109
此研究的目的在探討沒有路易氏體病理的阿茲海默症（AD）患者中，帕金森症狀的發生及其與腦部病理的關聯。不過吸引我注意的是，此文章將其藉助chatGPT 整理資料的訊息，直接寫在摘要中，令人好奇，在研究型文章中要如何描述使用的AI中包括使用chatGPT。
重要提問
問題一：在沒有路易氏體的阿茲海默症（AD）患者中，帕金森症狀有多常見？
問題二：研究發現帕金森症狀與阿茲海默症患者的腦部病理有何關聯？
問題三：研究中 TAR DNA 結合蛋白 43 (TDP-43) 病理在阿茲海默症引起的帕金森症狀中扮演什麼角色？
問題四：這項研究如何利用人工智慧（AI）技術進行分析？
問題五：這項研究結果對於診斷同時患有失智症和帕金森症狀的患者有何啟示？
問題六：在抗類澱粉蛋白治療的背景下，這項研究的發現有何重要性？
Parkinsonism in Alzheimer’s disease without Lewy bodies inassociation with nigral neuron loss: A data-drivenclinicopathologic study
文獻出處
背景
與路易體病（LBD）的關係：
- LBD合併情形：22%至33%的阿茲海默症 (AD) 案例伴有路易體病，因此在失智症患者中觀察到的帕金森症狀通常歸因於合併路易體病。
- 無路易體現象：多項病理解剖研究指出，在無路易體的阿茲海默症患者中亦出現帕金森症狀，但其臨床意義常被低估。
診斷與文獻現狀：
- 診斷標準：現有的診斷標準中，很少專門討論無路易體的阿茲海默症中帕金森症狀的議題。
- 治療趨勢：隨著疾病修飾治療 (DMT) 的興起，深入瞭解由阿茲海默症病理引起的帕金森症狀對於精準挑選接受抗類澱粉 (anti-amyloid) 治療的病患變得越來越重要。
研究目的與方法：
- 研究目的：本研究旨在量化描述無路易體阿茲海默症中帕金森症狀與黑質神經病理之間的關係。
- 研究方法：
- 採用兩條人工智慧管線：一是利用YOLOv8進行神經元檢測；二是利用微調後的ChatGPT進行臨床資料提取。
- 此資料驅動方法將有助於深入理解黑質退化在阿茲海默症相關帕金森症狀中的作用。
研究方法
研究對象 (Subjects)
- 研究設計：回溯性觀察性研究。
- 樣本來源：
- 收錄2702名具阿茲海默症病理解剖診斷 (neuropathologic diagnosis of AD) 的病患，資料來自9640名捐贈者，均於1998年至2022年間於Mayo Clinic Brain Bank收集。
- 排除條件：
- 排除其他神經退化疾病患者：路易體病 (Lewy body disease, LBD，)、多系統萎縮MSA、額顳葉退化失智症 (FTLD)、進行性核上性麻痺 (PSP)、皮質基底退化症 (CBD) 以及具有顯著腦血管疾病的病患。
- 不排除以LATE為主的TDP-43腦病變，因研究目的之一在於評估無LB的阿茲海默症中TDP-43病理。
- 樣本處理：
- 掃描中腦切片（含血紅素及伊紅染色，H&E染色），並剔除在黑質 (SN) 有嚴重假影的切片。
神經病理評估 (Neuropathologic Evaluation)
- 腦組織取樣與處理：
- 使用標準化方法對福爾馬林固定腦組織進行取樣，由經認證的病理學家 (D.W.D.) 執行。
- 切片製作：
- 製作5微米厚的石蠟包埋切片，並貼附於玻璃載片上，進行H&E與Thioflavin S染色。
- 免疫組織化學染色：
- 中腦切片採用下列抗體進行染色：
- 磷酸化tau (CP13)。
- 磷酸化TDP-43。
- 磷酸化α-synuclein (pS129）。
- 中腦切片採用下列抗體進行染色：
- 病理診斷與評分：
- 透過Thioflavin S螢光顯微鏡在關聯皮質（前額、顳、頂葉）、主要皮質（視覺與運動區）、海馬（CA1、CA4與下迴）、杏仁核、基底核及小腦中計量神經纖維纏結 (NFTs) 與老年斑。
- 依據NFT分布與數量，分別採用Braak NFT分期 (0–VI) 與Thal類澱粉分期 (0–5) 進行評分。
- 另外，黑質中的TDP-43病理由另一位對臨床病理學資訊不知情的神經病理學家 (S.K.) 評估黑質中 TDP-43 病理學的存在情況。
- 腦組織取樣與處理：
數位病理學 (Digital Pathology)
- 全切片影像取得：
- 使用 ScanScopeXT (Aperio Technologies) 以 20 倍放大倍率掃描獲得全玻片影像 (WSIs)，以 svs 格式保存，並在 QuPath 0.4.3 上進行分析。
- 染色向量標準化: 通過估計染色向量進行標準化。
- 黑質 (SN) 手動分割: 由研究人員 (D.O.) 手動分割黑質 (SN)。在本研究中，黑質被定義為位於中腦被蓋 (midbrain tegmentum) 和位於動眼神經根水平的大腦腳 (cerebral peduncle) 之間的區域。
- 全切片影像取得：
黑質神經元檢測之機器學習 (Machine learning for nigral neuron detection)
- 資料來源：
- 從232張以H&E染色之中腦切片中隨機選取，這些切片呈現黑質 (SN) 不同程度的神經退化。
- 包含病例：140例路易體病 (LBD)、61例阿茲海默症 (AD)、5例病理性老化、5例額顳葉變性 (FTLD)、3例進行性核上性麻痺 (PSP) 及3例與年齡相關的初級tau病變。
- 黑質分割與切片裁剪：。
- 從232個分割好的黑質中，隨機裁剪出3648個500像素正方形切片。
- 神經元標註：
- 在這3648個切片中，標註具有可見細胞體與核的神經元，並分為含色素 (pigmented) 與非色素 (non-pigmented) 神經元，由D.O.及A.R.M.在D.W.D.（病理學家）監督下進行。
- 為了明確區分有無核仁，亦標記了無核仁之神經元（僅用於模型訓練，不參與後續神經元計數分析）。
- 資料集分配與模型訓練：
- 標註後的影像隨機分為訓練集、驗證集及測試集，比例為70%：15%：15%。
- 使用測試與驗證資料集，對YOLOv8.0.99中的物件檢測模型（yolov8m-det，參考：https://github.com/ultralytics/ultralytics）進行微調，訓練100個epoch，批次大小設定為16。
- 模型效能以平均精確度 (mean Average Precision, mAP，IoU=0.50:0.95) 評估，值介於0至1，值越接近1表示效能越佳。
- 推論過程：
- 對分割好的黑質影像，製作500像素正方形切片（邊緣重疊50像素）。
- 利用微調後的模型在切片上進行神經元預測，再將預測結果映射回整個全切片影像 (WSI)。
- 遇到被切片邊緣截斷的神經元則排除；若神經元有多重標籤，則選取信心分數最高者。
- 模型開發環境：Python 3.10.12、PyTorch 2.1.0+cu121，運行於Google Colab雲端平台（GPU：A100-SXM4-40GB，NVIDIA）。
- 資料來源：
利用ChatGPT進行臨床資料抽象之微調 (ChatGPT fine-tuning for clinical data abstraction)
- 目的：建立自動化管線以抽取結構化臨床資料，涵蓋病史、症狀與體徵，共選定195個項目。
- 資料來源與處理：
- 收集來自捐贈者家屬或Mayo Clinic電子醫療記錄的臨床記錄，掃描成PDF格式。
- 臨床資料項目的選取: 為了開發自動化結構化臨床數據提取管線，我們回顧了先前的文獻和診斷標準，並選擇了 195 個項目，包括病史、症狀和體徵，這些對於神經退化性疾病的診斷非常重要。
- 使用PyPDF 2.11.1及Python-tesseract 0.3.10進行文字辨識。
- 資料提取流程：
- 為每個特定症狀設定搜尋詞，從文件中擷取包含該搜尋詞的三行文字。
- 將病患個人資訊進行去識別化處理（包括姓名、機構、地址及日期），使用自然語言處理庫spaCy 3.7.2。
- 樣本標註與模型微調：
- 從2022年504名捐贈者的醫療記錄中，隨機選取2000則包含摘錄的結果，由A.R.M.及D.O.進行標註，評估病患是否具備該症狀（0：不存在、1：存在、或無法確定「undetermined」）。
- 以1900則人工標註結果進行微調，使用大型語言模型gpt-3.5-turbo-0613，並透過ChatGPT API (openai 1.33.0) 進行訓練。
- 模型評估：
- 利用剩餘的100則摘錄計算模型精準度與Cohen’s κ。
- 另由經認證的神經科醫師 (H.S.) 對同一100則摘錄獨立標註，並比對兩者間的一致性。
結構化臨床資料總結 (Summarizing structured clinical data)
- 抽象資料處理流程：
- 微調後的GPT抽取出來的結構化臨床資料，依據以下規則進行整理：
- 忽略「undetermined」標籤。
- 若病患至少有一項「存在」標籤，則視為該症狀存在。
- 若病患僅有「不存在」標籤，則視為該症狀不存在。
- 若病患沒有任何標籤，則該值排除於分析之外，歸類為「無資料」。
- 微調後的GPT抽取出來的結構化臨床資料，依據以下規則進行整理：
- 資料組織：
- 將關鍵症狀進行分組。
- 巴金森氏症候群 (Parkinsonism) 的定義: 根據診斷標準，運動遲緩 (bradykinesia) 與僵直 (rigidity) 或靜止性震顫 (rest tremor) 兩者之一結合，被認為是巴金森氏症候群。
- 抽象資料處理流程：
統計分析
- 統計方法：
- 使用scikit-learn 1.2.0、SciPy 1.9.3及其他相關Python庫進行所有統計分析。
- 連續變數採用非參數表示，使用中位數與四分位範圍呈現（並標明案例數）。
- 檢定方法：
- 分類變數以卡方檢定 (chi-squared test) 進行評估。
- 連續變數以Mann–Whitney U檢定進行評估。
- 連續變數之間的相關性則使用Spearman等級相關檢定。
- 統計顯著性：
- p值小於0.05視為具有統計顯著性。
結果
病患選擇與特徵
- 研究樣本來源：
- 收案2702名於Mayo Clinic Brain Bank進行病理解剖確認阿茲海默症 (AD) 的病患，49%男性。
- 基本統計數據：
- 年齡：死亡時中位數80歲（四分位範圍73-86歲）。
- 病程：中位數病程8年（四分位範圍6-11年）。
- 阿茲海默症無路易體 (LB) 病例：
- 約31.3% (847/2702) 的AD病例無LB且無其他神經退化疾病。
- 進一步篩選：
- 從無LB組中，刪除78例無中腦切片及134例因黑質 (SN) 嚴重假影或無可評估SN的病例，最終獲得635例適用於黑質神經元計數與臨床記錄抽象分析。
- 臨床診斷情形：
- 70%的病例臨床診斷為AD；其餘部分曾被誤診為：
- 失智症伴路易體病 (DLB)：11%
- 皮質基底症候群 (CBD)：6%
- 巴金森病 (PD)：3%
- 正常腦壓水腦症：2%
- 進行性核上性麻痺 (PSP)：1%
- 70%的病例臨床診斷為AD；其餘部分曾被誤診為：
- 研究樣本來源：
黑質神經元計數
- 模型訓練背景：
- 利用機器學習模型YOLOv8，基於232個SN切片中3648個500像素正方形tile進行訓練，並搭配人工標註的含核仁神經元（分為含色素與非色素）。
- 模型效能：
- 測試資料集上達到平均精確度(mAP50-95) 0.651。
- 神經元密度數據：
- 含色素神經元：中位數密度為8.8 [6.6, 11.4] /mm²
- 非色素神經元：中位數密度為6.0 [4.8, 7.2] /mm²
- 這些數據均來自635例無其他主要神經退化疾病的AD病例。
- 模型訓練背景：
臨床記錄提取
- 提取管線建立：
- 利用自動化臨床記錄提取管線，依據先前文獻與診斷標準選取195個關鍵項目（包含病史、症狀、體徵）。
- 資料處理流程：
- 掃描PDF格式的臨床記錄，使用PyPDF及Python-tesseract進行文字辨識，並以spaCy進行去識別化處理。
- 為每個特定症狀設定搜尋詞，擷取包含該詞的三行文字進行提取。
- 模型微調與效能：
- 基於1900則人工標註摘錄微調大型語言模型gpt-3.5-turbo-0613 (ChatGPT)。
- 微調後模型在測試資料集上精準度達82%，Cohen’s κ值0.70；與獨立評分者（精準度83%，Cohen’s κ值0.72）相當。
- 提取管線建立：
黑質神經元密度與臨床表現
- 病例分組：
- 在635例無LB的AD病例中，109例有帕金森症狀描述，62例符合帕金森症狀（動作遲緩加僵硬或靜止性顫抖）的診斷標準。
- 臨床特徵比較：
- 年齡、病程、及APOE基因型於有無帕金森症狀組無顯著差異。
- 有帕金森症狀組較常被臨床誤診為：
- 皮質基底症候群 (CBS)：25.8% vs 2.1% (p<0.01)
- 巴金森病 (PD)：14.5% vs 2.1% (p=0.03)
- 有帕金森症狀組出現動眼功能障礙頻率較高（45.3% vs 11.8%，p<0.01）。
- 神經元密度比較：
- 有帕金森症狀組黑質神經元密度顯著較低於：
- 整體密度：14.1 [11.5, 17.3] vs 17.0 [14.4, 20.1] /mm² (p<0.01)
- 特別是僵硬症狀組：14.8 [12.0, 17.7] vs 17.3 [13.9, 19.4] /mm² (p<0.01)
- 其他症狀（如靜止性顫抖、姿勢不穩、L-dopa反應等）與神經元密度無顯著相關。
- 有帕金森症狀組黑質神經元密度顯著較低於：
- 病例分組：
黑質中的tau免疫反應
- 樣本與評估：
- 從635例無LB的AD病例中，隨機選取130個中腦切片進行磷酸化tau、TDP-43及α-synuclein免疫染色。
- 剔除一例因α-synuclein染色呈現非診斷切片中未見的路易體，剩餘129例無α-synucleinopathy證據。
- 相關性分析：
- 含色素神經元密度與tau免疫反應間無顯著相關 (Spearman rho: –0.03, p=0.71)。
- 非色素神經元密度與tau免疫反應呈現弱正相關 (Spearman rho: 0.24, p<0.01)。
- 樣本與評估：
黑質中的TDP-43病理
- 樣本評估：
- 在129個切片中，有12例呈現不同形式的TDP-43病理，包括神經元細胞質內包涵體、細胞核內包涵體及細胞外聚集。
- 神經元密度比較：
- 有TDP-43病理的病例，其含色素神經元密度顯著較低：4.7 [3.5, 8.9] vs 8.2 [6.3, 10.8] /mm² (p=0.03)。
- 非色素神經元密度在有無TDP-43病理組間無顯著差異 (5.2 [4.5, 6.2] vs 5.6 [4.5, 6.8] /mm², p=0.60)。
- 樣本評估：
討論
- 巴金森症狀(Parkinsonism) 的盛行率: 在 635 例無路易體阿茲海默症 (AD without LB) 患者中，62 例 (9.7%) 出現巴金森氏症狀。
- 盛行率可能被低估: 此盛行率低於先前臨床病理學研究計算出的頻率 (16% 和 18%)，可能是由於本研究中臨床數據的可及性有限。
- 臨床誤診: 與未出現巴金森氏症狀的患者相比，有巴金森症狀的患者更常被誤診為巴金森氏症候群，如皮質基底核症候群 (CBD) 和巴金森病 (PD)。
- 非運動症狀: 兩組在非運動症狀（如動眼期睡眠異常、嗅覺喪失或視覺幻覺，這些是路易體病 (LBD) 的特徵性表現）方面沒有觀察到差異。
- 阿茲海默症 (AD) 可能模仿其他巴金森氏症候群: 阿茲海默症 (AD) 伴隨類似進行性核上性麻痺症 (PSP) 表現的案例尚未被明確報導。阿茲海默症相關巴金森氏症候群 (AD-parkinsonism) 可以模仿巴金森病 (PD)、皮質基底核症候群 (CBD) 和進行性核上性麻痺症 (PSP)。
- 大腦皮質徵象 (Cortical signs): 有巴金森氏症狀的患者，相較於無巴金森氏症狀的患者，更傾向於有更多的皮質徵象，如肢體失用症 (limb apraxia) (86.2% vs. 65.0%, p = 0.08, 未達顯著性)，這與先前關於阿茲海默症相關皮質基底核症候群 (AD-CBS) 的報導一致。
- 眼球運動功能障礙 (Oculomotor dysfunction): 值得注意的是，大約一半有巴金森氏症狀的患者有眼球運動功能障礙 (45.3% vs. 11.8%, p < 0.01)，這是進行性核上性麻痺症 (PSP) 的一個特徵。在無路易體阿茲海默症 (AD without LB) 組中，有三名患者 (4.8%) 根據巴金森氏症候群和眼球運動功能障礙的存在而被臨床診斷為進行性核上性麻痺症 (PSP)。
- 巴金森症狀(Parkinsonism) 與黑質神經元密度降低的關聯性: 巴金森氏症候群與黑質 (SN) 神經元密度降低有關。
- TDP-43 病理學在黑質神經退化中的作用: TDP-43 病理學與阿茲海默症 (AD) 中的黑質神經退化有關。大
- 與 FTLD-TDP 研究的比較:Fiondella 等人觀察到，在患有運動障礙的額顳葉失智症-TDP (FTLD-TDP) 患者中，黑質 (SN) 中的 TDP-43 負荷高於沒有運動障礙的患者，儘管兩組之間黑質神經元密度沒有顯著差異。這些發現支持我們的觀察，即 TDP-43 病理學，而非 tau 蛋白負荷，與無路易體阿茲海默症 (AD without LB) 中的黑質神經退化和巴金森氏症候群的發展有關。
- 阿茲海默症巴金森症狀與臨床試驗: 由於伴隨巴金森症狀的失智症符合極可能路易體失智症 (DLB) 的臨床診斷標準，因此患有巴金森氏症候群的阿茲海默症 (AD) 患者可能被排除在這些試驗之外。
研究限制
- 資料來源限制
- 臨床記錄數量有限，且缺乏標準化結構與臨床描述，影響資料完整性與可比性。
- TDP-43病理與帕金森症狀關係
- 黑質中TDP-43病理與帕金森症狀的關聯尚需更多具記錄帕金森症狀的病例進一步探討。
- 症狀存在性抽象
- 本研究僅抽取病患一生中症狀存在性，未評估症狀的發作時間及嚴重程度，未能提供更詳細的臨床病程描述。
- 若能加入症狀嚴重度及時間進展數據，將更能完整呈現AD伴帕金森症狀的臨床圖景。
- 黑質神經元計數方法限制
- 分析僅基於單一標準化中腦切片評估黑質神經元密度，未能反映黑質作為三維結構的總神經元數量。
- 現有方法涵蓋了中腦切片中黑質所有區域（包括被蓋部與緊密部），區域性神經元流失在無LB AD中的細部變化仍待深入探討
重點問答
問題一：在沒有路易氏體的阿茲海默症（AD）患者中，帕金森症狀有多常見？
回答： 在 635 位沒有路易氏體的阿茲海默症患者中，有 62 位（佔 9.7%）出現帕金森症狀。這個比例雖然可能因為臨床數據的限制而被低估，但仍顯示一定比例的 AD 患者在沒有路易氏體病理的情況下會出現帕金森症狀。
問題二：研究發現帕金森症狀與阿茲海默症患者的腦部病理有何關聯？
回答： 研究的主要發現之一是，在沒有路易氏體的阿茲海默症患者中，帕金森症狀與黑質（substantia nigra）神經元密度降低顯著相關。特別是僵硬（rigidity）症狀與黑質神經元數量減少有關。這表明阿茲海默症本身的病理可能導致黑質的退化，進而引發帕金森症狀。
問題三：研究中 TAR DNA 結合蛋白 43 (TDP-43) 病理在阿茲海默症引起的帕金森症狀中扮演什麼角色？
回答： 研究發現 TDP-43 病理與黑質色素神經元密度降低顯著相關。在評估的 129 個腦部切片中，有 12 個顯示出不同程度的 TDP-43 病理，例如神經元細胞質內包涵體、神經元核內包涵體和細胞外聚集。這暗示 TDP-43 病理可能參與了阿茲海默症患者黑質神經元的退化，進而導致帕金森症狀的發生。
問題四：這項研究如何利用人工智慧（AI）技術進行分析？
回答： 這項研究主要使用了兩種人工智慧技術：
•YOLOv8： 一種物件偵測模型，經過微調後用於自動計算黑質中色素性和非色素性神經元的數量。該模型在測試數據集上取得了令人滿意的平均精確度均值 。
•微調後的 ChatGPT： 研究人員通過人工標註的摘錄對 ChatGPT 進行了微調，使其在症狀判斷方面達到了 82% 的準確度和 0.70 的 Cohen’s kappa 值。
問題五：這項研究結果對於診斷同時患有失智症和帕金森症狀的患者有何啟示？
回答： 即使在沒有路易氏體病理的情況下，阿茲海默症也可能導致帕金森症狀。因此，在鑑別診斷失智症伴隨帕金森症狀時，應將阿茲海默症納入考慮。此研究發現，患有帕金森症狀的阿茲海默症患者更容易被臨床誤診為其他帕金森氏症，如皮質基底核症候群（CBS）和帕金森氏症（PD）。
問題六：在抗類澱粉蛋白治療的背景下，這項研究的發現有何重要性？
回答： 近期的臨床試驗顯示抗類澱粉蛋白療法對早期阿茲海默症有效。然而，這些試驗通常會排除那些被認為患有其他失智症原因的患者，包括臨床診斷為可能的路易氏體失智症（DLB），而 AD 合併帕金森症狀的患者可能符合 DLB 的臨床診斷標準。認識到阿茲海默症在沒有路易氏體的情況下也可能引起帕金森症狀，對於確保這些患者不會錯失潛在的治療機會至關重要。
個人感想
- 之前總以為阿茲海默症的病人合併有巴金森的症狀，應該有些和Lewy body相關，有些和white matter lesion，或和cortical striatal pathway 相關，沒想到直接和中腦黑質細胞減少相關。
- 不過和中腦黑質細胞數量相關主要是rigidity相關，其它bradykinesia, tremor的部分是否和midbrain或TDP-43相關，或是有其它因素，則需再研究。
- 請ChatGPT提取的文字清單在文章的補充資料中，有100多項，有興趣的人可以點進去看一下。
- 但文章中並未提及如何fine tune ChatGPT, 這部分是我比較感興趣的部分，不過適用於此研究的fine tune promt不見得可以適用於所有的研究，每個人寫病歷的慣用字都有些不同。以後若寫病歷時就使用結構化病歷應該可以使提取病歷資料這件事容易正確許多。