阿尔茨海默氏病（AD）是一种高度致残的、渐进的、神经退行性疾病，目前尚无有效的治疗方法。轻度认知障碍（MCI）是介于正常年龄认知变化和痴呆之间的一个阶段，被认为是AD的前兆。每年约有10%-12%的MCI患者发展为AD，对MCI的早期干预可能会延迟这种发展，部分甚至完全防止AD的发生。因此，临床上迫切需要可靠的生物标志物来识别有高风险发展为AD的MCI患者，并实施个体化治疗、防止或减缓AD的发展。

正电子发射计算机断层扫描（PET）是一种功能成像技术，现已广泛用于评估受影响的大脑区域的功能以及神经退行性疾病的临床评估和诊断。18F-氟-2-脱氧葡萄糖（18F-FDG）-PET可以测量局部脑葡萄糖代谢，揭示疑似AD患者的典型代谢模式，是预测认知障碍的极佳方法。

整个小脑和小脑灰质通常被用作分析18F-FDG-PET葡萄糖代谢的参考区域；然而，在这些区域的纵向PET测量中观察到了相当大的变异能力，引起了人们对这些结构作为参考区域的适宜性的担忧。动物实验表明，白质破坏和髓鞘变性是AD最早的病理变化，在AD患者中，脑脊液中淀粉样蛋白-b的代谢异常与白质的病理变化密切相关。因此，皮质下白质现在已经成为监测AD纵向变化的首选参考区域。这种监测神经退行性变化的方法对于揭示脑灌注和疾病进展的纵向变化可能具有固有的稳健性，可更准确地反映疾病的进展程度。

然而，这种局部葡萄糖代谢变化的特殊模式并不限于AD，也发生在其他退行性痴呆症中。因此，仅凭大脑代谢变化的模式不能准确地识别出有高风险发展为AD的MCI患者。

放射组学是一项结合了医学和工程学的新兴技术，能够通过提取大量的放射线组学特征来量化组织的固有异质性或同质性，从而帮助预后预测和临床决策。放射组学的早期应用主要限于肿瘤学领域，但由于该技术具有很大的普适性，目前也被应用于神经学领域。我们曾报道，基于全脑白质磁共振成像（MRI）的放射组学可以帮助预测帕金森病的进展。另一项研究发现，将基于人工智能的算法应用于多模态数据可以极大地提高对MCI进展为AD的预测。

近日，发表在academic radiology杂志的一项研究从白质区域的PET图像中提取与从MCI发展到AD相关的放射组学特征，并使用机器学习方法结合多模态数据，如临床信息和半定量的PET数据，构建了一个综合模型来预测哪些患者有从MCI发展到AD的高风险。

本项研究分析了阿尔茨海默病神经影像计划中341名MCI患者的数据，其中102人在8年的随访中进展为AD。这些患者被分为训练组（238名患者）和测试组（103名患者）。从训练组的白质中提取基于PET的放射组学特征，并进行降维以构建心理放射组学特征（PS），利用机器学习方法将其与多模态数据结合起来以构建一个综合模型。在测试组中使用接收器操作特征曲线来评估模型的性能。 

在多变量逻辑回归中，临床痴呆评分（CDR）、阿尔茨海默病评估量表（ADAS）评分和PS可独立预测MCI进展为AD。训练组和测试组的CDR、ADAS和PS的曲线下面积（AUC）分别为0.683、0.755、0.747和0.737、0.743、0.719，并使用支持向量机进行组合，构建一个综合模型。训练组和测试组的综合模型的AUC分别为0.868和0.865（灵敏度分别为0.873和0.839；特异性分别为0.784和0.806）。在两组中，综合模型的AUCs与其他预测因子的AUCs有明显差异（P < 0.05，Delong检验）。 

图 (A, B）训练组（A）和测试组（B）中综合模型的验证曲线。(C, D) 训练组（C）和测试组（D）的综合模型和单个预测因子的诊断性能。（E, F) 训练组(E)和测试组(F)的综合模型和单个预测因子的净临床效益

本项研究表明，基于白质PET数据的心理放射组学特征预测了MCI向AD的进展。其中，使用多模态数据和机器学习建立的综合模型可确定MCI患者向AD发展的高风险。

原文出处：

Jiaxuan Peng,Wei Wang,Qiaowei Song,et al.18F-FDG-PET Radiomics Based on White Matter Predicts The Progression of Mild Cognitive Impairment to Alzheimer Disease: A Machine Learning Study.DOI:10.1016/j.acra.2022.12.033