近日，大分大学和卫材宣布开发了一种机器学习模型，用于预测脑内β-淀粉样蛋白（Aβ*[1]）的积累。该模型结合了年龄、性别、吸烟史和病史等背景数据，以及常规血液检查和MMSE*[2]（简易精神状态检查）项目。该模型预计将使初级保健医生能够在常规体检中预测脑内Aβ的积累，这是阿尔茨海默病（AD*[3]）的重要病理因素，并有助于进行简单的早期筛查。

该模型的详细信息已于2025年1月21日发表在同行评审的医学期刊《Alzheimer’s Research & Therapy》的在线版上。

目前，虽然脑Aβ积累可以通过正电子发射断层扫描（淀粉样蛋白PET*[4]）和脑脊液检测（CSF检测*[5]）来检测，但这些检测的高成本和侵入性仍是亟待解决的问题。因此，近年来，众多研究致力于开发多种与阿尔茨海默病（AD）相关的血液生物标志物，以期提供一种更为便捷的筛查方法。然而，以往很少有研究评估使用常规临床数据来预测脑部Aβ积累模型的性能。本研究首次开发了一种机器学习模型，该模型利用了34项临床数据，包括背景数据（年龄、性别、吸烟史和病史）、常规血液检查数据（如肾功能、肝功能、甲状腺功能）以及痴呆护理中常规收集的简易智能状态检查（MMSE）项目，来预测淀粉样蛋白PET阳性。评估结果显示，该预测模型的曲线下面积（AUC）分别为0.70（仅结合背景数据和常规血液检查数据）和0.73（结合背景数据、常规血液检查数据和MMSE数据），表明该模型具有一定的预测准确性。

Aβ抗体已在AD早期阶段治疗中显示出可能提供更大益处的潜力¹，因此，早期检测脑内Aβ积累显得至关重要。此机器学习模型能够利用常规医疗护理中收集的临床数据来预测脑部Aβ积累，预计将被初级保健医生广泛应用于AD的早期筛查。

通过利用该模型来确定淀粉样蛋白PET和CSF检测的必要性，预计将有助于AD的早期诊断和治疗启动，并减少患者的经济和身体负担。

 

术语表

*[1] β-淀粉样蛋白：被视为阿尔茨海默病病因的蛋白质，在疾病发作前约20年在大脑中积累并形成老年斑。

*[2] MMSE（简易精神状态检查）：一种评估认知功能的方法。它包括定向力、记忆力、注意力/计算、延迟回忆、命名、重复、理解、阅读、写作和图形复制等评估项目，评分范围为30至0分（正常至严重）。

*[3] 阿尔茨海默病：最常见的痴呆病因，其病理特征包括老年斑、神经原纤维缠结和神经元细胞死亡。

*[4] 淀粉样蛋白PET：一种可视化大脑中Aβ积累的脑部成像检测。

*[5] 脑脊液检测：一种分析脑脊液中Aβ42、磷酸化tau和总tau作为阿尔茨海默病生物标志物的检测。

研究背景与概述

随着日本进入超老龄化社会，65岁以上痴呆患者数量增加，开发针对AD（最常见的痴呆病因）的新治疗药物成为紧迫问题。在AD中，脑部Aβ的积累是疾病发作前的病理事件。研究表明，抗Aβ抗体在AD早期阶段开始治疗时可能提供更大的益处¹，这凸显了早期检测脑部Aβ积累的重要性。虽然淀粉样蛋白PET等成像技术对AD诊断有用，液体生物标志物也用于检测，但这些方法存在侵入性和成本问题。

因此，许多基于机器学习的脑部Aβ预测模型被开发为更简单的筛查工具，但这些模型通常包含常规临床实践中未测量的标志物，如成像数据和ApoE基因型。本研究首次尝试开发一种机器学习模型，仅使用痴呆护理中常规收集的背景数据和常规血液检查结果来预测淀粉样蛋白PET阳性。

研究结果与意义

本研究利用了大分大学医院在2012年9月至2017年11月期间收集的门诊数据，以及2015年10月至2017年11月期间在大分县臼杵市进行的关于65岁及以上无痴呆老年人的前瞻性队列研究（USUKI STUDY）数据。预测模型使用了三种机器学习技术：支持向量机、弹性网络和L2正则化逻辑回归，结合了12项参与者背景数据（年龄、性别、吸烟史、病史-高血压、血脂异常、心脏病、中风、糖尿病、甲状腺疾病）、11项常规血液检查项目（肾功能、肝功能、甲状腺功能等）以及262名轻度认知障碍或正常认知功能个体（136名男性，126名女性，中位年龄73.8岁）的11项MMSE项目评分，并评估了模型的性能。

使用L2正则化逻辑回归的预测性能显示，结合参与者背景和MMSE项目的模型以及结合参与者背景和常规血液检查的模型的AUC均为0.70，表明性能相似。此外，结合所有这些元素（参与者背景、常规血液检查和MMSE项目）的模型显示出更高的性能，AUC为0.73。分析预测Aβ积累的关键因素，发现MMSE项目中的延迟回忆和地点定向、年龄、促甲状腺激素和平均红细胞体积是重要因素。

学术论文：

英文标题：Machine learning models for dementia screening to classify brain amyloid

positivity on positron emission tomography using blood markers and demographic

characteristics: a retrospective observational study

日文标题：血液マーカーと人口統計学的特徴を用いてアミロイドPET における脳アミロイド陽性を分類する認知症スクリーニングのための機械学習モデル：後ろ向き観察研究

作者：Noriyuki Kimura（大分大学医学部神经内科）、Kotaro Sasaki（卫材株式会社）、Teruaki Masuda（大分大学医学部神经内科）、Takuaki Ataka（大分大学医学部神经内科）、Mariko Matsumoto（卫材株式会社）、Mika Kitamura（卫材株式会社）、Yosuke Nakamura（卫材株式会社）、Etsuro Matsubara（大分大学医学部神经内科）

出版杂志：《Alzheimer’s Research & Therapy》

参考文献

1.Sperling, R., Selkoe, D., Reyderman, L., Youfang, C., Van Dyck, C. (2024, July 28 – August 1). Does the

Current Evidence Base Support Lecanemab Continued Dosing for Early Alzheimer ’ s Disease?

[Perspectives Session] Alzheimer’s Association International Conference, Philadelphia, PA, United States.

 

编号：ECN-2025-0017