重要提問

• 以固定 ROI 取平均訊號的量化方式，內建了什麼假設？這個假設在什麼樣的病人身上會失準？

• 如果 tau 病理沿著功能性網路擴散，什麼樣的影像指標才捕捉得到這件事？

• 一個新的影像量化指標要宣稱優於既有指標，需要通過哪幾個層級的檢驗？不同層級的答案會不會不一致？

• 當 tau 分布不遵循典型 Braak 路徑時，以顳葉為主的取樣方式會漏掉什麼？

• tau 對認知的影響，是否都經由可測得的腦代謝下降？

• 同一組影像指標的表現，在疾病的不同階段是否維持一致？

• 這樣的指標距離臨床實務還差哪幾步？台灣的中心可以直接沿用嗎？

Differential associations of tau extent and load with brain metabolic and cognitive dysfunction in Alzheimer’s disease

文獻出處

Macedo AC, Trudel L, Hosseini SA, Bezgin G, Quispialaya-Socualaya K, Therriault J, Rahmouni N, Tissot C, Woo MS, Servaes S, Stevenson J, Aumont É, Vitali P, Pascoal TA, Zimmer ER, Soucy JP, Rosa-Neto P; for the Alzheimer’s Disease Neuroimaging Initiative. Differential associations of tau extent and load with brain metabolic and cognitive dysfunction in Alzheimer’s disease. eBioMedicine. 2026;131:106460. doi: 10.1016/j.ebiom.2026.106460.

背景

tau 病理的量化：從 tau load 到 spatial extent

• 標準攝取值比是目前描述 tau 負荷的通用語言
  • tau 神經纖維糾結（neurofibrillary tangle, NFT）的負荷量，多以正子造影的標準攝取值比（standardised uptake value ratio, SUVR）表示，也就是預先定義腦區內示蹤劑攝取的平均值。
  • 這個作法對疾病分期與診斷都有價值，也是目前臨床試驗最常使用的量化方式。
• 平均值無法呈現病理已經佔據多大範圍
  • 神經元功能失調反映的不只是局部的 tau 負荷，也包含病理更廣泛的空間分布。
  • 同一個平均值，可能來自小範圍高強度，也可能來自大範圍低強度，兩者的生物學意義並不相同。
• 空間範圍提供的是另一個維度
  • tau 病理的空間範圍（spatial extent of tauopathy, SEOT）計算的是皮質中 tau 陽性體素所佔的比例，用以描繪 tau 擴散的皮質足跡。
  • 由於捕捉的是空間而非強度，理論上可能與下游事件有不同的關聯方式。
• 這個區分與試驗設計直接相關
  • 若治療目標是降低既有負荷，SUVR 可能仍是合理的療效指標。
  • 若治療目標是阻止 tau 向新皮質區域擴散，範圍型指標理論上更貼近治療機轉。

資料與方法

研究設計與參與者

• ADNI 世代（主要分析，n = 150）
  • 納入類澱粉陽性、且在同一時間點完成 tau-PET 與氟化去氧葡萄糖正子造影（[18F]FDG-PET）的參與者。
  • 平均年齡 75.0 歲（SD 7.7），女性 65 人（43%），教育年數 16.1 年（SD 2.5），簡易智能測驗（MMSE）26.0（SD 3.4），APOE ε4 帶因者 89 人（59%）。
  • 臨床診斷分布：認知未受損 6 人（4%）、輕度認知障礙（mild cognitive impairment, MCI）97 人（65%）、失智 47 人（31%）。
• MCSA 世代（次要分析，n = 44）
  • 來自 McGill University Research Centre for Studies in Aging，收的是臨床上真正需要 [18F]FDG-PET 協助鑑別診斷的病人。
  • 納入條件為 65 歲以下發病（不論臨床表現），或 65 歲以上但以非記憶型認知症候群表現者。
  • 典型的疑似阿茲海默症反而被排除，理由是這些病人臨床上並不需要做 [18F]FDG-PET，因此這是一個真實的轉診族群，而非研究導向的抽樣。
  • 平均年齡 65.4 歲（SD 10.2），比 ADNI 那組年輕約十歲；MMSE 21.2（SD 6.1），APOE ε4 帶因者 31 人（70%）；MCI 18 人、失智 26 人。
• 兩個世代使用不同示蹤劑，這一點會影響後續判讀
  • ADNI 使用 [18F]Flortaucipir，MCSA 使用 [18F]MK6240。
  • tau-PET 與 [18F]FDG-PET 之間的間隔，ADNI 平均 0.8 個月（SD 1.2），MCSA 為 8.8 個月（SD 7.9）。

神經影像取得與處理

• 類澱粉狀態的判定
  • ADNI 以 [18F]Florbetapir 類澱粉正子造影（amyloid PET, Aβ-PET）全腦 SUVR > 1.11，和／或腦脊髓液 Aβ42/40 < 0.061（Elecsys）認定為陽性。
  • MCSA 以 [18F]AZD4694 新皮質 SUVR > 1.55，或 Lumipulse 腦脊髓液 Aβ42/40 < 0.068 判定。
• 影像前處理
  • 所有正子造影影像先與各受試者自身的 T1 加權磁振造影對位，標準化至 MNI 空間，並以 8 mm 半高全寬進行空間平滑化。
  • tau-PET 與 Aβ-PET 的參考區分別為下小腦灰質與全小腦灰質；ADNI 的 [18F]FDG-PET 以橋腦為參考區。
• 腦區與網路的劃分
  • 區域分析採 Desikan-Killiany-Tourville 圖譜。
  • 網路分析採 CONN 工具箱基於人類連結體計畫資料所建的模板，涵蓋預設模式網路（default mode network, DMN）、語言、視覺空間、顯著性與額頂葉執行控制（frontoparietal executive control, FPEC）五個網路；邊緣系統網路則以 Schaefer 圖譜建立。

結果變項：tau load、tau extent 與 [18F]FDG-PET

• tau load 的取法
  • 使用顳葉綜合區（temporal meta-ROI）與全皮質區兩種，計算區域內的平均 SUVR。
• SEOT 的取法與閾值來源
  • 計算各區域內超過異常閾值的體素比例。
  • ADNI 的閾值為 SUVR > 1.4，以受試者操作特徵曲線分析，從類澱粉陰性且認知未受損者與類澱粉陽性的 MCI／失智兩群之間導出，再套用於整張 tau-PET 影像產生二元異常圖。
  • MCSA 以獨立的 TRIAD 資料集（138 位類澱粉陰性認知未受損者、105 位類澱粉陽性 MCI／失智）重複同一流程，測試 SUVR 1.0 至 3.0 的候選閾值，並以 1,000 次拔靴重抽樣檢驗穩定度，最終保留表現最佳的三個閾值 1.6、1.7 與 1.9。
• 敏感度分析
  • 以各世代中最年輕的 40 位類澱粉陰性認知未受損者為參考組，改用 z 分數（2、2.5、3 個標準差）導出 SEOT。
  • 目的是確認結果並非單一閾值推導方式所造成。
• 腦代謝的判定
  • ADNI 使用經驗證的阿茲海默症 [18F]FDG-PET 綜合區，涵蓋雙側角回、後扣帶迴、左側中顳與下顳迴，以 SUVR < 1.21 定義低代謝。
  • MCSA 則由核醫專科醫師以三維立體定位表面投影圖進行視覺判讀，依歐洲核醫學會與歐洲神經學會指引，判讀者對其他正子造影結果設盲但可取得臨床資訊，最後分類為阿茲海默症型或非阿茲海默症型。

統計分析

• 模型比較的判準不只一個
  • 分析在 R 4.1.1 進行，所有模型校正年齡與性別，並以貝氏訊息準則（Bayesian information criterion, BIC）、F 統計與調整後 R² 比較模型。
  • ΔBIC 落在 2 至 6、6 至 10、大於 10，分別視為正向、強、非常強的證據。
• 區辨力與相關性
  • 區辨力以曲線下面積（area under the curve, AUC）評估，並以 DeLong 檢定進行兩兩比較。
  • 相關性採年齡與性別校正後的 Spearman 相關，並以 Benjamini-Hochberg 法控制偽發現率（q < 0.05）。
• 多層次分析
  • 體素層級迴歸使用 RMINC，以隨機場論校正（p < 0.001）。
  • 以部分最小平方迴歸（partial least squares regression, PLS）檢驗分布式 tau 型態的預測力，採 80/20 分割與 5 折交叉驗證。
  • 以結構方程模型（structural equation modelling, SEM）檢驗 tau、[18F]FDG-PET 與蒙特利爾認知評估（Montreal Cognitive Assessment, MoCA）之間的直接與間接路徑。
  • 以階層線性模型評估 tau 指標在人口學變項與 [18F]FDG-PET 狀態之外的增量價值。
• 未進行正式的樣本數估算，這一點在解讀非典型世代的陰性比較結果時要記得。

結果

tau extent 可預測 AD 特異性低代謝的量與範圍

• 四個指標都與低代謝相關
  • 研究一次比較四個指標：顳葉 SUVR、全皮質 SUVR、顳葉 SEOT、全皮質 SEOT。
  • 四個都與 AD 型低代謝顯著相關，p 值均小於 0.0001。
  • 模型適配度以全皮質 SEOT 最好：BIC 最低（ΔBIC > 2），F 統計與調整後 R² 也最佳。
• 這個關聯不是疾病嚴重度造成的
  • 把 Aβ-PET 負荷與腦脊髓液 Aβ42/40 加進模型後，適配度反而變差。
  • 這兩個類澱粉變項本身也都不顯著（all p > 0.05）。
  • 再校正教育年數、APOE ε4 與臨床診斷，結果一樣成立。
• 區辨力（AUC）方面，只勝過全皮質 SUVR
  • 區辨力指的是把代謝異常與代謝正常兩群正確分開的能力，以 AUC 評估。
  • ADNI 的 150 人中，有 100 人（67%）屬於代謝異常。
  • 兩種 SEOT 的分類 AUC 都顯著優於全皮質 SUVR（all p < 0.05）。
  • 但都沒有顯著優於顳葉 SUVR。四者的 AUC 依序是 0.688（顳葉 SUVR）、0.694（顳葉 SEOT）、0.631（全皮質 SUVR）、0.682（全皮質 SEOT）。

tau extent 與局部低代謝的關聯較 tau load 緊密

• 多數腦區中 SEOT 表現相當或更強
  • 這一段比的是「同一個腦區的 tau」與「同一個腦區的代謝」。
  • SEOT 的優勢最明顯的是雙側聯合皮質與旁邊緣區域，以及部分左半球顳葉與額葉。
  • 有兩個區域只有 SEOT 抓得到：雙側前扣帶迴喙部，以及左側 cingulate sulcus 周圍皮質。
• 早期區域看不出差別
  • 內嗅皮質與海馬迴是最早出現病理變化的地方，在這裡兩個指標的表現相當接近。
  • 部分感覺運動迴（右側中央前迴、中央後迴）則只有 tau load 呈現顯著正相關。
• 反向情形一次都沒有出現
  • tau load 在任何一組相關性比較中，都沒有優於 SEOT。

皮質 tau 分布型態可預測 AD 相關的低代謝特徵

• 這一段換一種問法
  • 前面比的是單一指標，這裡改成把全皮質各區的 tau 值一起放進模型，看能不能重建整張代謝圖。
  • 使用部分最小平方迴歸，並以 80/20 分割與交叉驗證評估。
• 單獨使用時兩者打平，合併後小幅提升
  • tau load 單獨預測，r = 0.69；SEOT 單獨預測，也是 r = 0.69。
  • 兩者合併後 r = 0.71，均方根誤差 0.216，是三個模型中最低的。
  • 三個模型的預測表現，都在取五個潛在成分時達到高峰。
• 貢獻最大的腦區
  • 預測端貢獻最強的一致落在顳葉邊緣區，顳頂葉區域也有額外貢獻，多屬早期到中期的 Braak 領域。
  • 兩個模型倚重的區域不完全相同：楔前葉（precuneus）在 SEOT 模型中比重較高，海馬迴則在 tau load 模型中較突出。

tau extent 追蹤網路層級低代謝的表現優於 tau load

• 六個網路中，四個顯示 SEOT 較強
  • 這一段把 tau 與代謝都以整個功能網路為單位取值再比較。
  • 顯著強於 tau load 的有四個：額頂葉執行控制、語言、顯著性與預設模式網路（p < 0.0001）。
  • 邊緣系統與視覺空間網路未達統計顯著，但 SEOT 的係數數值仍較大。
• 遠端節點的表現是關鍵
  • 節點對節點分析看的是「A 區的 tau」對「B 區的代謝」，A 與 B 是同一個網路裡的不同節點。
  • 舉例來說，額下迴與顳中迴在腦中相距很遠、並不相鄰，但同屬語言網路、功能上互相連結；這類跨區配對就是所謂的遠端節點。
  • 分析顯示，SEOT 與這些遠端節點低代謝的相關性，與 tau load 相當或更高；在額頂葉執行控制與語言網路尤其明顯。
  • 這符合 tau 沿功能連結擴散的假說：一區的 tau 範圍，帶著它所連結的另一區一起失能。
• 局部與網路層級的比較
  • 局部 SEOT 在 43 組比較中，有 17 組優於網路層級的 tau load。
  • 網路與局部之間出現顯著差異的則有 12 組。

tau extent 與 tau load 是體素層級整體低代謝的互補預測因子

• 顯著體素集中在聯合皮質
  • 這一段不預設腦區，直接逐一體素檢驗。
  • 顯著體素主要落在雙側顳葉、頂葉與額葉，另有內側枕葉與旁邊緣區域的叢集。
• 兩個指標的強項落在不同的 Braak 階段
  • Braak I–II（最早期）：顳葉 SEOT 的顯著體素比例達 85%，是唯一超過 20% 的預測因子；全皮質 SUVR 在這裡完全沒有顯著關聯。
  • Braak III–IV（中期）：顳葉 SUVR 與顳葉 SEOT 重疊最多，分別是 48% 與 46%，其中 45% 是共享的。
  • Braak V–VI（晚期）：以全皮質 SEOT 涵蓋最廣，達 22%。
• 但效果量的排序是另一回事
  • 上面講的是「有多少體素達到顯著」，這裡看的是「每個體素的效果有多強」。
  • 以標準化 β 係數排序，由大到小是顳葉 SUVR、全皮質 SEOT、顳葉 SEOT、全皮質 SUVR（all p < 0.0001）。
  • 也就是說，涵蓋範圍最廣的那一個，不等於單點效果最強的那一個。
• 兩者同時放入模型時
  • 多數關聯變得稀疏，代表兩者共享大量變異。
  • 全皮質 SEOT 校正全皮質 SUVR 之後仍保留關聯，集中在雙側聯合皮質，包括下頂葉／角回、後外側顳葉與背外側前額葉。
  • 顳葉 SUVR 校正 SEOT 之後只剩小範圍顳葉叢集；全皮質 SUVR 則沒有任何顯著叢集留存。

tau-PET 與腦葡萄糖低代謝之間的關聯隨疾病階段而異

• 前失智期全數成立
  • 把參與者分成前失智期與失智期兩組後重跑分析。
  • 前失智期組中，所有 tau-PET 指標都與較低的代謝訊號顯著相關。
  • 其中顳葉 SEOT 的效果量與模型適配度最佳。
• 失智期沒有任何一項留下
  • 失智組中，沒有任何一項 tau-PET 指標能顯著預測代謝綜合區訊號。
  • 體素層級的顯著叢集也大幅衰減，只剩顳葉 SUVR 與全皮質 SEOT 在右側後下顳葉皮質仍有關聯。

在非典型 AD 中，tau extent 預測視覺判讀的 AD 特異性低代謝優於 tau load

• 另一群病人：atypical AD
  • MCSA 的 44 人以非記憶型表現為主，臨床上需要靠代謝影像分辨「認知障礙是不是阿茲海默症造成的」。
  • 核醫醫師視覺判讀的結果：31 人（70%）是阿茲海默症型低代謝，13 人（30%）不是。
  • 這一段要回答的問題是：只靠 tau PET 的數字，能不能預測判讀會是哪一型。
• 數值上全皮質 SEOT 最好
  • 比較各指標分辨兩型的能力，全皮質 SEOT 的 AUC 最高，模型適配度（BIC）也最好。
  • SEOT 依閾值來源有好幾個版本；其中以 z 分數 2.5 與 3 個標準差算出來的版本，適配度明顯優於顳葉 SUVR（ΔBIC > 2）。
• 但只有 44 人，統計上分不出勝負
  • 任兩個指標的 AUC 互相比較，都沒有達到統計顯著差異。
  • 把 SEOT 與 SUVR 放進同一個模型互相競爭時，大多數指標就不顯著了。
  • 撐住的只有 z 分數版的全皮質 SEOT：即使模型裡同時有 SUVR，它仍能獨立預測阿茲海默症型低代謝（all p < 0.05）。

校正 [18F]FDG-PET 與 tau load 之後，tau extent 仍保有與認知的獨立關聯

• 這一段在問什麼
  • tau 傷害認知，是不是都先經過「代謝變差」這一站？
  • 如果是，那看過代謝影像之後，tau PET 就提供不了額外資訊；如果不是，tau PET 就有代謝影像以外的價值。
• 答案是否定的：不經過代謝的那條路反而比較強
  • 統計模型把 tau 對認知（MoCA 分數）的影響拆成兩條路：tau 造成代謝變差、代謝變差再拖累認知（間接路），以及 tau 不經過代謝、直接與認知變差相關（直接路）。
  • 四個指標的兩條路都顯著，但直接路普遍比間接路強；間接路幅度不大。
  • 與認知關聯最強的指標是全皮質 SEOT。
• 範圍與強度互相競爭時，全皮質與顳葉的贏家不同
  • 在全皮質層級：SEOT 與 SUVR 放進同一個模型，留下來的是 SEOT。
  • 在顳葉層級：剛好相反，留下來的是 SUVR，顳葉 SEOT 沒有獨立關聯。
  • 這與前面各段的型態一致：範圍的優勢在全皮質，強度的優勢在顳葉。
• 看過代謝影像之後，再加 tau 還是有幫助
  • 分析先放入年齡、性別、教育與代謝狀態，再把 tau 指標加進去，看對認知的解釋力多了多少。
  • 每一個 tau 指標都能再多解釋一部分認知變異，其中全皮質 SEOT 加得最多。
  • 唯一的例外是 MCSA 世代的顳葉 SUVR，未達統計顯著。

討論

• SEOT 提供的是互補而非替代SUVR的資訊
  • 作者的核心結論是 SEOT 相對於 tau load 具有互補、獨立、且往往更強的預測價值，特別是在網路層級的功能失調上。
  • 全皮質 SEOT 表現良好的可能原因，是它捕捉到延伸至明顯低代謝區域之外的 tau 侵犯，而這部分在傳統區域平均下會被稀釋。
• 為什麼網路層級的差距特別明顯
  • tau load 以平均訊號強度描述整片皮質，會把稀疏但具生物意義的局部病理平均掉。
  • SEOT 對區域內剛開始出現的 tau 侵犯較為敏感，因此更能反映沿功能網路擴散的過程。
• 兩者可能對應 tau 進展的不同階段
  • 由於 SEOT 在相對低的 tau 負荷時就會出現變化，可能對早期的新皮質播散特別敏感。
  • tau load 則較能反映一個區域後期已經累積多少。
  • 這也解釋了為何 SEOT 在疾病後期才受影響的區域表現較好，而在 tau 早已大量堆積的早期 Braak 區兩者相近。
• 認知的部分無法完全由代謝解釋
  • 直接路徑強於中介路徑，代表 tau 相關的認知功能障礙有一部分並未反映在可測得的低代謝上。
  • 作者推測可能來自突觸功能障礙、網路失連、軸突運輸失能、粒線體功能障礙或神經發炎等機制。
• 代謝訊號本身混有膠細胞成分
  • 作者特別指出 [18F]FDG-PET 捕捉的不只是神經元功能，也包含改變後的膠細胞代謝活性。
  • 既有研究顯示GFAP 升高與葡萄糖消耗增加有關，尤其在大量 tau 累積之前。
  • 這可能解釋少數晚期 Braak 區出現的正向關聯。
• 失智期關聯消失的解釋
  • 作者歸因於代謝影像已知的平台效應，以及 tau 病理與神經退化在疾病後期出現不一致的退化程度。
  • 並認為晚期需要比 [18F]FDG-PET 更能偵測殘餘代謝異質性的指標。
• 非典型阿茲海默症的臨床意涵
  • 由於 SEOT 不預設 tau 沿典型路徑分布，作者認為它在非典型型態的辨識上特別有用。
  • 全皮質 SEOT 也被認為能準確辨識病理上的 Braak V–VI tau，表現與 tau-PET 視覺判讀及 SUVR 相當。

研究限制

• 未進行 tau-PET 標準化整合：兩個世代各自使用示蹤劑專屬的閾值，缺乏統一化流程限制了跨示蹤劑的可推廣性，體素層級的範圍指標尤其尚未在標準化框架中受過驗證。
• 網路模板的選擇會影響結果：網路分析採用既有發表的功能網路模板，改用其他圖譜或分區方式可能得到不同的空間型態與效果估計。
• 橫斷面設計：無法推論因果或時間先後。
• 兩個世代的代謝資料性質不同：ADNI 有定量資料，MCSA 只有質性判讀，因此無法進行直接的重複驗證。
• 族群限制：兩個世代皆以北美白人為主，血管負荷、教育程度、混合病理與族群差異都可能影響 tau-PET 型態、閾值設定，以及與代謝和認知的關聯。
• 閾值依賴：SEOT 建立在參考組導出的閾值上，其在更多元族群與臨床情境中的普適性仍待評估。
• 非典型世代樣本數小：44 人的規模使得無法進行次群組分析，也降低了偵測指標間差異的檢定力。
• 收案方式非研究導向：MCSA 依循加拿大臨床實務指引的轉診條件，推廣到其他臨床轉診情境時需要留意。

重點問答

Q1. 同樣一張 tau PET，量「訊號有多強」與量「異常範圍有多廣」，測到的是不是同一件事？

不是。傳統 tau PET 多以 SUVR 表示某個腦區內示蹤劑的平均訊號，也就是 tau load，但平均值無法呈現異常 tau 已經佔據多少皮質範圍。本研究因此比較 tau load 與 tau 病理的空間範圍（spatial extent of tauopathy, SEOT），後者定義為區域中超過異常閾值的體素比例，在 ADNI 以 SUVR 大於 1.4 為閾值，由受試者操作特徵曲線分析從類澱粉陰性認知未受損者與類澱粉陽性的 MCI／失智兩群導出。研究核心不是尋找另一個 tau PET 數字，而是檢驗兩種不同的病理維度：局部累積程度與空間擴散範圍，究竟哪一個更貼近下游的代謝功能障礙與認知障礙。

Q2. 阿茲海默症的神經退化，是局部 tau 毒性累積的結果，還是更接近一個逐漸失效的腦網路？

研究結果明顯支持後者至少是重要的一部分。SEOT 與低代謝的關聯，在預設模式、語言、顯著性與額頂葉執行控制四個網路都顯著強於 tau load；而且網路層級的 SEOT 不只與同一網路的代謝下降相關，也較能預測遠端、但功能上相互連結節點的低代謝。值得注意的是，在所有網路比較中，tau load 沒有任何一次顯著優於 SEOT。這暗示 tau 病理對腦功能的影響，可能不只是某一區累積多少，而與它是否已沿功能性網路廣泛佔據有關。

Q3. 若目標是預測阿茲海默症特異的腦低代謝，顳葉與全皮質、強度與範圍這四種指標之間，該用什麼標準判斷優劣？

判準不只一個，而不同判準給出的答案並不完全一致。ADNI 的 150 名類澱粉陽性參與者中，四項指標都與代謝綜合區的低代謝顯著相關（均 p < 0.0001），其中全皮質 SEOT 的整體模型適配度最佳，包括最低 BIC、較佳 F 統計與調整後 R²。150 人中有 100 人（67%）符合代謝異常，兩種 SEOT 的分類 AUC 皆顯著優於全皮質 SUVR，但並沒有顯著優於顳葉 SUVR，優勢主要落在模型適配度而非區辨力。更重要的是，額外控制類澱粉負荷、教育程度、APOE ε4 與臨床診斷後結果大致維持，顯示它並非單純由疾病嚴重度或類澱粉負荷所造成。

Q4. 當阿茲海默症不按典型記憶型或 Braak 路徑表現時，以固定區域取樣的 tau PET 還看得到真正的疾病範圍嗎？

這正是 MCSA 世代的設計重點。研究納入 44 名類澱粉陽性、臨床上需要 [18F]FDG-PET 進一步鑑別的患者，包括較早發病及主要為非記憶型表現者；典型的疑似阿茲海默症反而被排除，理由是這些病人臨床上並不需要做 [18F]FDG-PET，因此這是一個真實的轉診族群而非研究抽樣。最終 31 人呈現阿茲海默症型低代謝、13 人為非阿茲海默症型。全皮質 SEOT 的 AUC 數值最高且 BIC 最佳；雖然各 AUC 的 DeLong 比較因樣本小而未達顯著，但部分導出方式在與顳葉 SUVR 競爭後仍能獨立預測。其潛在優勢就在於空間不可知性：它不預設 tau 一定沿典型顳葉或 Braak 路徑分布，因此特別適合非典型的新皮質型態。

Q5. 如果已經知道一位病人的腦代謝影像是否異常，tau PET 還能再提供什麼與認知有關的資訊？

可以再提供相當多，而且全皮質 SEOT 最突出。結構方程模型顯示，各種 tau PET 指標都與較低的 MoCA 有直接及經由低代謝的間接關聯，但直接效果普遍大於代謝中介效果。在競爭模型中，全皮質 SEOT 與全皮質 SUVR 同時放入模型後，只有前者仍同時保有對代謝與認知的顯著關聯。階層迴歸也顯示，在已納入人口學變項與代謝狀態後，全皮質 SEOT 帶來最大的額外認知解釋價值。這表示 tau 相關的認知功能障礙，並不能完全由影像上偵測得到的低代謝解釋。

Q6. 範圍與強度之間，究竟是誰取代誰的問題，還是兩者測到 tau 生物學的不同面向？

後者更符合完整結果。雖然 SEOT 在全皮質、網路、非典型族群與認知分析中常占優勢，但顳葉 SUVR 在體素層級分析的效果量反而最大。部分最小平方迴歸更關鍵：單獨使用任一指標預測代謝型態時皆為 r = 0.69，兩者合併則提升至 r = 0.71、均方根誤差 0.216，顯示二者具有部分非重複的資訊。這裡也要留意兩者在數學上並不獨立，訊號強度上升時會有更多體素越過閾值，SEOT 必然隨之上升，因此合併模型的增益幅度有限並不意外。作者因此提出一個很有意思的病理模型：SEOT 可能較敏感於一個腦區剛開始被 tau 佔據並向外擴散的階段，tau load 則較能反映該區域後期已累積多少。也就是說，同一個病灶可能先變廣，再變重，兩者不是競爭指標，而可能代表 tau 進展的不同維度。

Q7. 隨著疾病進入失智階段，tau PET 與腦代謝之間的關聯會如何變化？

會明顯減弱。分期分層分析顯示，前失智期參與者中各項指標都與較低的代謝訊號顯著相關，其中顳葉 SEOT 的效果量與模型適配度最佳；但在失智次群組，沒有任何一項 tau PET 指標達到統計顯著，體素層級分析中也僅在右側後下顳葉皮質保留關聯。作者的解釋是代謝影像的平台效應，以及 tau 病理與神經退化在病程後期出現解離。這代表這類指標的價值集中在症狀前期與前失智期，而非全病程通用，也正好落在生物分期與臨床分期最容易對不起來的那一段。

個人想法

• 這篇應該和 Tau-MaX 那篇放在一起讀，兩者想法概念類似。 我去年整理過 Brown 等人以 Tau-MaX 整合強度與範圍的研究，架構與這篇同源。差別在落點與設計：那篇的結果變項是認知，這篇換成腦代謝，等於把中間那一段下游機制補了上來；但那篇有縱貫資料，這篇是橫斷面。作者提出的「先變廣、再變多」的假設很吸引人，可是橫斷面設計無法證明這個先後順序，要回答它必須在同一批個體中反覆追蹤。兩篇合起來看，這個模型才算有兩條相對獨立的線索支持。

• 兩個指標的分工，可能隨 Braak 階段而改變。 在內嗅皮質與海馬迴這些較早影響的區域，兩者與代謝的關聯其實相當接近，看不出誰比較好；真正拉開差距的是聯合皮質與較晚期的 Braak 領域，全皮質 SEOT 在 Braak V–VI 對應的顯著體素範圍最廣，而全皮質 SUVR 在 Braak I–II 甚至沒有顯著關聯。我認為合理的解釋是，當 tau 剛進入一個新的皮質領域，「有多少體素已經變成異常」比該區平均訊號量更敏感；等到這個領域被廣泛佔據之後，強度所帶的資訊量才逐漸上升。

• 腦代謝影像不能簡單解讀成神經元功能好不好。 這篇討論裡有一點特別值得注意：[18F]FDG 訊號並不是純粹的神經元代謝，星形膠細胞與其他膠細胞同樣影響葡萄糖消耗，而且這種影響在疾病早期可能相當顯著。研究中某些較晚期 Braak 區出現的正向關聯，並不表示 tau 越多腦功能越好，作者提出的可能性是早期反應性膠細胞增生或其他神經發炎的代謝反應。所以臨床上要避免把「代謝高等於神經元健康」或「代謝低等於神經元死亡」做成一對一的解讀。

• 範圍無法完全取代強度。 體素層級分析中，顳葉 SUVR 的效果量反而是四個指標裡最大的，研究結果顯示兩者具有部分非重複的資訊，是互補的關係。強度回答的是這個區域的 tau 累積有多少，範圍回答的是 tau 已經擴散到多大的範圍，這是兩個不同的問題。

• 這篇對抗 tau 治療藥物的試驗的意義，可能大於對目前臨床診斷的意義。 如果一個治療的主要目標是降低既有的 tau 負荷，SUVR 可能仍然是合理的療效指標；但如果治療真正想阻止的是 tau 擴散，只看平均 SUVR 可能就不夠敏感了。病人的局部平均負荷也許沒有明顯增加，卻已經開始往新的皮質領域擴散，而這正是治療想攔下來的事。未來的試驗可能該問這個治療機轉要改變的是負荷還是擴散，不同的機轉本來就應該對應不同的影像療效指標。

臨床速查表

兩種量法一眼對照

一句話：範圍與強度是互補而非取代；範圍型指標目前主要用於前失智期與非典型阿茲海默症的研究與試驗設計，還不在常規臨床判讀。

延伸閱讀

• 從「空間擴散」到「強度累積」：以 Tau-MaX 顯示阿茲海默症 tau 病理的動態演進
• 生物分期與臨床分期，為什麼常對不起來
• 類澱粉之後，tau 往哪裡跑才是關鍵：皮質型 tau 亞型的 5 年縱貫軌跡
• 精準診斷阿茲海默症：2025 Amyloid 與 Tau 蛋白 PET 臨床應用指引
• 解析後大腦皮質萎縮：臨床、生物標記與病理學的表現