Tau-CTFP：一个基于连接组的连续时间首达模型，用于预测区域 tau PET 异常的发生

Tau PET 负荷与阿尔茨海默病随后的认知下降相关，这推动了对监测和空间靶向治疗研究的预测需求。我们提出 Tau-CTFP，一种基于连接组的生成式连续时间首次通过模型，用于预测 tau PET 异常的区域性首次观测发病，异常由规范性阈值定义。该模型在合并的连续扫描对上进行训练，结合当前规范性 tau 评分、对既往异常区域的网络暴露以及自适应学习的区域易感性，产生个体化的、特定时间范围的发病风险、预期发病计数及计数不确定性。参与者分离的排序评估纳入了来自 117 名淀粉样蛋白阳性 ADNI 参与者的 168 次随访访视。每次访视包含在起源 tau PET 值明显正常且既往未观察到异常的区域中的发病与未发病。排名最高的区域在 59.5% 的评估访视中变为异常（精确率；阈值邻近度：46.4%）；选择最多五个区域平均捕获了 53.6% 的合格发病（召回率）。访视层面的平均精确率（AP）均值为 0.584（95% CI 0.536-0.632；随机排序：0.272），该指标总结了随着优先列表变长捕获更多发病时的精确率。AUROC 为 0.820（95% CI 0.793-0.847）。经多重性校正后，AP 显著超过所有五个任务适配进展模型以及阈值邻近度，在纳入更接近异常的区域时亦然。在主要评估中，轻度认知障碍中的首选精确率为 63.8%（随机选择：19.1%）。在 297 次转换中，在区域概率保持固定的情况下，对依赖关系建模显著改善了发病计数的预测分布，相对于独立性假设。留出的 ADNI 参与者显示出相似的 AP（0.567；95% CI 0.458-0.675）。这些预测可为个体化监测和空间靶向治疗的前瞻性研究提供信息。

中文由 AI 翻译，仅供参考，以原文为准。