基礎科学と病態生理

科学分野:

• 神経科学
• 生物医学イメージング
• 計算生物学

背景:

• ADの認知低下は、タウ神経病理学と相関しており、それは脳内を予測可能なパターンで広がる。
• 非定型タウパターンとADサブタイプの定義における課題は、個人レベルでの比較と異なる病理学的特徴の理解を妨げる。
• invivo画像データを使用したADサブタイプの特定のための既存の方法は、定義と比較において限界がある。

研究 の 目的:

• 仮説駆動型の死後所見とデータ駆動型クラスタリングを統合することにより、ADサブタイプの解釈可能性を向上させるための新しいフレームワークを提案すること。
• ADサブタイプの定義と比較、特にタウ病理と灰白質萎縮の時空間的関係に関する課題に対処すること。
• 個人を一貫して安定してADサブタイプに割り当てるのに役立つ方法を開発すること。

主な方法:

• アルツハイマー病神経画像イニシアチブ（ADNI）からのデータを利用しました。
• 仮説駆動型プロトコルに基づいて、各参加者のADサブタイプ尤度を計算しました。
• サブタイプ尤度を組み込んでADNIデータをクラスタリングする半教師ありクラスタリングを採用し、ネストされたクロスバリデーションを使用して教師なし手法との安定性を比較しました。
• 横断的タウ特徴量（n=222）および萎縮関連特徴量（n=527）を使用してクラスタリングパフォーマンスを評価しました。

主要な成果:

• 半教師ありクラスタリングは、保持されたテストセットで一貫したサブタイプ予測を示しました（タウ特徴量で調整ランド指数：0.57、萎縮特徴量で0.12）。
• 教師なしクラスタリング手法（階層的、k平均法）は偶然レベルの結果をもたらし、純粋にデータ駆動型アプローチの限界を浮き彫りにしました。
• 提案されたフレームワークは、タウおよび萎縮特徴量に基づいてADサブタイプの予測においてパフォーマンスが向上しました。

結論:

• ADサブタイプの解釈のために教師なしクラスタリングのみに依存することは、重大なリスクを伴う。
• 仮説駆動型定義とデータ駆動型クラスタリングを組み合わせたフレームワークを、ADサブタイプの定義、トレーニング、および評価に推奨する。
• このアプローチは、確立された神経病理学的所見に基づいたADサブタイプ識別の信頼性と解釈可能性を高める。