Amyloid PET Z Score Quantification and Correlation with Visual Semiquantitative Grading [RESEARCH]

即使是資深放射科醫師，面對高達 11% 落在 BAPL 2（局部類澱粉蛋白沉積）的灰色地帶病患，視覺判讀依舊難以給出絕對肯定的答案。這篇最新研究證實，透過量化 Z 分數輔助，能以 ρ = 0.78–0.88 的高度相關性精準對應視覺 RCTU 分級，讓模稜兩可的影像報告有了客觀的數據支撐。

阿茲海默新藥時代與視覺判讀 BAPL 的極限

隨著抗類澱粉蛋白標靶藥物相繼問世，放射科醫師在阿茲海默症診療流程中的角色發生了根本性的轉變。過去我們只需回答「有沒有」腦部退化，現在則必須精確評估大腦皮質內類澱粉蛋白斑塊的堆積程度，以決定病患是否具備接受昂貴且伴隨潛在副作用的藥物治療資格。目前臨床實務上，針對 [18F]-florbetaben 這類正子攝影藥物，主要依賴視覺半定量評分系統，這也是各大醫學中心最常採用的標準作業流程。

這套視覺評估系統建立在兩個核心指標上：RCTU（區域皮質追蹤劑攝取）與 BAPL（全腦類澱粉蛋白斑塊負荷）。RCTU 針對單一腦區給分，分為 1 分（無攝取）、2 分（局部攝取）與 3 分（瀰漫性攝取）。而 BAPL 則是基於全腦中最高分的 RCTU 來給定一個總結性分數。這種視覺判讀法雖然直觀，且已經被廣泛使用，但其高度依賴醫師的主觀經驗，尤其在背景雜訊較高或皮質萎縮嚴重的病患中，判讀者間的變異性（inter-reader variability）始終居高不下。

更值得注意的是，單純的視覺評分往往無法完整呈現類澱粉蛋白在整個大腦中分佈的細微模式。當病患處於疾病早期，皮質攝取僅呈現微弱的局部訊號時，肉眼極容易將其與正常白質的非特異性攝取混淆。為了克服這項障礙，引入 Centiloid scale（將不同 PET 藥物攝取量標準化為百位數的國際量尺） 或 Z 分數等量化技術，逐漸成為輔助診斷與治療監測的必然趨勢。本篇研究的出發點，正是為了驗證基於常模資料庫算出的 Z 分數，是否能與傳統的視覺 RCTU 分級產生可靠的對應關係。

100位受試者與400個皮質區域的量化對比

從 Methods 的具體設計來看，這是一項針對 2024 年 8 月至 10 月期間，因認知功能障礙而接受 [18F]-florbetaben PET 掃描的病患所進行的回顧性分析。研究團隊總共納入了 100 位受試者，這個群體的中位數年齡高達 78 歲，符合典型的晚發型認知障礙人口特徵。高齡受試者的影像通常伴隨較為明顯的腦室擴大與腦迴變寬，這對視覺判讀與自動化量化軟體的空間對位（spatial normalization）都是一大考驗。

在影像分析流程上，研究人員首先由具備經驗的讀片醫師進行標準的視覺判讀，給予每個病患相應的 RCTU 與 BAPL 分數。接著，他們利用專門的軟體，將病患的 PET 影像與內建的健康常模資料庫進行比對，計算出量化的 Z 分數。這種 Z 分數的計算邏輯，是基於 SUVR（以小腦皮質當作無病灶背景來計算大腦皮質的相對攝取比率） 的偏離程度，數值越大代表攝取量偏離正常族群的程度越高。

為了確保分析的全面性，量化評估鎖定了四個與阿茲海默症病理發展最密切相關的核心皮質區域：額葉（frontal）、頂葉（parietal）、後扣帶迴/楔前葉（posterior cingulate/precuneus）以及外側顳葉（lateral temporal）。每個病患評估 4 個區域，100 位病患總計產生了 400 個獨立的皮質區域數據。這種「化整為零」的區域級別（region-level）分析，比起單看全腦平均值，更能敏銳地捕捉到早期局部沉積的訊號。

相關係數 0.88 證實量化與視覺分級高度契合

把焦點拉到 Results 的總體數據，這 100 位受試者的全腦視覺評分呈現了相當典型的記憶門診分佈比例。其中有 31 位被判定為類澱粉蛋白陰性（BAPL 1），而高達 69 位為陽性。在陽性病患中，有 58 位屬於最明確的瀰漫性攝取（BAPL 3），另外 11 位則落在最具爭議的局部攝取（BAPL 2）區間。這個分佈比例提醒我們，在實際臨床場景中，有超過一成的病患會讓醫師在發報告時猶豫不決。

若細看這 400 個皮質區域的 RCTU 細部拆解，結果顯示有 143 個區域完全無攝取（RCTU 1）、46 個區域呈現局部攝取（RCTU 2），以及高達 211 個區域呈現瀰漫性攝取（RCTU 3）。研究團隊將這些視覺分級的次序變數（ordinal variables）與連續變數的 Z 分數進行 Spearman 相關性分析，結果在所有四個大腦區域中，都觀察到了極強的正相關性。

具體而言，相關係數 ρ 落在 0.78 到 0.88 之間，且統計顯著性達到 p < .0001。這個高達 0.88 的數字對於放射科醫師具有極大的安撫作用——它證明了我們肉眼所看到的皮質攝取強度變化，並非全然的主觀幻覺，而是有著堅實的生化代謝數據作為基礎。當軟體算出的 Z 分數隨之飆高時，它完美地呼應了我們在螢幕前調動 window level 時所感受到的對比度上升。

突破 46 個 RCTU 2 局部攝取區域的統計學意義

整篇論文最具臨床價值的細節，藏在針對各個 RCTU 分級之間的無母數檢定（Kruskal-Wallis 與 Mann-Whitney U tests）之中。在臨床實務上，區分「完全沒有攝取（RCTU 1）」和「整顆頭都是（RCTU 3）」幾乎不需要耗費心力；真正的困難在於如何客觀地界定那 46 個被標記為 RCTU 2 的局部攝取區域。如果我們對這些輕微訊號視而不見，病患可能就會錯失及早使用抗類澱粉蛋白藥物的黃金視窗。

作者的分析顯示，無論是額葉、頂葉、後扣帶迴還是外側顳葉，區域 Z 分數在 RCTU 1 與 RCTU 2 之間、RCTU 1 與 RCTU 3 之間，乃至於 RCTU 2 與 RCTU 3 之間，都具備了統計學上的顯著差異（p < .05）。這意味著 Z 分數並非只有在疾病晚期才會有反應，它擁有足夠的靈敏度，能夠在病理堆積從無到有（RCTU 1 跨越到 RCTU 2）的極早期階段，就在數值上給出明確的階層式跳躍。

當研究團隊將所有區域的數據合併進行彙總分析（pooled regional analysis）時，各個 RCTU 群組之間的 Z 分數差異更達到了極度顯著的 p < .0001。這種明確的數值分層，為未來的自動化輔助診斷提供了強而有力的立論基礎。這表示在不久的將來，我們完全可以信任軟體在背景偷偷跑出的 Z 分數，將其作為我們按下報告確認鍵前的重要參考依據，特別是在面對那 11 位 BAPL 2 灰階病患時。

常模資料庫的先天限制與未來臨床落地實務考量

儘管量化 Z 分數展現了與視覺評分的高度一致性，我們在將這項技術引入日常閱片流程時，仍需謹記其方法學上的先天限制。首先，Z 分數的高度依賴於「常模資料庫」的品質。本研究所納入的病患中位數年齡為 78 歲，如果軟體內建的健康對照組資料庫缺乏足夠的高齡樣本，或是掃描機型、重建演算法（如 OSEM vs. TOF）與我們自家醫院不同，算出來的 Z 分數就可能產生系統性的偏差。

另一個在 Discussion 中不可忽視的實務考量是腦部結構的改變。高齡認知障礙病患常伴隨嚴重的皮質萎縮，這會引發強烈的 partial volume effect（解析度不足使得皮質訊號被周邊腦脊隨液稀釋導致低估攝取量）。雖然先進的量化軟體通常會搭配 MRI 進行部分容積校正，但在單純只有 PET 影像的情況下，軟體自動圈選的 ROI（感興趣區域）可能會把擴大的腦溝或白質算進去，導致 Z 分數被人工壓低或拉高。因此，Z 分數絕對不能脫離原始影像獨立運作。

對於第一線的放射科醫師而言，這篇研究並不是要我們放棄視覺判讀，而是賦予我們一項強大的武器。量化工具的加入，不僅能縮小不同層級醫師之間的判讀差異，更能為後續的神經內科醫師提供一個可用於縱向追蹤的具體數值。當我們面對抗類澱粉蛋白療法這類需要長期監測斑塊清除率的治療時，單憑 RCTU 的 1、2、3 分顯然過於粗糙，而連續變數的 Z 分數正好補足了這個需求。

下次遇到模稜兩可的局部皮質攝取時，別急著下 BAPL 2 的結論；打開軟體跑出 Z 分數，若這四個核心腦區的數值呈現與背景組織顯著差異的跳升，這可能就是說服臨床醫師及早介入的客觀數據起點。