《Alzheimer's Research & Therapy》:Data-driven clustering of atrophy patterns in Alzheimer’s disease
编辑推荐:
背景:为了实现阿尔茨海默病(Alzheimer’s disease, AD)的早期检测和治疗,需要更好地理解疾病的异质性进展。既往研究已利用纵向磁共振成像(magnetic resonance imaging, MRI)数据来揭示脑萎缩模式。在这项工作中,研究
背景:为了实现阿尔茨海默病(Alzheimer’s disease, AD)的早期检测和治疗,需要更好地理解疾病的异质性进展。既往研究已利用纵向磁共振成像(magnetic resonance imaging, MRI)数据来揭示脑萎缩模式。在这项工作中,研究人员旨在通过将连续疾病阶段建模与数据驱动的聚类算法相结合,改进以往的方法。
方法:研究人员开发了一种算法,该算法首先在连续的潜在时间(latent-time)疾病量表上对受试者进行分期,随后以完全数据驱动的方式发现萎缩模式的聚类。该算法的核心是一组非线性混合效应模型(non-linear mixed-effects models),既包含受试者特异性的随机效应,也包含聚类特异性的固定效应。研究人员将该算法应用于来自阿尔茨海默病神经影像计划(Alzheimer’s Disease Neuroimaging Initiative, ADNI)和开放获取影像研究系列(Open Access Series of Imaging Studies, OASIS)数据库的纵向MRI数据,并通过研究生物标志物、共病理(co-pathology)指标以及与既有亚型的关联,对所发现的聚类进行了严格分析。研究人员还利用BioFINDER-2队列作为独立验证数据集。
结果:研究人员发现了四种纵向萎缩模式聚类:A:进行性萎缩(Progressive atrophy);B:缓慢进展(Slow progression);C:延迟萎缩(Delayed atrophy);D:高萎缩(High atrophy)。D组(高萎缩)表现出更高程度的萎缩,主要集中在AD典型受累脑区。C组(延迟萎缩)在疾病晚期之前相对未受累,随后出现快速神经退行性变。B组(缓慢进展)萎缩程度最低,A组(进行性萎缩)呈现典型的AD样进展。然而,这些聚类在发现队列的扰动分析中仅能部分重现。在验证队列中发现了两个聚类,在一定程度上类似于ADNI/OASIS聚类的某些特征。
结论:研究人员的方法将连续疾病分期模型与数据驱动聚类算法相结合,缓解了以往AD脑萎缩模式建模的部分局限。研究人员发现了四种具有不同临床特征的萎缩模式聚类。然而,这些聚类很可能是既往已发现AD亚型的混合体,是由连续进展模式而非离散亚型所产生的。
阿尔茨海默病(Alzheimer’s disease, AD)是一种复杂的神经退行性疾病,其核心病理特征为脑萎缩以及β-淀粉样蛋白(amyloid-β, Aβ)斑块和tau蛋白缠结的累积。随着2024年阿尔茨海默病协会工作组对诊断与分期框架的更新,AD被进一步强调为在临床症状出现前即已启动的生物学过程。在此背景下,理解纵向疾病进展的异质性,尤其是不同患者脑萎缩轨迹的差异,成为早期识别、预后判断和靶向干预的关键前提。
既往研究多基于横断面或随访基线时间(time since baseline)建模脑萎缩,但受试者在入组时往往处于不同的真实病程阶段,导致“基线时间”并不能等同于“生物学病程时间”。另一方面,基于尸检或tau正电子发射断层扫描(positron emission tomography, PET)定义的AD亚型(如典型型、边缘为主型、海马保留型)虽提示了空间异质性,但存在侵入性强、成本高、缺乏空间全貌或与MRI萎缩轨迹耦合不足等问题;而单纯用MRI做聚类的方法又常把“分期差异”误判为“亚型差异”。因此,把连续潜在病程分期与无监督萎缩轨迹聚类解耦后再耦合,是本文试图解决的核心方法学缺口。
研究人员利用ADNI与OASIS两个发现队列的纵向FreeSurfer皮层及皮层下体积数据,并以瑞典BioFINDER-2(BF2)作为独立验证队列,构建了一套两阶段算法:先用多结果非线性混合效应疾病进展模型(multivariate continuous-time disease progression model, MCDP)基于认知量表(ADNI用ADAS-Cog-13与MMSE;OASIS用CDR-SB与MMSE)和Aβ-PET(ADNI用1?F-florbetapir SUVR;OASIS用Centiloid标准化PiB/FBP)估计每个受试者的潜在时间平移量;再把MRIvisit时间映射到该潜在时间轴上,对每个脑区拟合带左渐近线的单调指数衰减混合效应模型,提取受试者水平的时间缩放随机效应βik,经z-score标准化后做层次化K-means(Hartigan-Wong)分裂,以贝叶斯信息准则(Bayesian information criterion, BIC)配对Wilcoxon检验决定是否保留分裂。主要技术方法可概括为:潜在时间分期(MCDP)、指数型非线性混合效应轨迹建模、随机效应层次K-means聚类、BIC驱动的模型选择,以及线性混合效应模型/区间删失生存模型用于聚类后生物标志物与共病理校验。
Latent-time disease staging(潜在时间疾病分期)
研究人员分别为ADNI、OASIS、BF2拟合MCDP模型。结果显示,潜在时间平移能有效对齐不同基线诊断(认知正常CN、轻度认知障碍MCI、AD痴呆)受试者的认知与Aβ-PET曲线;Aβ阴性状态向后承接、阳性向前承接的处理使早期无PET者仍可获得稳定分期。该步骤把“日历随访时间”转换为“相对生物学病程时间”,为后续萎缩聚类去除了基线阶段混杂。
Clustering algorithm(聚类算法)
在潜在时间轴上,研究人员对数百个FreeSurfer区域独立拟合xik=lke^(gk(1+βik)t?ik)+vk+vik+εik,仅让βik承担个体萎缩速率偏差。层次分裂从全体受试者二分开始,每次对活跃簇重拟簇特异固定效应,比较父模型与三种子分裂方案的BIC;仅当配对Wilcoxon显示BIC显著下降(p<0.05)才接受分裂。最终在发现队列(ADNI 561 + OASIS 320 = 881例Aβ阳性且有可用MRI者)得到4簇。
Results of the four discovered clusters(四簇结果)
- •
A(Progressive atrophy,进行性萎缩):呈典型AD样内侧颞叶→皮层扩散轨迹;
- •
B(Slow progression,缓慢进展):各区域体积下降最缓,整体萎缩负荷最低;
- •
C(Delayed atrophy,延迟萎缩):潜在时间早中期相对保留,晚期末段出现加速神经退行性变;
- •
D(High atrophy,高萎缩):在AD典型区(海马、内嗅皮层、顶颞联合区)绝对萎缩量最高。
扰动分析(发现队列重抽样)仅部分重现四簇结构;BF2独立验证(747例)只稳定分出2簇,其特征分别近似“高/进行性”与“缓慢/延迟”的合并形态。
Post-clustering validation(聚类后校验)
在控制潜时间和全局萎缩严重度(留一区域均值z分数)后,线性混合效应模型显示簇成员身份仅在少数区域贡献额外方差,说明四簇并非完全离散亚型,而是连续轨迹上的速率/时相调制。共病理方面:脑白质高信号(white matter hyperintensities, WMH)轨迹、路易体病(Lewy body disease, LBD)α-突触核蛋白种子扩增试验(seed amplification assay, SAA)阳性分布、TDP-43 MRI比率(下/中颞叶÷海马)在簇间差异有限;区间删失生存模型(Turnbull/ic_sp)显示海马、内嗅、梭状回、岛叶、顶叶、颞叶达到z<?1.6449的事件时间簇间有别,但不足以支持硬亚型划分。
Discussion(讨论浓缩)
研究人员指出,本方法的主要价值在于把“分期”与“亚型搜索”在数学上解耦:MCDP先吸收基线诊断与Aβ状态带来的时间偏移,聚类只解释剩余的区域速率异质性。这解释了为何既往文献中“最小萎缩型”“海马保留型”等可在本研究中被映射为B/D或C/A的时相变体。同时研究人员坦承局限:四簇在发现队列扰动中仅部分可复现、验证队列退化为两簇,提示它们更可能是连续进展谱上的混合投影,而非生物学离散亚型;右渐近线未纳入、单变量独立拟合也限制了对晚期平台期的刻画。
Conclusion(结论翻译)
研究人员的方法将连续疾病分期模型与数据驱动聚类算法相结合,缓解了以往阿尔茨海默病脑萎缩模式建模中的若干局限。研究人员识别出四种具有不同临床剖面的纵向萎缩模式聚类;然而,这些聚类很可能是既往已报道AD亚型的混合体现,源自连续进展模式,而非真正离散的亚型。该结果提示:基于MRI的“亚型”应谨慎解释为病程时相与区域速率的连续调制,而非彼此隔离的疾病实体;对临床试验分层而言,潜在时间对齐比硬聚类更具可移植性。