نماذج التعلم العميق تحدد تغيّرات الدماغ خلال تطور مرض ألزهايمر

لماذا تتبع تغيّر الدماغ مع الزمن مهم

يسلب مرض ألزهايمر الذاكرة والقدرات المعرفية ببطء، لكن الضرر في الدماغ يتراكم لسنوات قبل أن تظهر الأعراض اليومية بوضوح. عادةً ما يعتمد الأطباء على فحص دماغ واحد أو نتيجة اختبار واحدة لتقييم ما إذا كان الشخص مصابًا بالألزهايمر، رغم أن المرض يتطور عبر الزمن. تطرح هذه الدراسة سؤالًا بسيطًا ذو عواقب كبيرة: إذا تعقبنا صور الدماغ لأشخاص عبر عدة سنوات وسمحنا لنموذج حاسوب متقدم أن يتعلم من هذه التغيّرات، هل يمكننا ليس فقط اكتشاف الألزهايمر بدقة أكبر، بل أيضًا رؤية أي مناطق الدماغ تتأثر أولاً وبأشدّ قدر؟

متابعة قصة الدماغ، لا مجرد لقطة

استخدم الباحثون صور رنين مغناطيسي هيكلية تُظهر تشريح الدماغ بتفصيل، من أكثر من 280 بالغًا مسنًا، شملوا أشخاصًا مصابين بالألزهايمر وأقرانًا طبيعيي الإدراك. والأهم أن كل شخص خضع لثلاثة فحوص تقريبًا بفاصل سنة واحدة، ما أتاح للفريق تتبع كيفية تغير نسيج الدماغ على مدار عامين. بدلًا من التعامل مع كل فحص كصورة منفصلة، بنوا نموذج تعلم عميق يأخذ جميع نقاط الزمن معًا. صُمِّم النموذج ليهتم بالمادة الرمادية—نسيج الدماغ الحاوي على أجسام الخلايا العصبية—وأيضًا المادة البيضاء والسائل الدماغي الشوكي، وليتعلم كيف تتطور أنماط هذه الأنسجة مع تقدم المرض.

نموذج تعلم عميق مضبوط لإيقاعات الدماغ

لالتقاط هذه التحولات الدقيقة، أنشأ الفريق شبكة انتباه قناتي دمج متعددة الفروع، وهي شبكة عصبية ثلاثية الأبعاد تعتمد الالتفاف ثلاثي الأبعاد لمعالجة مجمَّعات الرنين المغناطيسي بدلًا من الصور المسطحة. تتعامل فروع منفصلة مع أنسجة أو نقاط زمنية مختلفة ثم تدمج معلوماتها، بينما تساعد آلية «الانتباه» النموذج على التركيز على المناطق الأكثر معلوماتية في الفضاء ثلاثي الأبعاد. عند تدريبه أساسًا على بيانات المادة الرمادية، تعلمت الشبكة تمييز أدمغة المصابين بالألزهايمر عن أدمغة الشيوخ الطبيعيين بدقة تقارب 93% وبخصوصية مثالية في مجموعة بيانات واحدة، متفوقة على عدة طرق ذكاء اصطناعي موجودة. كما تعممت جيدًا على مجموعة بيانات أسترالية مستقلة، ما يشير إلى أنها لا تكتفي بحفظ خصوصيات دراسة واحدة بل تلتقط إشارات أوسع خاصة بالمرض.

رؤية أي مناطق الدماغ ترجّح الكفة

الدقة العالية وحدها لا تكفي في الطب؛ يحتاج الأطباء إلى فهم ما الذي يدفع قرارات النموذج. لذلك استخدم الباحثون تقنية تفسير تُدعى SHAP، التي تعطي درجة أهمية لكل بكسل ثلاثي الأبعاد صغير—أو فوكسل—في الرنين المغناطيسي. تجميع هذه الفوكسلات في مناطق تشريحية كشف صورة ديناميكية للمرض. في المراحل المبكرة، برزت اللوزة (الأميغدالا)، وهي منطقة معنية بالعاطفة والذاكرة، كأكثر أهمية لتمييز المرضى عن الأصحاء. مع الوقت، اكتسب الحُصين والتلفيف الحوفي وما بعديّ الفص الصدغي تأثيرًا أكبر، في حين تراجع الدور النسبي للأميغدالا. عند علامة السنتين، كانت الفروقات بين المرضى والشواهد أوضح وأكثر تجمعًا، لا سيما في الجانب الأيسر من الدماغ.

أنماط تتوافق مع الأعراض ودرجات الفحص السريري

للتحقق من أن تركيز النموذج يتوافق مع علم الأحياء، أجرت الفريق تحليلات تقليدية لحجم الدماغ واختبارات إحصائية. وجدوا أن المادة الرمادية في المناطق المبرزة تنكمش أسرع لدى مرضى الألزهايمر مقارنة بالبالغين الذين يشيخون طبيعياً، وأن الحجم الأقل في هذه المناطق يرتبط ارتباطًا وثيقًا بدرجات أسوأ في اختبارات معرفية معيارية مثل اختبار الحالة العقلية المصغر وتقييم الخرف السريري. مسار الضرر—من البنى الطرفية الصدغية الداخلية نحو المناطق الخلفية المسؤولة عن اللغة والربط—عكس مخططات التصنيف المرضي الكلاسيكية للألزهايمر. كما ظهر تحيّز ناحية اليسار، متسقًا مع سيطرة الدماغ على اللغة وبعض وظائف الذاكرة في هذا الجانب. أظهر التحليل القائم على الفوكسلات أن التغيرات المبكرة كانت متناثرة وصغيرة، ثم أصبحت أكبر وأكثر تركيزًا في المناطق الصدغية الخلفية والجبهية مع تقدم المرض.

ما معنى هذا للمرضى والأطباء

لغير المتخصصين، الخلاصة الأساسية هي أن الألزهايمر لا يعمل كمفتاح تشغيل/إيقاف بسيط في الدماغ؛ بل يتبع مسارًا منظمًا لكنه متسارعًا، تاركًا آثارًا مميزة مع الزمن. من خلال تعليم نموذج تعلم عميق لقراءة ليس فقط أين يختلف الدماغ، بل كيف تنمو هذه الاختلافات على مدى عدة سنوات، تقدّم هذه الدراسة وسيلة لاكتشاف الألزهايمر بدقة أكبر وفي وقت أبكر من مساره. كما تحدد مجموعة صغيرة من مناطق الدماغ—بما في ذلك الأميغدالا، والحصين، والتلفيف الحوفي، وقشرة الفص الصدغي الخلفية—التي يرتبط تغير حجمها وبنيتها ارتباطًا وثيقًا بالتدهور المعرفي. ومع أن هناك حاجة لمزيد من العمل، خصوصًا باستخدام طرق تصوير إضافية ومجموعات بيانات أكبر، فإن هذا النهج يقربنا من استخدام فحوص دماغية زمنية ودقة عالية ونُهج ذكاء اصطناعي قابلة للتفسير كأدوات عملية للتشخيص المبكر والمتابعة، وفي نهاية المطاف إرشاد التدخّلات ضد مرض ألزهايمر.

الاستشهاد: Sun, J., Han, JD.J. & Chen, W. Deep learning models identify brain changes during the progression of Alzheimer’s disease. npj Syst Biol Appl 12, 42 (2026). https://doi.org/10.1038/s41540-026-00666-7

الكلمات المفتاحية: مرض ألزهايمر, تصوير دماغ بالرنين المغناطيسي, التعلم العميق, التصوير الطولي, الضمور العصبي