O que as variáveis de imagem revelam sobre Alzheimer precoce e tardio?

Pergunta do estudo: dois subtipos têm redes cerebrais diferentes?

O estudo investigou se a doença de Alzheimer definida pela idade do primeiro diagnóstico mostra assinaturas cerebrais distintas. Os autores compararam EOAD, Alzheimer de início precoce, e LOAD, Alzheimer de início tardio. A regra usada foi operacional: EOAD quando o primeiro diagnóstico registrado de comprometimento cognitivo leve ou Alzheimer ocorreu antes dos 65 anos; LOAD quando ocorreu aos 65 anos ou depois.

A pergunta principal não era apenas “qual região está mais alterada?”, mas “qual tipo de medida de rede distingue melhor os grupos?”. O foco foi o acoplamento estrutural-funcional, ou SFC: uma medida de quanto a conectividade funcional observada na fMRI em repouso acompanha a conectividade estrutural estimada por DTI e tractografia. Em outras palavras, ela compara a comunicação funcional entre regiões com o “andaime” anatômico que as conecta.

O artigo não descreve um classificador de inteligência artificial treinado para prever o grupo de cada participante. O método foi computacional e estatístico: processamento multimodal de neuroimagem, construção de matrizes de conectividade, harmonização de imagens multicêntricas e modelos lineares com correção por múltiplas comparações. Portanto, “features” aqui significa variáveis derivadas e analisadas, não atributos de um algoritmo preditivo validado.

Coorte ADNI e grupos analisados

Os dados vieram da Alzheimer’s Disease Neuroimaging Initiative, a ADNI, uma coorte multicêntrica com ressonância magnética, PET, biomarcadores e avaliações clínicas. A ADNI usa procedimentos padronizados, mas reúne diferentes fases, centros, fabricantes de scanner e protocolos; por isso, o estudo precisou lidar com variabilidade técnica.

A coorte funcional incluiu 50 participantes EOAD, 72 LOAD e 113 controles cognitivamente normais. As análises que exigiam DTI, conectividade estrutural ou SFC usaram apenas participantes com fMRI e DTI aproveitáveis após controle de qualidade: 47 EOAD, 69 LOAD e 111 controles. Como nem todos tinham todas as modalidades ou covariáveis, o tamanho amostral variou por análise.

A classificação EOAD/LOAD foi conferida, quando possível, com registros demográficos e de início autorrelatado dos sintomas cognitivos. Cinco EOAD e dois LOAD não tinham dados suficientes para essa checagem; entre os demais, não houve necessidade de reclassificação. Como esperado, EOAD e LOAD diferiam em idade, e também havia diferença por sexo. Idade e sexo foram, por isso, covariáveis centrais. Nos dados disponíveis, os grupos EOAD e LOAD não diferiram significativamente em educação, escalas cognitivas e funcionais, estágio, APOE ε4, positividade amiloide por PET ou centiloides.

Método computacional e estatístico

A fMRI em repouso passou por descarte dos 10 primeiros volumes, correção temporal, realinhamento, corregistro à imagem T1, segmentação, normalização para o espaço MNI e filtragem de 0,01 a 0,10 Hz. A regressão de ruído incluiu tendência temporal, 24 parâmetros de movimento de Friston, sinais de substância branca e líquor, e regressoras para volumes com movimento. Volumes com Power framewise displacement maior que 0,5 mm, além de volumes vizinhos, foram marcados. O estudo não aplicou regressão de sinal global.

No DTI, os dados foram convertidos, inspecionados, corrigidos para movimento e correntes parasitas, e usados para estimar mapas de difusão. A anatomia individual foi processada com FreeSurfer, e a tractografia probabilística foi feita com probtrackx2. O atlas AAL116 foi levado ao espaço DTI de cada participante por registros lineares.

Para reduzir efeitos de lote, os autores aplicaram ComBat às imagens pré-processadas, separadamente para fMRI e DTI, antes de derivar conectividades e métricas finais. Fase ADNI, fabricante e protocolo foram tratados como variáveis de lote; diagnóstico, idade e sexo foram tratados como variação biológica a preservar. As comparações usaram modelos lineares ajustados por idade e sexo, com Benjamini-Hochberg FDR para múltiplos testes. Modelos adicionais avaliaram educação, gravidade clínica, estágio, APOE, amiloide, movimento, volume hipocampal e estratégias alternativas para idade.

Features e variáveis de entrada: o centro do estudo

As features clínicas e demográficas incluíram idade, sexo, anos de educação, estágio da doença, APOE ε4, PET amiloide, centiloides e escalas FAQ, GDS, MMSE, MoCA, CDR-SB e ADAS. Idade e sexo entraram nos modelos principais; as demais variáveis foram usadas em análises adicionais quando disponíveis. O artigo não informa transformação especial dessas escalas além de seu uso como totais ou categorias conforme definido na ADNI.

A principal família de features foi a SFC regional. Primeiro, a fMRI gerou uma matriz funcional 116 × 116: para cada uma das 116 regiões AAL, extraiu-se a série temporal média; depois foram calculadas correlações de Pearson entre pares de regiões, transformadas por Fisher z. A diagonal foi excluída. Segundo, o DTI gerou uma matriz estrutural 116 × 116 por tractografia probabilística. As conexões dirigidas entre regiões foram normalizadas pelo tamanho do alvo, tiveram a diagonal zerada e foram simetrizadas por média das direções recíprocas.

Para cada região, os pesos estruturais que ligavam aquele nó aos demais foram pareados com os valores funcionais correspondentes. Arestas estruturais zero e valores não finitos foram omitidos; conectividades funcionais negativas foram mantidas. Os pesos estruturais não nulos receberam transformação log1p. A SFC regional foi a correlação de Spearman entre pesos estruturais transformados e conectividade funcional. Era necessário ter pelo menos três arestas válidas. Também foi calculada uma média global de SFC por participante.

Outra família veio da teoria dos grafos. As matrizes funcionais Fisher-z foram usadas como entrada; apenas conexões positivas foram mantidas. Em limiares de esparsidade de 0,08 a 0,50, em passos de 0,01, as conexões mais fortes foram retidas e binarizadas. Para cada nó AAL, foram calculadas centralidade de intermediação, grau, eficiência nodal, eficiência local, coeficiente de agrupamento e comprimento de caminho mínimo. Cada métrica foi resumida como área sob a curva de esparsidade.

Outras features foram contextuais ou exploratórias: ALFF, fALFF e ReHo da fMRI; mapas seed-to-voxel usando sementes do AAL116; medidas regionais DTI, como anisotropia fracionada, difusividade média, axial e radial, e modo de anisotropia; e o índice de desacoplamento estrutural, SDI. Para o SDI, a matriz estrutural foi decomposta em frequências de grafo: dos 116 modos, 58 foram classificados como baixa frequência e 58 como alta. O SDI regional foi o log2 da razão entre magnitudes de alta e baixa frequência, com constante pequena para evitar divisão por zero.

Não houve seleção automática de features, ranking supervisionado ou redução de dimensionalidade para treinar modelo. A seleção foi por hierarquia analítica: SFC regional foi o domínio primário; grafos, secundário; as demais métricas, exploratórias. Assim, as 116 regiões foram testadas dentro de famílias de comparação corrigidas por FDR.

Resultados quantitativos

O achado principal foi maior SFC em LOAD do que em EOAD em quatro regiões frontais: giro frontal médio direito, giro frontal médio orbital direito, giro frontal inferior triangular direito e giro frontal medial superior esquerdo. Esses resultados sobreviveram à correção FDR nas 116 regiões. Após ajuste adicional por movimento médio, os quatro efeitos permaneceram significativos, todos com q = 0,031, segundo o texto fornecido.

A média global de SFC mostrou apenas um efeito geral modesto, e nenhuma comparação pareada da média global atingiu significância nominal. Isso sugere que o sinal não foi um aumento difuso no cérebro inteiro, mas uma diferença regional frontal. Nas quatro regiões principais, a SFC era calculável em 69,4% a 88,4% dos participantes, dependendo da região e do grupo. Os modelos dessas regiões tiveram 195, 170, 177 e 176 casos completos. As contagens de arestas válidas não diferiram entre LOAD e EOAD depois de ajustes, e 5.000 bootstraps mantiveram a direção positiva em 98,18% a 99,94% das estimativas.

As métricas de grafo deram suporte bem mais limitado. Houve muitos achados nominais, mas apenas a eficiência nodal no Vermis 9 sobreviveu à correção no efeito geral de três grupos (F = 8,031; P < 0,001; q = 0,049). Nenhum contraste EOAD versus LOAD em grafo sobreviveu à correção.

As associações clínicas também foram negativas. Os autores testaram SFC global e as quatro SFCs frontais contra FAQ, MoCA, MMSE, GDS, CDR-SB e ADAS, totalizando 30 testes. Nenhum foi significativo; o menor P bruto foi 0,118 para FAQ e SFC global, com q = 0,929. SDI e medidas DTI regionais não mostraram achados EOAD versus LOAD corrigidos. Seed-based fMRI teve clusters corrigidos em comparações com controles, mas não entre EOAD e LOAD.

Utilidade clínica, limites e o que não se pode concluir

A utilidade do estudo está em apontar qual tipo de feature pareceu mais sensível à diferença EOAD/LOAD nesta amostra: a SFC frontal regional, mais do que grafos, DTI regional, SDI ou medidas locais de fMRI. Isso pode orientar pesquisas futuras sobre heterogeneidade do Alzheimer e desenho de endpoints de imagem.

Mas o resultado ainda não é um teste clínico. O estudo não forneceu acurácia, sensibilidade, especificidade nem validação externa de classificação individual. Além disso, as features de SFC não se associaram de modo corrigido às escalas clínicas avaliadas. Portanto, não se pode concluir que medir SFC frontal ajude hoje a diagnosticar, prognosticar ou escolher tratamento para um paciente.

As limitações são relevantes. A idade define os grupos e também afeta o cérebro; por isso, separar “efeito de subtipo” de “efeito de envelhecimento” é difícil. O achado enfraqueceu em alguns modelos: com idade quadrática, só uma região permaneceu corrigida; após ajuste por estágio, APOE ε4, PET amiloide ou centiloides, nenhuma das quatro regiões sobreviveu à correção, embora a direção geralmente continuasse positiva. Controles não foram inicialmente restritos a amiloide negativo; quando isso foi feito, apenas uma região manteve significância.

Também há riscos de redundância e generalização. Muitas features derivam das mesmas matrizes fMRI/DTI e das mesmas 116 regiões AAL; medidas de regiões vizinhas e métricas de rede não são independentes. Tractografia, atlas, limiares, calculabilidade de arestas e diferenças de scanner podem influenciar os valores. Como o estudo é transversal e observacional, maior SFC em LOAD não deve ser interpretada automaticamente como preservação, compensação ou benefício. A conclusão segura é mais modesta: na ADNI, a diferença mais consistente entre EOAD e LOAD apareceu como maior acoplamento estrutura-função frontal em LOAD, mas o sinal é sensível ao modelo e ainda não define um biomarcador clínico definitivo.

Regional frontal structural-functional coupling differences. (A) Surface rendering of the four frontal regions that survived FDR correction in the LOAD vs. EOAD comparison. (B–E) Group distributions for the right middle frontal gyrus, right orbital middle frontal gyrus, right inferior frontal triangular gyrus, and left superior medial frontal gyrus, arranged as a 2 × 2 block to the right of panel (A). Violins show density, boxes indicate the interquartile range, and black diamonds indicate group means.

Graph-theoretical nodal summary. (A) Number of nominally significant nodal findings (raw P < 0.05) for each analysis-framework-by-contrast-by- metric combination. (B) Heatmap of the 20 most recurrent nominally significant nodal ROIs across combinations; colors indicate age- and sex-adjusted T statistics for pairwise contrasts and F statistics for the overall three-group effect. Blank cells indicate raw P ≥ 0.05, and dots indicate FDR q < 0.05 after Benjamini-Hochberg correction across 116 AAL nodes within the corresponding analysis framework, metric, and contrast. Only Vermis 9 nodal efficiency in the overall three-group analysis met this corrected threshold. Repeated contrast-by-metric labels correspond to distinct direct two-group and three-group post hoc workflows. Complete nominal node-level results are provided in Supplementary Table 3. BC, betweenness centrality; CC, nodal clustering coefficient; DC, degree centrality; EOAD, early-onset Alzheimer’s disease; HC, healthy controls; LE, nodal local efficiency; LOAD, late-onset Alzheimer’s disease; Main, overall three-group effect; NE, nodal efficiency; NSP, nodal shortest path length; ROI, region of interest.

Artigo original

Multimodal network alterations in diagnosis-age-defined early- and late-onset Alzheimer's disease.

Yuan Z, Wang J, Cheng B, Kuang Y, Zhang R, Luo N, Qiu S, Liu Y., Front Neurosci, 2026-09-08

Imagens reproduzidas do artigo original sob a licença informada pelo periódico: This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY). The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original publication in this journa