Framework de IA Prevê a Carga de Amiloide e Tau no Alzheimer Sem Necessidade de PET Scans

A doença de Alzheimer (DA) é definida biologicamente pela acumulação progressiva de placas de beta-amiloide (Aβ) e emaranhados neurofibrilares de tau (τ), que se desenvolvem anos antes do início dos sintomas. A tomografia por emissão de pósitrons (PET) é o padrão-ouro para a detecção dessas patologias, mas é cara, inacessível na atenção clínica de rotina e logisticamente exigente. Os estimados US$ 42,5 bilhões gastos no desenvolvimento de medicamentos para DA entre 1995 e 2021 — com uma taxa de falha de 95% — evidenciam o alto custo do processo de triagem dependente de PET para ensaios clínicos. Uma alternativa escalável e custo-efetiva é urgentemente necessária.

A equipe de pesquisa construiu um framework de aprendizado de máquina em dois estágios baseado em transformadores, integrando sete coortes independentes: NACC, A4, OASIS3, AIBL, FHS, ADNI e HABS. As modalidades de entrada incluíram dados demográficos, histórico médico, avaliações neuropsicológicas, marcadores genéticos (incluindo o status do APOE), achados de exame físico e neurológico, e volumes cerebrais derivados de ressonância magnética com múltiplas sequências. As variáveis foram harmonizadas no formato Uniform Data Set 3 (UDS3). O primeiro estágio treinou o modelo para prever conjuntamente a positividade global para Aβ e a positividade para tau meta-temporal (meta-τ). O segundo estágio ajustou o modelo para prever a positividade regional por PET de tau em regiões cerebrais anatomicamente distintas. O framework foi explicitamente projetado para lidar com dados ausentes por meio de embeddings específicos por modalidade, refletindo a heterogeneidade clínica do mundo real.

O modelo alcançou uma AUROC de 0,79 para a classificação de amiloide e de 0,84 para a classificação de tau nos conjuntos de validação externa (ADNI e HABS) e em um subconjunto reservado do NACC. Os status de PET previstos foram consistentes com perfis de biomarcadores estabelecidos, incluindo marcadores no líquido cefalorraquidiano (LCR) e no plasma, e correlacionaram-se com os graus de neuropatologia post-mortem. A análise dos valores de Shapley (SHAP) dos volumes cerebrais regionais derivados de ressonância magnética revelou agrupamentos de regiões cerebrais importantes que se alinharam com os padrões espaciais conhecidos de deposição de tau — particularmente nas regiões temporais mediais e neocorticais. Um algoritmo de detecção de comunidades em redes de grafos confirmou que os agrupamentos regionais identificados pelo modelo correspondiam de perto às comunidades derivadas dos valores reais de SUVr da PET tau regional.

A predição conjunta de Aβ e τ representa um avanço científico relevante, uma vez que essas patologias interagem de forma sinérgica na progressão da DA. Ao gerar probabilidades calibradas, o framework é capaz de mapear indivíduos em critérios de estadiamento biológico estabelecidos (por exemplo, o estadiamento AT), possibilitando uma estratificação de risco contínua em vez de binária. Isso tem relevância direta para ensaios como o TRAILBLAZER-ALZ 2, no qual a carga de tau previu resposta diferencial ao Donanemab — uma terapia de redução de amiloide.

Os autores reconhecem que biomarcadores plasmáticos, como o p-tau 217, oferecem um desempenho promissor de forma isolada para a detecção de amiloide, mas carecem da resolução espacial e da generalização entre populações necessárias para substituir a PET no estadiamento de tau. Em contrapartida, o framework multimodal dos autores captura a topologia regional de tau de forma não invasiva e tolera dados incompletos. A abordagem representa um caminho prático de pré-triagem capaz de reduzir os custos de imageamento por PET, ampliar a avaliação de elegibilidade para ensaios clínicos e facilitar a intervenção precoce em populações com acesso limitado à neuroimagem avançada.