Ein internationales Forschungsteam hat am 19. August 2026 Disease Continuum Positioning (DCP) vorgestellt – ein longitudinales Bayesian-Learning-Framework, das die Schwere von Alzheimer-Erkrankungen kontinuierlich aus Diffusion Tensor Imaging (DTI)-Daten schätzt. Die Methode erzeugt einen uncertainty-aware Disease Continuum Score (DCS), der die Krankheitsschwere als niedrig-dimensionale probabilistische latente Variable modelliert und damit die Grenzen diskreter diagnostischer Stadien überwindet.
Das Framework wurde von Yingying Zhang (University of Texas Rio Grande Valley) gemeinsam mit Forschern der University of Pittsburgh, Washington University in St. Louis, University of Southern California und Temple University entwickelt. Es nutzt longitudinale Daten der Alzheimer's Disease Neuroimaging Initiative (ADNI), einer seit 2003 laufenden multizentrischen Kohorte mit standardisierten klinischen, neuroimaging- und Biomarker-Messungen.
Kontinuierliche Modellierung statt fester Kategorien
Bisherige neuroimaging-basierte KI-Methoden in der Alzheimer-Forschung waren weitgehend auf diskrete Diagnosen (Cognitively Normal [CN], Mild Cognitive Impairment [MCI], AD-Demenz) oder Cross-Sectional-Vorhersagen klinischer Scores beschränkt. DCP modelliert die Krankheitsschwere stattdessen als Kontinuum, was eine feinkörnige Charakterisierung individueller Schweregrade ermöglicht.
Der Disease Continuum Score liefert nach Angaben der Autoren prospektive Informationen zur Vorhersage zukünftiger Konversionen – sowohl von CN zu MCI als auch von MCI zu AD-Demenz. Die Analysen konzentrieren sich auf Teilnehmer mit biomarker-bestätigter β-Amyloid-Positivität, gemessen durch PET oder CSF. Amyloid-Positivität wurde mit plattformharmonisierten Doppel-Schwellenwert-Ansätzen definiert: Elecsys β-Amyloid (1–42) CSF II Assay bei CSF Aβ 1–42 unter 1100 ng/L und INNO-BIA AlzBio3 Immunoassay bei CSF Aβ1–42 unter 192 ng/L.
Parallele methodologische Entwicklungen
Ein am 30. April 2026 veröffentlichter komplementärer Ansatz modelliert eine "multimodale latente Severity-Achse" mit Bayesian Trajectories und Stage-Aware Timing Effects auf Basis von Probabilistic Principal Component Analysis (PPCA). Diese Forschung zeigt, dass das APOE ε4-Allel primär mit latenter Schwereposition und modell-implizierten Timings entlang des Kontinuums assoziiert ist, während Ratenunterschiede innerhalb einzelner Stadien kleiner ausfallen.
Die SLOPE-Methode, veröffentlicht am 19. Februar 2026, wurde speziell zur Analyse longitudinaler Amyloid-PET-Daten entwickelt und erzeugt eine zwei-dimensionale Trajektorie, die globale Amyloid-Akkumulation über das AD-Kontinuum erfasst. Ein weiteres Bayesian Meta-Learning-Framework vom 1. Juni 2026 adressiert die Vorhersage individueller Alzheimer-Progressionsmuster mit aggregierten Zeitpunkt-Informationen.
Klinische Anwendbarkeit noch offen
Die verschiedenen Frameworks bieten eine systematische Erfassung von Krankheitsprogressionsmustern jenseits diskreter diagnostischer Kategorien und unterstützen stage-aware longitudinale Inferenz innerhalb der ADNI-Kohorte. Externe klinische Kalibrierung und Validierung sind laut den Autoren noch erforderlich.
Die kontinuierliche Modellierung der Krankheitsschwere zielt auf verbesserte Früherkennung und Risikobewertung ab – relevant für personalisierte Behandlungsansätze angesichts fehlender klinisch validierter Heilmittel für Alzheimer-Demenz. Die ADNI-Datenbank umfasst harmonisierte Assessments mit zentralisierter Qualitätskontrolle und öffentlicher Datenteilung, was die methodologische Reproduzierbarkeit ermöglicht.