KI-Framework sagt Alzheimer-Amyloid- und Tau-Belastung ohne PET-Scans voraus

Alzheimer-Krankheit (AD) ist biologisch definiert durch die fortschreitende Ansammlung von Amyloid-Beta (Aβ)-Plaques und neurofibrillären Tau (τ)-Tangles, die sich Jahre vor dem Auftreten von Symptomen entwickeln. PET-Bildgebung gilt als Goldstandard für den Nachweis dieser Pathologien, ist jedoch teuer, in der Routineversorgung kaum zugänglich und logistisch aufwändig. Die geschätzten 42,5 Milliarden US-Dollar, die zwischen 1995 und 2021 für die AD-Medikamentenentwicklung ausgegeben wurden – bei einer Misserfolgsrate von 95 % – verdeutlichen, wie kostspielig der derzeitige PET-abhängige Screening-Prozess für klinische Studien ist. Eine skalierbare, kostengünstige Alternative wird dringend benötigt.

Das Forschungsteam entwickelte ein zweistufiges, auf Transformern basierendes maschinelles Lernframework, das sieben unabhängige Kohorten integriert: NACC, A4, OASIS3, AIBL, FHS, ADNI und HABS. Die Eingabemodalitäten umfassten demografische Daten, Krankengeschichte, neuropsychologische Beurteilungen, genetische Marker (einschließlich APOE-Status), Befunde der körperlichen und neurologischen Untersuchung sowie aus Multi-Sequenz-MRT abgeleitete Hirnvolumina. Die Merkmale wurden im Format des Uniform Data Set 3 (UDS3) harmonisiert. In der ersten Stufe wurde das Modell trainiert, um gemeinsam die globale Aβ-Positivität und die meta-temporale Tau (meta-τ)-Positivität vorherzusagen. In der zweiten Stufe wurde das Modell verfeinert, um die regionale Tau-PET-Positivität in anatomisch unterschiedlichen Hirnregionen vorherzusagen. Das Framework wurde explizit so konzipiert, dass es fehlende Daten mithilfe modalitätsspezifischer Einbettungen verarbeiten kann – entsprechend der heterogenen Realität klinischer Daten.

Das Modell erzielte einen AUROC von 0,79 für die Amyloid-Klassifikation und 0,84 für die Tau-Klassifikation in externen Validierungsdatensätzen (ADNI und HABS) sowie einer zurückgehaltenen NACC-Teilmenge. Die vorhergesagten PET-Status stimmten mit etablierten Biomarkerprofilen überein, einschließlich CSF- und Plasma-Markern, und korrelierten mit postmortalen Neuropathologie-Graden. Die Shapley (SHAP)-Wertanalyse MRT-abgeleiteter regionaler Hirnvolumina ergab Cluster wichtiger Hirnregionen, die mit bekannten räumlichen Mustern der Tau-Ablagerung übereinstimmten – insbesondere in medialen und neokortikalen temporalen Regionen. Ein Graph-Netzwerk-Community-Erkennungsalgorithmus bestätigte, dass die vom Modell identifizierten regionalen Cluster eng mit den aus tatsächlichen regionalen Tau-PET-SUVr-Werten abgeleiteten Communities übereinstimmten.

Die gemeinsame Vorhersage von Aβ und τ stellt einen wesentlichen wissenschaftlichen Fortschritt dar, da diese Pathologien im AD-Verlauf synergistisch interagieren. Durch die Ausgabe kalibrierter Wahrscheinlichkeiten kann das Framework Individuen auf etablierte biologische Staging-Kriterien abbilden (z. B. AT-Staging), was eine kontinuierliche statt binäre Risikostratifizierung ermöglicht. Dies ist unmittelbar relevant für Studien wie TRAILBLAZER-ALZ 2, in der die Tau-Last die unterschiedliche Reaktion auf Donanemab – eine Amyloid-senkende Therapie – vorhersagte.

Die Autoren räumen ein, dass Plasma-Biomarker wie p-tau 217 eine vielversprechende eigenständige Leistung beim Nachweis von Amyloid bieten, jedoch nicht die räumliche Auflösung und bevölkerungsübergreifende Generalisierbarkeit besitzen, die erforderlich wären, um PET für das Tau-Staging zu ersetzen. Ihr multimodales Framework hingegen erfasst die regionale Tau-Topologie nicht-invasiv und toleriert unvollständige Daten. Der Ansatz stellt einen praktischen Vorscreening-Weg dar, der die PET-Bildgebungskosten senken, die Beurteilung der Eignung für klinische Studien ausweiten und eine frühere Intervention in Bevölkerungsgruppen mit eingeschränktem Zugang zu fortgeschrittener Neuroimaging ermöglichen könnte.