El Marco de IA Predice la Carga de Amiloide y Tau del Alzheimer Sin Necesidad de PET Scans

La enfermedad de Alzheimer (EA) se define biológicamente por la acumulación progresiva de placas de beta-amiloide (Aβ) y ovillos neurofibrilares de tau (τ), que se desarrollan años antes de la aparición de los síntomas. La imagen PET es el estándar de referencia para detectar estas patologías, pero resulta costosa, inaccesible en la atención habitual y logísticamente exigente. Los aproximadamente 42.500 millones de dólares invertidos en el desarrollo de fármacos para la EA entre 1995 y 2021 —con una tasa de fracaso del 95 %— ponen de manifiesto el elevado costo que supone el actual proceso de selección dependiente del PET en los ensayos clínicos. Se necesita con urgencia una alternativa escalable y rentable.

El equipo investigador desarrolló un marco de aprendizaje automático basado en transformadores de dos etapas que integra siete cohortes independientes: NACC, A4, OASIS3, AIBL, FHS, ADNI y HABS. Las modalidades de entrada incluyeron datos demográficos, historia clínica, evaluaciones neuropsicológicas, marcadores genéticos (incluido el estado de APOE), hallazgos de exploración física y neurológica, y volúmenes cerebrales derivados de resonancia magnética (RM) multisecuencia. Las variables se armonizaron al formato Uniform Data Set 3 (UDS3). La primera etapa entrenó el modelo para predecir conjuntamente la positividad global de Aβ y la positividad de tau metatemporal (meta-τ). La segunda etapa ajustó finamente el modelo para predecir la positividad regional del PET de tau en regiones cerebrales anatómicamente diferenciadas. El marco fue diseñado explícitamente para gestionar datos faltantes mediante embeddings específicos por modalidad, lo que refleja la heterogeneidad clínica del mundo real.

El modelo alcanzó un AUROC de 0,79 para la clasificación de amiloide y de 0,84 para la clasificación de tau en conjuntos de datos de validación externa (ADNI y HABS) y en un subconjunto retenido de NACC. Los estados PET predichos fueron coherentes con los perfiles de biomarcadores establecidos, incluidos los marcadores en líquido cefalorraquídeo (LCR) y plasma, y se correlacionaron con los grados de neuropatología post mortem. El análisis de valores Shapley (SHAP) de los volúmenes cerebrales regionales derivados de RM reveló grupos de regiones cerebrales relevantes que se alinearon con los patrones espaciales conocidos de deposición de tau, especialmente en regiones temporales mediales y neocorticales. Un algoritmo de detección de comunidades en redes de grafos confirmó que los grupos regionales identificados por el modelo coincidían estrechamente con las comunidades derivadas de los valores reales de SUVr del PET de tau regional.

La predicción conjunta de Aβ y τ representa un avance científico relevante, dado que estas patologías interactúan de forma sinérgica en la progresión de la EA. Al generar probabilidades calibradas, el marco puede situar a los individuos en criterios de estadificación biológica establecidos (por ejemplo, la estadificación AT), lo que permite una estratificación del riesgo continua en lugar de binaria. Esto tiene una relevancia directa para ensayos como TRAILBLAZER-ALZ 2, donde la carga de tau predijo la respuesta diferencial a Donanemab, una terapia reductora de amiloide.

Los autores reconocen que los biomarcadores plasmáticos como p-tau 217 ofrecen un rendimiento prometedor como prueba independiente para la detección de amiloide, pero carecen de la resolución espacial y la generalización entre poblaciones necesarias para reemplazar al PET en la estadificación de tau. Su marco multimodal, por el contrario, captura la topología regional de tau de forma no invasiva y tolera datos incompletos. El enfoque representa una vía práctica de preselección que podría reducir los costos de la imagen PET, ampliar la evaluación de elegibilidad para ensayos clínicos y facilitar una intervención más temprana en poblaciones con acceso limitado a la neuroimagen avanzada.