15-Protein-Bluttest nutzt KI zur gleichzeitigen Diagnose von vier schweren Hirnerkrankungen
Ein neuer KI-Klassifikator, der lediglich 15 Proteine nutzt, erreicht eine AUC-Genauigkeit von 95,5 % bei der Unterscheidung von Alzheimer, Parkinson, frontotemporaler Demenz und Lewy-Körper-Demenz.
Zusammenfassung
Die Diagnose neurodegenerativer Erkrankungen ist notorisch schwierig, insbesondere wenn Patienten unter überlappenden Erkrankungen leiden. Forscher der Washington University entwickelten GPND-AI, einen auf künstlicher Intelligenz basierenden Klassifikator, der 15 Proteine analysiert, die mithilfe eines hochempfindlichen blutbasierten Tests namens NULISA gemessen werden. Das System kann zwischen Alzheimer-Krankheit, Parkinson-Krankheit, frontotemporaler Demenz, Demenz mit Lewy-Körpern und gesunden Kontrollpersonen unterscheiden – und das alles aus einem einzigen Panel. Der Klassifikator wurde anhand klinischer Kohorten trainiert und getestet sowie gegen neuropathologisch bestätigte Diagnosen validiert; dabei erzielte er einen AUC-Wert von 0,955 und eine Genauigkeit von 92,3 % über fünf Kategorien hinweg. Entscheidend ist zudem, dass er auch gemischte Pathologien erkennen kann – eine häufige Komplikation in der klinischen Praxis. Dies stellt einen bedeutenden Schritt in Richtung zugänglicher, blutbasierter Diagnoseinstrumente für neurodegenerative Erkrankungen dar.
Detaillierte Zusammenfassung
Die Unterscheidung neurodegenerativer Erkrankungen bei lebenden Patienten zählt zu den schwierigsten Problemen der Neurologie. Alzheimer, Parkinson, frontotemporale Demenz und Demenz mit Lewy-Körperchen weisen überlappende Symptome auf, und viele Patienten tragen gemischte Pathologien, die die klinische Diagnose erschweren. Eine definitive Bestätigung erforderte historisch gesehen eine post-mortem-Neuropathologie, was Klinikern und Patienten zu Lebzeiten keine Gewissheit ermöglichte.
Forscher der Washington University School of Medicine entwickelten GPND-AI, einen verallgemeinerbaren proteinbasierten KI-Klassifikator, der auf dem NULISA (NUcleic acid-Linked Immuno-Sandwich Assay)-Panel für das zentrale Nervensystem basiert. Das System wurde anhand proteomischer und klinischer Daten des Knight Alzheimer's Disease Research Center sowie einer Movement Disorder Clinic trainiert und anschließend in einer Kohorte des Banner Sun Health Research Institute mit neuropathologisch bestätigten Diagnosen extern validiert.
Der Klassifikator identifizierte eine 15-Protein-Signatur, die eine Fläche unter der Kurve von 0,955 und eine Genauigkeit von 92,3 % über fünf Diagnosekategorien – vier Erkrankungen plus gesunde Kontrollpersonen – erreicht. Bemerkenswert ist, dass das Modell auch Ko-Pathologien vorhersagte und diese Vorhersagen signifikant mit klinischen Merkmalen in der Validierungskohorte korrelierten, was darauf hindeutet, dass das Tool überlappende Krankheitsprozesse abbilden kann, anstatt eine einzelne Diagnose zu erzwingen.
Die Implikationen sind erheblich. Ein blutbasiertes, proteomikgesteuertes Diagnostikwerkzeug könnte die Art und Weise, wie neurodegenerative Erkrankungen in der klinischen Praxis identifiziert werden, grundlegend verändern – und frühere Interventionen, eine präzisere Studienrekrutierung sowie eine bessere Patientenstratifizierung ermöglichen. Für Kliniker bietet es einen potenziellen Zusatz zu Bildgebung und Liquor-Biomarkern, der weniger invasiv und besser skalierbar ist.
Vorbehalte bleiben bestehen. Diese Zusammenfassung basiert ausschließlich auf dem Abstract, sodass vollständige methodische Details, Kohortendaten und Proteinidentitäten nicht verfügbar sind. Der Klassifikator erfordert eine prospektive Validierung in diversen realen Populationen, bevor er klinisch eingesetzt werden kann. Die Erkennung gemischter Pathologien ist zwar vielversprechend, muss jedoch noch weiter gegen umfassende neuropathologische Referenzstandards benchmarkt werden.
Wichtigste Erkenntnisse
- A 15-protein NULISA panel achieved 95.5% AUC and 92.3% accuracy across four neurodegenerative diseases plus healthy controls.
- The AI classifier can detect co-existing pathologies, not just a single primary diagnosis.
- External validation against neuropathologically confirmed cases supports real-world diagnostic utility.
- The approach is blood-based, making it less invasive than CSF sampling or PET imaging.
- Model was trained and validated across multiple independent clinical cohorts.
Methodik
GPND-AI wurde auf proteomischen und klinischen Daten des Knight ADRC und der Movement Disorder Clinic der Washington University trainiert. Zur externen Validierung wurden neuropathologisch bestätigte Proben aus der Kohorte des Banner Sun Health Research Institute sowie zusätzliche Knight-ADRC-Fälle herangezogen. Das NULISA CNS Panel ermöglichte eine hochsensitive Proteinquantifizierung über die diagnostischen Gruppen hinweg.
Studienlimitierungen
Diese Zusammenfassung basiert ausschließlich auf dem Abstract, da die vollständige Arbeit nicht im Open Access verfügbar ist; detaillierte Methodik, Proteinidentitäten und Kohorteneigenschaften sind nicht zugänglich. Die Studie erfordert eine prospektive Validierung in umfassenderen und vielfältigeren Populationen, bevor sie klinisch eingesetzt werden kann. Die Leistung in frühen oder präklinischen Krankheitsstadien wurde hier nicht berichtet.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: