基于血液數字生物標志物的機器學習模型在阿爾茨海默病診斷中的開發(fā)與驗證：一項多隊列診斷研究
【亮點】：
由中南大學湘雅醫(yī)院神經內科沈璐教授和東北大學信息科學與工程學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）病理機制的內在關聯，為AD的早期篩查和診斷提供有價值的支持。
1、利用血漿光譜數據開發(fā)了低成本、便捷的基于機器學習的數字生物標志物（MLDB）；
2、MLDB在區(qū)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等神經退行性疾病的AUC分別達到0.83、0.80和0.93；
3、通過單分子免疫檢測技術驗證，血漿p-tau217、GFAP等生物標志物與特定光譜特征存在顯著負相關。
【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重要。然而，使用血液生物標志物進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踐中的應用。
方法——我們利用血漿光譜數據開發(fā)了低成本、便捷的基于機器學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與不同類型的神經退行性疾病區(qū)分開來。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——采用隨機森林分類模型和特征選擇程序來篩選數字生物標志物。MLDB的曲線下面積（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(qū)分AD和HC的數字生物標志物與血漿p-tau217（r = -0.22，p < 0.05）和神經膠質纖維酸性蛋白（GFAP）（r = -0.09，p < 0.05）呈負相關。
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值的支持。
