队列仅纳入认知保留的健康对照者;无精神科、神经科及重大内科疾病史;且无规律使用精神类药物[16, 31–33]。所有病例均通过当地报纸和媒体广告招募。该队列包括居住在日内瓦和洛桑服务区的老年高加索白人个体。由于需要良好的法语知识(以参与详细的神经心理学测试),大多数参与者为瑞士人(或出生于法语欧洲国家,92%)。明显的血管负荷,表现为细微的心血管症状、高血压(未治疗)以及卒中或短暂性脑缺血发作史,是额外的排除标准。本研究纳入的所有病例均进行了三次神经心理学评估(基线、18个月和54个月)、基线结构脑MRI、APOE基因分型以及末次随访时的淀粉样蛋白和FDG PET。我们的样本包括80名个体(46名女性,年龄范围73.4 ± 3.5岁)。
神经心理学评估
在基线时,所有个体均接受了一套神经心理学 battery 评估,包括MMSE评分以及针对主要认知功能的各一项神经认知测试,具体如下:连线测验A(注意力)、连线测验B(执行功能)、数字广度(工作记忆)、Corsi(视空间记忆)和形状测验(情景记忆),此前已详细描述[16, 31–34]。对于每项神经心理学测试,纳入至末次随访间的最终变化评分定义为此前所述两次随访中观察到的变化之和。随后使用0作为 cutoff 值,将下降者(< 0)与非下降者(≥ 0)区分开来,用于后续统计分析中的二分类。
MR成像
在基线时,影像数据在3-T MRI扫描仪(TRIO SIEMENS Medical Systems)上采集。结构高分辨率T1加权解剖扫描采用以下基本参数进行:256 × 256矩阵,176层,1 mm各向同性,TR = 2300 ms,TE 2.27 ms;轴位T2w序列:512 × 310矩阵,30层,4 mm层厚,TR 4000 ms,TE 105 ms;磁敏感加权成像(SWI):256 × 208矩阵,128层,TR 28 ms,TE 20 ms);脉冲式ASL:64 × 64矩阵,20层,6 mm层厚,TR 4000 ms,TE 12 ms,反转时间1800 ms。
MR视觉分析
脑MR图像的视觉分析此前已详细描述[16, 31],并由一位经验丰富的神经放射科医师(20年经验)进行评估。简言之,MTA在基线时根据既定评分[35]进行评估,评分范围从0(无萎缩)到4(显著萎缩)。MTA评分是一种简单且临床建立的半定量量表,在3DT1扫描上进行评估。
基线的WMH负荷根据已建立的Fazekas评分[2]进行评估,该评分基于轴位T2w扫描,范围从0(无白质病变)到3(融合性白质病变)。与上述MTA评分一样,Fazekas评分是一种简单且广泛使用的工具,用于评估脑老化中白质损伤的严重程度。
CMB的数量基于SWI序列进行评估。仅考虑可能为CMB的病灶,并同时分析相应的相位图像以区分可能CMB与微钙化[36, 37]。在基线时,评估CMB总数以及各部位(幕上浅表、幕上深部、幕下)的CMB数量。
图像预处理
使用SPM12(Welcome Trust Center for Neuroimaging,通过变形场雅可比矩阵对灰度值进行调制)将结构T1图像分割为灰质、白质和脑脊液(CSF),变形至MNI(Montreal Neurological Institute)空间,并使用半高全宽3mm滤波器进行平滑,与常规基于体素的形态学分析所做的一致。分割结果在进一步处理前进行了视觉检查,没有病例因明显失败而必须被排除。
AD-RAI的自动评估
AD-RAI的自动评估使用基于体素的支持向量机学习方法(SVM)进行。基本原理在[20]中描述。灰质和CSF的平滑分割结果作为SVM的直接输入。在本工作背景下,使用另一项研究的数据(共741名受试者,445名健康对照,234名AD,39名FTLD,23名LB)训练了“VEOmorph”软件(www.veobrain.com)的定制研究版本。训练集中的年龄分布(范围45–90岁,中位值73 +/- 8.2岁)涵盖了本研究的人群范围。真实标签基于临床诊断。进行了五折交叉验证。AD-RAI确定为SVM输出的概率评分,取值在0到1之间。训练好的算法应用于当前数据集,未做任何进一步调整。
BrainAGE的自动评估
我们使用了先前描述的预处理方法的改良版本[25]。T1加权图像使用CAT12工具箱(http://www.neuro.uni-jena.de/cat)和SPM12软件(http://www.fil.ion.ucl.ac.uk/spm/software/spm12)进行预处理,运行于MATLAB(www.mathworks.com)环境下。为训练年龄估计框架,我们使用了来自公开可获取的IXI队列(http://brain-development.org/ixi-dataset/)的547名健康受试者(242名男性)的MRI数据,年龄19–86岁(均值(SD)= 48.1(16.6)岁)。简言之,BrainAGE框架利用相关向量回归(RVR),使用线性核以及预处理后GM和WM图像的线性组合[38, 39]。估计年龄与实际年龄之间的差异产生个体脑年龄差距估计(BrainAGE)评分,正值表示结构性脑老化加速,负值表示减速。近期工作已证明,该方法提供了可靠且稳定的BrainAGE估计,平均绝对误差为3.322年,使该框架至少等同于几种近期引入的深度学习算法[40]。
NPH评分的自动评估
NPH 评分按 [28] 所述计算。在 30 例接受脑室腹腔分流术治疗的 NPH 患者和 30 名健康对照中训练支持向量机(SVM),输入为灰质和脑脊液的平滑分割结果。输出为 0 至 100% 之间的 NPH 概率评分。
淀粉样蛋白 PET 成像
18F-Florbetapir(Amyvid)和 18F-Flutemetamol-PET(Vizamyl)数据在 2 台不同分辨率的不同断层扫描仪(Siemens BiographTM mCT 和 GE Healthcare Discovery PET/CT 710 扫描仪)上获取,并遵循不同的平台特定采集方案。18F-Florbetapir 图像在注射后 50 至 70 分钟获取,18F-Flutemetamol 图像在注射后 90 至 120 分钟获取。PET 图像使用 ADNI 方案推荐的参数重建,旨在提高多中心采集数据的一致性。有关 PET 采集不同成像方案的更多信息可在 ADNI 网站(http://adni.loni.usc.edu/methods/)上找到。
淀粉样蛋白 PET 视觉分析
淀粉样蛋白 PET 图像的视觉分析由一名独立的、经委员会认证的核医学专家(V.G.)完成,其对神经心理学数据设盲,并遵循欧洲药品管理局批准的示踪剂特异性标准操作程序。具体而言,对每份扫描评估区域阳性,指明是否在任一大脑半球的侧额叶、顶叶、后扣带回和楔前叶、前扣带回、颞外侧和纹状体区域发现摄取 [41]。
FDG PET 成像
PET/CT 数据采集根据欧洲核医学协会(EANM)指南 [64] 在 Siemens BiographTM mCT 或 Vision 扫描仪上进行。PET 采集在注射 200 MBq 18F-FDG 后约 30 分钟开始。PET 发射研究(20 分钟,单床位)随后立即进行用于衰减校正的 CT 研究。超低剂量脑 CT 成像在标准条件下进行(120 kVp,20 mAs,128 Å ~ 0.6 准直,螺距 1,每旋转 1 秒)。
FDG PET 视觉分析
FDG PET 阅片通过视觉分析自动体素级与参考数据库比较的输出进行,如指南 [42] 所推荐,并先前已详细描述 [43]。当未观察到与正常分布的显著偏差时,图像被分类为正常;当记录到显著的区域葡萄糖代谢减低时,分类为病理性。
统计分析
采用卡方检验(chi2)、Mann-Whitney u检验和非配对t检验(根据变量分布情况选择)评估人口学、神经心理学和影像学数据中的性别相关差异。使用多重逻辑回归模型(校正年龄、性别和APOE4基因型)分别探讨每项神经心理学测试认知评分二分类变化(因变量)与AD-RAI、BrainAGE和NPH评分之间的关联。为探讨这些AI MRI标志物相较于一组已建立的脑老化AD影像标志物的附加价值,我们还构建了逻辑回归模型,纳入每个AI标志物以及基线时的淀粉样蛋白和FDG PET阳性、MTA、CMB、Fazekas评分。AI标志物相较于传统AD影像标志物的附加价值采用似然比(LR)检验和受试者工作特征(ROC)曲线评估,并使用Stata“roccomp”命令实现的ROC面积相等性Delong检验。显著性水平设定为p < 0.05。所有分析均使用Stata 17.0版本完成。
结果
临床和影像MRI描述性数据
基线时临床和影像参数无显著性别相关差异。随访时,38%的病例认知保持稳定或表现改善。重要的是,随访期间无一例进展为MCI。正如这一健康对照队列所预期的,仅26.5%的病例显示异常FDG-PET模式。23.8%的病例存在淀粉样蛋白阳性。同样,NPH概率的中位数非常低,为3.6%,四分位距为(1.3–11.0%)(表1)。
基于影像的神经心理学参数预测
Corsi评分
在所采用的神经心理学测试中,Corsi评分(视空间记忆)下降与基线AD-RAI评分相关(OR:1.07 [CI:1.02,1.12],p = 0.002)(图1)。这一单一AI标志物在单变量回归模型中解释了14.7%的认知变异。校正年龄、性别和APOE4基因型后,模型解释的认知变异百分比达到21.8%,但校正变量均不显著(补充表1)。该AD-RAI评分与Corsi评分随时间的变化无关。重要的是,当淀粉样蛋白阳性、FDG-PET阳性、MTA、CMB和Fazekas评分纳入回归模型后,AD-RAI评分仍是认知结局的唯一有效预测因子。加入AD-RAI评分使回归模型解释的认知变异百分比显著增加(从3.4%增至16.7%,似然比,p = 0.0003)(表2)。重要的是,淀粉样蛋白阳性为边缘显著(p = 0.060),但其加入显著提高了模型解释的认知变异百分比,达到21.4%(似然比,p = 0.0335)。
连线测试B评分
基线时的BrainAGE评分与随访时连线测试B(执行功能)评分的恶化相关(OR:1.28 [CI:1.06, 1.56],p = 0.013)(图2)。在单变量回归模型中,这一单一人工智能标志物解释了8.3%的认知变异。在对年龄、性别和APOE4基因型进行调整后,模型所解释的认知变异百分比达到13.8%,但所有调整变量均无统计学显著性(补充表2)。
至于Corsi评分,APOE4基因型与认知结局无关。在传统MRI标志物中,仅基线时的Fazekas评分与认知结局呈正相关(OR:2.38 [CI:1.14, 4.97,p < 0.05]),解释了8.7%的认知变异。加入BrainAGE评分后,回归模型所解释的认知变异百分比显著增加(从8.7%增至14.0%,似然比p = 0.0311;表3)。当将淀粉样蛋白阳性和FDG阳性加入回归模型时,仅前者与连线测试B的恶化强烈相关。加入淀粉样蛋白阳性显著提高了模型所解释的认知变异百分比,达到21.8%(似然比,p = 0.0089)。在这一全局模型中,Fazekas评分变为边缘显著(p = 0.058)。
在本研究中,基线时这些人工智能标志物与认知参数之间无其他统计学显著关联。特别是,AD-index和BrainAGE评分均与MMSE评分下降(整体认知)无关。此外,在这一老年对照队列中,基线时的NPH评分与随访时的认知变化无关。
ROC曲线分析
对于Corsi评分,ROC曲线下面积分别为0.604(95% CI:0.467–0.741)(传统MRI变量)、0.660(95% CI:0.514–0.806)(AD-RAI评分)和0.735(95% CI:0.613–0.858)(传统MRI变量联合AD-RAI评分)。在最后一个模型中加入淀粉样蛋白阳性后,ROC曲线下面积为0.793(95% CI:0.688–0.898)。ROC曲线下面积之间存在统计学显著差异(p < 0.0001)。根据LR检验(LR p = 0.0002)和ROC曲线比较(p = 0.0053),所有MRI标志物联合淀粉样蛋白阳性的表现显著高于传统MRI变量。根据ROC曲线比较(p = 0.0279),同一联合方案的表现显著高于单独AD-RAI评分,但LR检验无显著差异(LR p = 0.1625)。
对于连线测验B评分,ROC曲线下面积分别为0.609(95% CI:0.468–0.749)(传统MRI变量)、0.666(仅BrainAge)(95% CI:0.544–0.788)和0.664(95% CI:0.534–0.793)(传统MRI变量联合BrainAge)。在最后一个模型中加入淀粉样蛋白阳性后,ROC曲线下面积为0.574(95% CI:0.444–0.704)。ROC曲线下面积之间差异有统计学意义(p = 0.0317)。
仅BrainAge以及传统MRI变量联合BrainAge的表现均优于随机水平,其ROC曲线下面积与无判别能力的0.5面积相比差异有统计学意义。
根据LR检验(LR p = 0.1675)和ROC曲线比较(p = 0.9652),将传统MRI变量联合加入仅BrainAge并未提高后者的判别能力。
讨论
本数据揭示,在新提出的AI MRI标志物中,有两个在预测老年对照者的认知轨迹方面具有有限但仍显著的附加价值。尽管它们与MMSE评分等整体认知测量无关,但AD-RAI指数和BrainAGE评分与认知保留的老年人视空间和执行功能测量的下降相关。重要的是,与广泛使用的脑老化MRI标志物(如Fazekas评分、MTA和CMB数量)相比,这两个标志物均具有显著的附加价值。对于NPH评分,未发现其与老年期神经心理学表现存在显著关联。
近期三项研究探讨了AD-RAI作为AD诊断标志物[23]、预测MCI向AD转化[44]以及检测临床前和前驱期AD[45]的相关性。在50例AD患者和50例对照者的系列中,使用AD-RAI得出的诊断准确率为0.91,优于所测量的任何单一脑结构的体积[23]。AD-RAI截断值0.5在区分MCI转化者与非转化者方面表现更好[44]。此外,该参数在检测淀粉样蛋白和tau蛋白阳性(A+T+)的老年对照者时取得了最佳指标(与传统MRI标志物相比)[45]。我们的结果超越了这些观察,表明AD-RAI是本队列中视空间记忆下降的独立预测因子。MTA、Fazekas评分和CMB均无法预测这些老年对照者认知表现中的此类细微变化。似然比检验和受试者工作特征(ROC)曲线均表明,加入AD-RAI显著提高了预测视空间记忆下降的能力。重要的是,即使在这些淀粉样蛋白负荷较低的病例中,淀粉样蛋白阳性与包括AD-RAI在内的MRI标志物的联合在预测认知结局方面提供了最佳性能。
在过去十年中,BrainAGE已被确立为一种基于图像的生物标志物,用于捕捉大脑的一般衰老过程[40]。研究表明,它在多种神经精神疾病中发生改变,最突出的是在阿尔茨海默病(AD)等年龄相关疾病中[27]。此外,BrainAGE能够预测轻度认知障碍队列[46]和一般人群[47]中发生痴呆的风险。在后一项研究中,痴呆的发病率与基于MRI衍生的灰质对3688名来自鹿特丹研究的无痴呆病例进行脑龄预测相关。在调整了白质高信号和海马体积的逻辑回归模型中,这种关联持续存在。我们的数据不那么令人印象深刻,因为在4.5年随访中BrainAGE评分与整体认知的演变无关。然而,与传统MRI标志物不同,BrainAGE是执行功能(连线测验B)表现下降的独立预测因子。在调整基线Fazekas评分、CMB和MTA后,该影像参数是执行功能表现下降的独立预测因子。特别是,似然比检验显示,加入脑龄评分显著提高了回归模型所解释的认知变异百分比。淀粉样蛋白阳性也是如此。然而,只有包含所有传统MRI标志物和BrainAGE的模型在ROC曲线下面积方面具有统计学显著性,表明BrainAGE作为单一影像标志物在我们队列中预测执行功能下降的贡献仍然有限。
多种原因可能解释当前数据与Wang等人[47]近期观察结果之间的差异。首先,我们的病例在随访期间均未进展为MCI,提示在我们的样本中存在认知韧性且无显著血管负担。认知结局定义为神经心理学评分的二元变化(下降 versus 改善或稳定),未参考 incident dementia。此外,由于我们研究中使用的BrainAGE评分——与大多数其他方法一样——仅基于T1加权成像数据,可以推测年龄相关变化主要见于其他序列(如FLAIR成像评估的白质病变)可能被忽略。此外,BrainAGE还受到生活方式因素(如吸烟[48])、基因型变异(如APOE状态)[46]或早产[49]等早期神经发育影响的显著影响,而鉴于本研究样本有限,这些因素无法被纳入考虑。尽管存在这些差异,当前发现提示BrainAGE评分仍是衰老过程极早期阶段执行功能纵向变化的有用预测因子。
近期研究表明,特发性正常压力脑积水(NPH)的影像学标志物提示脑脊液循环障碍,可能是非阿尔茨海默病(AD)病理生理的独立影像学标志物[29]。NPH指数是一种不依赖操作者的影像学标志物,用于提示可能的脑脊液循环障碍,已被提出作为预测认知无症状但处于AD风险中的个体的潜在候选指标[28]。在我们的队列中,我们未能证明基线NPH指数与整体认知及神经心理学测试变化之间存在显著关联——需要考虑到我们队列中NPH指数值非常低这一局限性。NPH指数可能在NPH指数升高比例更高的其他队列中提供更有价值的结果。
本研究的优势之一在于详细的认知分析以及使用多变量模型,从而能够确定新提出的AI影像参数相较于传统脑老化影像标志物的附加价值。应考虑若干局限性。样本量较小限制了可同时纳入回归模型的影像预测因子数量,我们排除了所有具有显著血管负荷的病例,以聚焦于脑老化中的AD轨迹。因此,我们的病例不能代表脑老化的全谱系。尽管他们是从社区招募的,但表现出无或极轻微的血管病理以及相对较高的教育水平。白质病变的评估使用T2加权序列而非传统的FLAIR图像。然而,一位训练有素的放射科医生将FLAIR上的Fazekas 1评为T2w上的Fazekas 2(或相反)的情况相当罕见。最重要的是,该样本中淀粉样蛋白阳性和脑低代谢的发生率较低,表明在社区老年人群中,早期AD病例的数量可能低于预期。因此,当考虑淀粉样蛋白负荷较高的病例时,AI指标的附加价值可能会增加。基于我们的观察,显然有必要在未来对混合样本进行研究,以确定AI-MRI指标在脑老化和AD领域中的相关性。
与已建立的脑老化视觉MRI标志物(尤其是内侧颞叶萎缩(MTA)、Fazekas评分和脑微出血(CMBs)数量)相比,基于AI的AD-RAI指数和BrainAGE评分在预测老年对照者随后认知下降方面具有有限但显著的附加价值。
补充信息
ESM 1(DOCX 18 kb)
引用
- Giannakopoulos P, Montandon ML, Herrmann FR, et al. Alzheimer resemblance atrophy index, BrainAGE, and normal pressure hydrocephalus score in the prediction of subtle cognitive decline: added value compared to existing MR imaging markers. Eur Radiol. 2022. PMID: 35486172. doi:10.1007/s00330-022-08798-0
- 全文:PMC9668758(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9668758/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。