2024年美國阿茲海默症協會（AA-2024）提出的分類新標準，試圖將類澱粉病程假說（Amyloid Cascade Hypothesis）具象化為一套「對角線模型」。此研究透過 ADNI 資料進行實證檢驗，發現僅有 31.1% 受試者完全符合模型預測，絕大多數個案呈現不同程度的「分類不一致」。這項結果不僅挑戰現行的線性病程假設，更提醒臨床與研究端——在類澱粉與 tau 指標之外，共病以及大腦韌性的影響非常大，可能也還有許多等待被解讀的病理真相。
生物標記與臨床表現的不一致，反應出阿茲海默症病程的複雜性與多樣性。
重點提問：
1. AA-2024 所建立的類澱粉病程假說是否能真實反映臨床與病理的進展關係？
2. 本研究如何以多元客觀策略分類阿茲海默症患者的生物與臨床階段？
3. 在所有Aβ陽性個體中，實際符合類澱粉病程假說者比例有多少？
4. 認知韌性與共病造成的進程偏離各佔多少比例？
5. 觀察到的臨床—生物對應分布是否符合類澱粉病程假說的理論預測？
6. tau-PET cutoffs 的選擇會如何影響阿茲海默症患者在AA-2024模型中的分類？
Validating the Amyloid Cascade Through the Revised Criteria of Alzheimer's Association Workgroup 2024 for Alzheimer Disease
文獻出處
背景
AA-2024 新版診斷標準核心設計：採用「臨床 × 生物」雙軸設計，以 4 個生物階段（A〜D）與 6 個臨床階段（1〜6）構成 16 格矩陣，旨在反映類澱粉病程假說（amyloid cascade hypothesis）的預測路徑。
對角線表示預期病程：從 Aβ陽性、初期tau堆積、進一步tau擴散、最終發展為失智，對角線即表示此生物-臨床一致的理想進展。（Fig 1灰色格）
偏離形式：
共病型（Copathologic）：生物標記偏早，但臨床失能較嚴重（上對角，紅色格）。
韌性型（Resilient）：生物標記已進展，但臨床仍維持良好（下對角，綠色格）。
研究目的：評估AD患者實際分布是否符合對角線預測，藉以驗證類澱粉病程假說的「臨床—生物一致性」在現實人群中的滲透度（penetrance）。
研究方法
Participants：樣本來源與篩選
使用 ADNI 資料庫，共納入 256 名 Aβ 陽性者，分為：
CU（正常認知）：111 人
MCI（輕度認知障礙）：90 人
Dementia（失智）：55 人
所有參與者皆接受 tau-PET（[18F]Flortaucipir）與 Aβ PET（[18F]Florbetapir）影像、神經心理評估。
PET Imaging：影像分析標準化
Aβ PET：標準化以 whole cerebellum 為參照，SUVR ≥ 1.11 定義為陽性。
tau-PET 分區：
Medial temporal（MTL）區域：amygdala、entorhinal cortex、parahippocampal gyrus。
Neocortex 區域：涵蓋 Braak 4–6 對應之額葉、顳葉、頂葉與扣帶回。
SUVR 正規化：標準化以下小腦（inferior cerebellum）作為參照區。
Clinical Staging：臨床階段判定依據
依據 AA-2024 對 CU 族群再細分為 stage 1（正常）與 stage 2（細微認知障礙）。
使用 Shen 等人建議之 4 種認知域量表（記憶、執行、語言、視空）設定cutoff。
stage 3 為 MCI，stage 4–6 為失智階段，分別代表輕度、中度與重度失能。
Biological Staging：生物階段分法與cutoff計算
Stage A：Aβ 陽性（A+）
Stage B：A+ 且 medial temporal tau-PET 陽性（T2MTL+）
Stage C：加上中度 neocortical tau 負荷（T2MOD+）
Stage D：高度 neocortical tau 負荷（T2HIGH+）
度。
5種 tau-PET cutoff 計算方式
1. RW 方法（Reliable Worsening，可靠惡化法）
設計目的：從縱向資料中推估出 tau SUVR 開始「明顯上升」的位置，視為病理真正開始活化的轉折點。
納入對象：選擇 ADNI 中至少有 2 次 tau-PET 掃描的受試者。
意義：RW法具有生物動態學意涵，反映 tau 開始加速沉積的轉捩點，是「最保守」的定義方式。
2. Spec 方法（Specificity，特異性法）
設計目的：界定在「健康年輕人群體中能接受的最高 tau 值」，以強調特異性（少誤判陽性）。納入對象：選擇 ADNI 中年輕（具代表性）、無認知症狀且 Aβ 陰性的 CU 參與者（約佔樣本 30%）。
計算方法：在 medial temporal 與 neocortex ROI 中取其 SUVR 分布的 95th 百分位數 作為 cutoff。
意義：這是「最保守地界定陽性」的方法，目的是將 false positive 的風險降到最低。
3. Sens 方法（Sensitivity，敏感性法）
設計目的：界定「失智或 MCI 且 Aβ 陽性老年人」中最可能出現 tau 陽性的基準。納入對象：60 歲以上、有認知障礙（MCI 或 dementia）且 Aβ 陽性的參與者。
計算方法：計算其 SUVR 分布的 第 10 百分位 作為 cutoff。
意義：強調靈敏度，較容易把人分為 tau 陽性，但可能會包含 false positive。
4. Acc-Young 方法（Accuracy – Young Controls 對比法）
設計目的：找出能最佳區分「年輕健康人」與「年長認知障礙者」的 tau 閾值，最大化分類準確度。
對象：對比兩組人：
群體一：年輕、CU、Aβ 陰性者（即 Spec 用的群體）
群體二：年長、有 MCI 或 dementia、Aβ 陽性者（即 Sens 用的群體）
計算方法：
將兩組的 tau SUVR 分布畫出其 平滑累積分布函數（cumulative distribution functions,CDF）。
找出兩條曲線差距最大的點（即最大分類差異）作為 cutoff。
意義：此方法從「分類學角度」出發，最能分出正常與疾病者，是較折衷的作法。
5. Acc-Matched 方法（Accuracy – 年齡與性別配對對比法）
設計目的：進一步消除年齡與性別的干擾因素，更精準地區分 tau 陽性與陰性。
對比兩組人：
群體一：年長、有 MCI 或 dementia、Aβ 陽性（即病人組）
群體二：年齡與性別與病人組相同的 CU、Aβ 陰性者（從 ADNI 中配對產生的對照組）
配對方式：
使用 R 中 MatchIt 套件的
matchit()函數。採用「nearest neighbor matching」在年齡上最接近，並在性別上完全相同（exact matching）。
計算方法：與 Acc-Young 相同，使用 CDF 曲線最大距離作為 cutoff。
意義：此方法更嚴謹，排除年齡與性別干擾，是最貼近臨床真實情境的準確分類法之一。
| 方法名稱 | 強調面向 | 適用情境 | 特點說明 |
|---|---|---|---|
| RW Reliable Worsening |
生物病程 | 預測 tau 開始惡化的轉折點 | 最保守、具生物動力學意涵，反映加速沉積起點 |
| Spec Specificity Method |
特異性 | 排除正常人群中的 false positive | 僅接受極低 tau 水準，誤判風險最低 |
| Sens Sensitivity Method |
靈敏性 | 抓出高風險病患的最低陽性值 | cutoff 較低，較容易分類為 tau 陽性 |
| Acc-Young Accuracy (Young vs CI) |
最大區辨力 | 年輕正常人 vs 年長認知障礙者 | 依最大 CDF 差異界定，分類準確度最高 |
| Acc-Matched Accuracy (Matched Controls) |
準確性 | 年齡、性別控制後更精確分類 | 使用配對分析，減少人口特徵干擾 |
統計方法
矩陣分類：
主對角線：符合類澱粉病程假說（compliant）
上下對角線：部分偏離（divergent）
角落區域：顯著偏離（very divergent）
統計檢定：
與理論模型（完全滲透、完全隨機）比對：χ²檢定
分析五種方法分布差異：Cochran Q 檢定 + McNemar 配對檢定（Holm校正）
研究結果
受試者基本特徵
總人數：256 位 Aβ 陽性參與者
CU（stage 1–2）：111 人（60 + 51）
MCI（stage 3）：90 人
Dementia（stage 4–6）：55 人
年齡分布：從 CU 到 dementia 階段，年齡依序增加（p = 0.006）
性別比例：女性比例自 CU stage 1 的 73% 下降至 dementia 的 41%（p = 0.001）
教育年、ADAS-13、MMSE、記憶與執行功能指標皆顯示由 CU → dementia 漸進式惡化，且有統計顯著差異（p < 0.001）
病程一致性分類結果（主對角線 vs 偏離）
符合類澱粉病程假說者（主對角線）：
比例落在 30.9%–35.9%（依不同cutoff方法）
部分偏離者（上下對角線）：
比例為 32.3%–41.4%
顯著偏離者（矩陣角落）：
比例為 22.4%–36.6%
結論：僅約 1/3 符合假說預測，其餘為不同程度偏離。
模型與理論預測的比較：穿透力驗證
與零穿透模型（隨機分布）相比：
5 種方法皆顯示觀察結果顯著不同（p < 0.01），主對角線人數較多
與高穿透模型（50%主對角線）相比：
結果亦顯著不同（p < 0.001），主對角線人數明顯較少
意涵：實際臨床—生物對應程度介於隨機與理想病程之間，表現為中等穿透力。
各種cutoff方法分類差異顯著
Cochran Q test 顯示：
對於「符合 vs 偏離」比例整體差異：不顯著
對於「顯著偏離」個案比例差異：顯著（Q = 40.3, p < 0.001）
RW 方法分類出最多顯著偏離者，顯著高於 Spec、Acc-Young、Acc-Matched（p < 0.001）
認知韌性與共病比例依cutoff法有高度差異
共病型（臨床惡化＞病理進程）：
占比從 16.8%（Sens）至 63.4%（RW）
Sens 方法顯著低估共病（p < 0.001）
認知韌性型（病理嚴重但臨床輕）：
占比從 5.5%（RW）至 52.3%（Sens）
Sens 方法顯著高估韌性（p < 0.001）
解釋：RW最保守、Sens最寬鬆。分類準則會直接影響臨床意義判斷。
tau-PET Cutoffs 比較
RW method（最保守）：
MTL: 1.51；Neocortex MOD: 1.25；HIGH: 1.36
Sens method（最寬鬆）：
MTL: 1.13；Neocortex MOD: 1.04；HIGH: 1.12
其他方法如 Spec、Acc-Matched、Acc-Young落在中間值，約 1.15〜1.25
方法間 cutoffs 有明顯差異，影響生物分期判定與臨床解釋一致性
| Cutoff 方法 | Compliant (%) | Divergent (%) | Very Divergent (%) |
|---|---|---|---|
| RW | 31.1 | 32.3 | 36.6 |
| Spec | 35.9 | 41.0 | 23.1 |
| Sens | 30.9 | 37.9 | 31.3 |
| Acc-Young | 35.9 | 41.4 | 22.7 |
| Acc-Matched | 35.6 | 41.0 | 22.4 |
討論
類澱粉病程假說與 AA-2024 分類模型的挑戰
AA-2024 模型假設：阿茲海默症可由類澱粉病程假說描述，呈現出 Aβ → tau → 臨床表現的線性進程，理論上可反應至病理—臨床一致性矩陣主對角線。
研究觀察：ADNI 資料顯示，僅約三分之一受試者符合此模型預測的對角線分類（Compliant），大多數個案落於 divergent 或 very divergent 分類。
推論：生物標記與臨床表現不一致的個案，並非誤差或無關，而是反映阿茲海默症病程的複雜性與多樣性。
分類不一致（Divergent）個案的生物與臨床解釋
最常見類型一：A+T+ 但臨床正常（CU）
解釋一：個體具高度認知儲備，病理尚未造成可測量功能缺損。
解釋二：處於疾病非常早期階段，尚未進入 tau 傳播與神經損傷階段。
解釋三：部分個案可能為假陽性，來自 PET 或 CSF 閾值誤判。
最常見類型二：A–T– 但臨床診斷為 MCI 或 AD dementia
解釋一：可能罹患非 AD 類型的神經退化疾病（如 TDP-43、Lewy body）。
解釋二：混合型失智（vascular + AD pathology），現有生物標記不足以捕捉血管病變。
解釋三：精神疾患（如抑鬱症）引發假性認知退化。
研究建議：對於 divergent 個案應納入額外影像、生理或臨床資料以進行分層分析，避免單一標準誤導診斷或研究設計。
疾病異質性與分類矩陣應用的限制
觀察發現：即使調整 tau cutoffs（RW, Spec, Sens, Acc 方法），分類不一致率仍高，表示此異質性並非僅來自技術誤差，而是真實存在。
推論邏輯：
疾病生物標記與表現存在個體差異（如代償、基因、生活型態）
AT 指標雖具預測力，但未涵蓋其他神經退化路徑（退化、血管、炎症）
作者建議：分類模型應採「模糊分類（fuzzy classification）」或「多標籤學習（multi-label schema）」，以反映疾病的非線性與交叉路徑。
對診斷標準與臨床實務的反思與建議
AA-2024 模型貢獻：建構標準化定義與分類邏輯，提升跨研究比較與早期診斷可能性。
潛在問題：
過度依賴對角線假設，忽略異型進程與多重病因。
在某些族群（如老年 CU 或高齡 MCI）誤分類風險高。
臨床應用建議：
評估工具應結合 A/T 標記與其他臨床、認知、功能指標。
強化臨床醫師對 divergent 類型的識別與解釋能力，避免過度依賴生物標記判斷。
後續研究方向與分類模型進化建議
研究需求：
建立大型前瞻性世代研究以觀察 divergent 類型的長期演變。
引入多模態指標（如視網膜、血液、基因、功能影像）進行整合風險建模。
模型進化方向：
從單維分類（如 ATN）轉為多維風險圖譜（risk signature map）
建構反映疾病動態進程的模型（如 staging with time curves）
重要反思
分類方法選擇將大幅影響研究與診斷結論：
高敏感度方法（Sens）雖能捕捉更多 tau 陽性者，卻產生更多不一致與誤分類。
高特異度或分類精確度方法較能保留模型一致性。
需重思 tau 陽性定義是否適合一刀切：
AD 病理具連續性與時序性，單一閾值無法反映個體病程差異
可能要考慮動態 tau 曲線與個體化基線參考值
AA-2024模型之應用應加註風險警語：
低一致性不意味模型無效，而可能代表模型需輔以「認知儲備」、「共病」、「基因」等修正變項使用
- 原理角度：
臨床表現 = f(病理異常 × 神經代償 × 共病 × 時序進展 × 測量敏感度)
單靠 Aβ 和 tau 生物標記無法充分解釋臨床異質性。
- 分類框架未來調整建議：
對於「A+T+CU」或「A-T-AD」個體，應建立多重分類標籤（multi-label schema），同時標示病理狀態與臨床表現狀態。
- 「多維風險結構模型」：整合 A/T/N/I/V/R 等生物標記。 I:inflammation, V:vascular, R: resilience, 可能還會有synuclien, TDP-43等
「病程時間軸動態建模」：區分早期標記出現、症狀轉化速度與不同生物路徑間的時間延遲（lag）。
增設「臨床不一致標註」區域，避免誤導治療決策或過度依賴生物標記。
臨床研究應用：
必須對 divergent case 建立「長期觀察資料庫」，以追蹤其是否會轉變為典型 AD 或維持異型狀態。
精準醫學策略應納入這些「非典型亞群」作為研究與介入標的。
重點問答
1. 如何研究AA-2024 所建立的類澱粉病程假說是否能真實反映臨床與病理的進展關係？
答：此研究針對AA-2024新版阿茲海默症診斷標準，檢驗其所建構的4×4臨床—生物雙維分期矩陣是否能反映類澱粉病程假說，也就是從Aβ沉積開始，依序導致tau擴散、神經退化，最終產生認知失能。研究關注的核心，是有多少患者符合這一進展順序（對角線），又有多少出現偏離（上下對角與角落）。這對疾病分類、臨床預測與藥物試驗入組標準具有關鍵意義。
2. 本研究如何以多元客觀策略分類阿茲海默症患者的生物與臨床階段？
答：研究選用ADNI中256名Aβ陽性個案，依照AA-2024規範，結合神經心理測驗與Aβ/tau PET影像，分別建立六個臨床階段與四個生物階段。為確保tau陽性閾值的可靠性，研究採用五種不同演算法（RW、Spec、Sens、Acc-Young、Acc-Matched）計算tau-PET的SUVR cutoff，再將個體對應至矩陣中，以檢驗其是否符合假說預測的病程發展路徑。
3. 在所有Aβ陽性個體中，實際符合類澱粉病程假說者比例有多少？
答：研究結果顯示，僅有約30.9%至35.9%的個體同時在生物與臨床階段上落在矩陣主對角線上，完全符合類澱粉病程假說的階段性預測。這表示絕大多數個案的臨床與病理進展不一致，顯示AD病程在真實人群中並非如理論中線性演進，臨床表現有相當大的多樣性。
4. 認知韌性與共病造成的進程偏離各佔多少比例？
答：在偏離主對角線的個體中，依tau PET 切分點的不同，屬於認知韌性型（生物進展較快但臨床表現較輕）者比例介於5.5%至52.3%，屬於共病型（生物病程較輕但臨床失能明顯）者則介於16.8%至63.4%。這反映了非AD純病理（如腦血管病、α-synuclein等共病）與個人差異（如認知儲備、教育）對病程演化的重大干擾。
5. 觀察到的臨床—生物對應分布是否符合類澱粉病程假說的理論預測？
答：實際符合主對角線的比例（31–36%）顯著高於完全隨機（零穿透）模型下的25%，卻又明顯低於假設完全線性（高穿透）模型的50%，顯示AD病程在真實世界中僅具中等程度的類澱粉病程穿透力，且高度受異質性影響。
6. tau-PET cutoffs 的選擇會如何影響阿茲海默症患者在AA-2024模型中的分類？
答：五種cutoff演算法對相同個體造成顯著不同的分類結果。RW法最保守，分類出最多共病型個案；Sens法最寬鬆，分類出最多韌性個案。這些差異影響生物階段分類準確性與一致性，進而改變診斷詮釋與治療應用，突顯標準化 tau PET 量 cutoff的迫切需求。