Il Framework AI Prevede il Carico di Amiloide e Tau nell'Alzheimer Senza Scansioni PET

Il morbo di Alzheimer (MA) è biologicamente definito dalla progressiva accumulo di placche di beta-amiloide (Aβ) e di grovigli neurofibrillari di tau (τ), che si sviluppano anni prima della comparsa dei sintomi. La PET è il gold standard per il rilevamento di queste patologie, ma è costosa, inaccessibile nella routine clinica e logisticamente complessa. I circa 42,5 miliardi di dollari spesi nello sviluppo di farmaci per il MA dal 1995 al 2021—con un tasso di fallimento del 95%—evidenziano quanto sia oneroso il processo di screening dipendente dalla PET per i trial clinici. È urgentemente necessaria un'alternativa scalabile e conveniente.

Il gruppo di ricerca ha costruito un framework di machine learning a due stadi basato su transformer, integrando sette coorti indipendenti: NACC, A4, OASIS3, AIBL, FHS, ADNI e HABS. Le modalità di input includevano dati demografici, anamnesi, valutazioni neuropsicologiche, marcatori genetici (tra cui lo stato APOE), risultati degli esami fisici e neurologici, e volumi cerebrali derivati da MRI multi-sequenza. Le caratteristiche sono state armonizzate nel formato Uniform Data Set 3 (UDS3). Il primo stadio ha addestrato il modello a prevedere congiuntamente la positività globale all'Aβ e la positività alla tau meta-temporale (meta-τ). Il secondo stadio ha messo a punto il modello per prevedere la positività regionale alla PET della tau in regioni cerebrali anatomicamente distinte. Il framework è stato esplicitamente progettato per gestire i dati mancanti mediante embedding specifici per modalità, riflettendo l'eterogeneità clinica del mondo reale.

Il modello ha raggiunto un AUROC di 0,79 per la classificazione dell'amiloide e di 0,84 per la classificazione della tau su dataset di validazione esterna (ADNI e HABS) e su un sottoinsieme riservato di NACC. Gli stati PET previsti erano coerenti con i profili di biomarcatori consolidati, inclusi i marcatori del CSF e del plasma, e correlavano con i gradi di neuropatologia post-mortem. L'analisi dei valori Shapley (SHAP) sui volumi cerebrali regionali derivati da MRI ha rivelato cluster di regioni cerebrali importanti, allineati con i noti pattern spaziali di deposizione della tau—in particolare nelle regioni temporali mediali e neocorticali. Un algoritmo di rilevamento di comunità tramite reti a grafo ha confermato che i cluster regionali identificati dal modello corrispondevano strettamente alle comunità derivate dai valori effettivi di SUVr della PET della tau regionale.

La previsione congiunta di Aβ e τ rappresenta un importante avanzamento scientifico, poiché queste patologie interagiscono in modo sinergico nella progressione del MA. Producendo probabilità calibrate, il framework consente di collocare gli individui su criteri di stadiazione biologica consolidati (ad esempio, la stadiazione AT), permettendo una stratificazione del rischio continua anziché binaria. Ciò è direttamente rilevante per trial come TRAILBLAZER-ALZ 2, in cui il carico di tau ha predetto la risposta differenziale a Donanemab—una terapia di riduzione dell'amiloide.

Gli autori riconoscono che i biomarcatori plasmatici come il p-tau 217 offrono prestazioni promettenti come metodo autonomo per il rilevamento dell'amiloide, ma mancano della risoluzione spaziale e della generalizzabilità cross-popolazione necessarie per sostituire la PET nella stadiazione della tau. Il loro framework multimodale, al contrario, è in grado di rilevare la topologia regionale della tau in modo non invasivo e tollera dati incompleti. L'approccio rappresenta un percorso pratico di pre-screening che potrebbe ridurre i costi della PET, ampliare la valutazione dell'idoneità ai trial clinici e facilitare un intervento precoce nelle popolazioni con accesso limitato alla neuroimaging avanzata.