تصنيف شدة الخرف المرتبط بمرض ألزهايمر من صور الرنين المغناطيسي باستخدام تحسين خالٍ من الاشتقاق للشبكة العصبية الالتفافية

مساعدة الأطباء على اكتشاف الخرف مبكّرًا

مع شيخوخة السكان، تقلق العديد من العائلات بشأن فقدان الذاكرة والخرف. يمكن لفحوصات الدماغ أن تكشف تغيّرات مبكرة مرتبطة بمرض ألزهايمر، لكن قراءة آلاف الصور بصريًا عملية بطيئة وصعبة حتى على الخبراء. تعرض هذه الدراسة أداة حاسوبية ذكية تفحص صور الرنين المغناطيسي للدماغ وتُصنّف الأشخاص إلى أربع مستويات من شدة الخرف، من لا خرف إلى ضعف متوسط. تم تصميم النظام ليكون دقيقًا للغاية وخفيفًا بما يكفي للتشغيل على حواسيب المستشفيات العادية، مما يجعل التحليل المتقدّم للصور أكثر توافرًا.

مساعد ذكي جديد لفحوصات الدماغ

يركّز الباحثون على نوع من الذكاء الاصطناعي يُسمى الشبكة العصبية الالتفافية (CNN)، التي تتفوّق في اكتشاف الأنماط في الصور. بدلاً من الاكتفاء بتقرير وجود مرض ألزهايمر أم لا، يفرّق أداتهم بين أربعة مراحل: لا خرف، خفيف جدًا، خفيف، ومتوسّط الخرف. لتحقيق ذلك، درّب الفريق نموذجهم على مجموعات كبيرة عامة من صور الرنين المغناطيسي التي عُلّمت سابقًا من قبل خبراء. كان الهدف مزدوجًا: بلوغ دقة تقارب الكمال والحفاظ على نموذج مدمج وسريع، بحيث يصبح عمليًا للاستخدام السريري اليومي وليس مقصورًا على مختبرات البحوث المموّلة جيدًا.

موازنة البيانات وتنقية الصور

تتمثل إحدى التحديات الأساسية في البيانات الطبية بأن مراحل المرض ليست ممثلة بالتساوي. في مجموعات صور الدماغ هذه، حالات الأصحّاء والخفيفة جدًا شائعة، في حين أن صور الخرف المتوسّط نادرة بكثير. تميل أنظمة الذكاء الاصطناعي القياسية إلى «اللعب بأمان» عبر التنبؤ الزائد بالفئات الشائعة وفقدان الحالات المبكرة أو المتوسطة. لمواجهة ذلك، استخدم المؤلفون استراتيجية من خطوتين: أزالوا أولًا الصور الحافة المربكة ثم أنشأوا أمثلة تركيبية واقعية للمراحل الناقصة التمثيل. وبموازاة ذلك، جهّزوا كل شريحة رنين مغناطيسي بعناية عن طريق التصفية، وعزل الدماغ عن الأنسجة المحيطة، وتطبيع السطوع والتباين بحيث يتركّز النموذج على سمات ذات مغزى طبي مثل انكماش البُنى العميقة المتعلقة بالذاكرة واتساع المساحات المملوءة بالسائل.

تصميم شبكة أصغر وأكثر ذكاءً

بدلاً من الاعتماد على طرق التدريب التقليدية التي تضبط المعاملات عبر تتبع التدرجات الرياضية، استخدم الفريق مجموعة من تقنيات تحسين تُسمى خالية من الاشتقاق. بدأوا بنموذج CNN تقليدي أكبر ثم استعملوا بحثًا تطوريًا وبحثًا في هندسة الشبكات العصبية لتطوير تصميم أبسط يضم ثلاث طبقات التفافية فقط وعددًا أقل بكثير من المرشحات. ثم قامت أساليب التحسين البايزية بضبط كيفية تدريب الشبكة، في حين أزالت خوارزميات التلدين المحاكاة والتقليم الاتصالات غير الضرورية بعد التدريب. النتيجة النهائية، المسماة DAPA-CNN، تحتوي على نحو 85% أقل من المعاملات القابلة للضبط مقارنة بالنموذج المبدئي، وتستخدم حوالي ربع الذاكرة، وتتدرّب في أقل من ثلثي الوقت، ومع ذلك تظل قادرة على التقاط الأنماط الحاسمة في الصور.

أداء يقارب الكمال وتوضيحات بصرية واضحة

رغم صغر حجمها، برهنت DAPA-CNN على دقة ملحوظة. على مجموعة بيانات كبيرة تتعلق بمرض ألزهايمر، خصّصت المرحلة الصحيحة للخرف في كل حالة تقريبًا، مع دقة ومقاييس أداء أخرى تدور كلها حول 99%. عَمِمَ النموذج أيضًا بشكل جيد على مجموعة بيانات متعددة المراكز جمعت على أجهزة تصوير مختلفة، مما يشير إلى متانته أمام تباينات العالم الحقيقي في التصوير. لجعل النظام أكثر شفافية للأطباء، أنشأ المؤلفون خرائط تنشيط الفئة—تراكبات شبيهة بالحرارة تُظهر أي مناطق الدماغ أثّرت في قرار معين. في المراحل المبكرة، تبرز هذه الخرائط مناطق مرتبطة بالذاكرة والمعروفة بتدهورها أولًا في مرض ألزهايمر؛ وفي المراحل المتأخرة، تمتد لتشمل مناطق قشرية أوسع، مما يتوافق مع الفهم السريري لتقدّم المرض.

ما الذي يعنيه هذا للمرضى والعيادات

لغير المتخصصين، الرسالة الرئيسية هي أن الدراسة تقدّم أداة سريعة ومضغوطة وقابلة للتفسير لتقييم شدة الخرف من صور الرنين المغناطيسي الروتينية. من خلال موازنة بيانات التدريب وتشكيل الشبكة بعناية باستخدام تحسين خالٍ من الاشتقاق، أنشأ المؤلفون نموذجًا يمكن تشغيله على أجهزة متواضعة مع تقديم دقة تقارب الكمال وإبراز مناطق الدماغ التي تقف وراء قراراته. إذا تأكدت النتائج في تجارب سريرية مستقبلية استطلاعية، فقد تدعم هذه التقنية تشخيصًا مبكرًا، وتوحيدًا أفضل للتدرج بين المستشفيات، وتتبعًا محسّنًا لكيفية تغيّر مرض ألزهايمر للدماغ مع مرور الوقت.

الاستشهاد: Ganesan, S.K., Velusamy, P., Parthsarathy, P. et al. Alzheimer’s related dementia severity classification from magnetic resonance imaging using derivative-free optimization of convolutional neural network. Sci Rep 16, 10077 (2026). https://doi.org/10.1038/s41598-026-36037-9

الكلمات المفتاحية: مرض ألزهايمر, رنين مغناطيسي للدماغ, تدرج الخرف, التعلّم العميق, الذكاء الاصطناعي في التصوير الطبي