تصنيف مراحل مرض ألزهايمر اعتمادًا على تصوير الدماغ بالرنين المغناطيسي باستخدام شبكة عصبية عميقة مع وحدة اهتمام بلوك التلافيف وحقن ضوضاء على طريقة GAN

لماذا تهم فحوصات الدماغ المبكرة

يسلب مرض ألزهايمر الذاكرة والاستقلالية ببطء، غالبًا قبل أن تظهر الأعراض بوضوح. ترغب العائلات والأطباء والمرضى في وسيلة لاكتشاف المرض مبكرًا، عندما تكون العلاجات وتغيير نمط الحياة أكثر فائدة. تصف هذه الدراسة نظامًا حاسوبيًا جديدًا يقرأ الفحوصات الروتينية للدماغ ويصنّف الأشخاص إلى أربع مراحل من تدهور الذاكرة المرتبط بألزهايمر بدقة ملحوظة، ما قد يوفر للأطباء رأيًا ثانٍ أسرع وأرخص وأكثر اتساقًا.

نظرة أدق إلى داخل الدماغ

يركز الباحثون على فحوصات الرنين المغناطيسي (MRI)، التي تعرض صورًا مفصّلة لبنية الدماغ دون جراحة أو إشعاع. يستخدمون بيانات من مشروع دولي واسع يُدعى مبادرة تصوير مرض ألزهايمر العصبي (ADNI)، حيث يخضع متطوعون تتراوح أعمارهم بين 55 و90 عامًا لاختبارات الذاكرة وتصوير الدماغ بشكل منتظم. من هذه الفحوصات يستخرج الفريق شرائح ثنائية الأبعاد من الدماغ ويصنّفها إلى أربع مجموعات: أشخاص بلا خرف، وأولئك ذوو الخرف في مراحل جدًا طفيفة، طفيفة، أو متوسطة. يعكس هذا كيفية تقدم ألزهايمر عادة في العالم الواقعي، حيث تتدهور الذاكرة والتفكير تدريجيًا.

تعليم الحاسوب رؤية التغيّرات الطفيفة

بدلًا من مطالبة الخبراء البشريين باختيار مناطق وميزات الدماغ يدويًا، يدرب المؤلفون نظام تعلم عميق—مماثل من حيث الفكرة لتلك المستخدمة في تمييز الوجوه أو القيادة الذاتية—ليتعلم مباشرة من الصور. نموذجهم، المسمى Neuro_CBAM-ADNet، هو نوع من شبكات التلافيف العصبية التي تتفوّق في التعرف على الأنماط في الصور. أثناء مرور صورة الرنين المغناطيسي عبر الشبكة، تُعالَج بطبقات مكدسة تكتشف الحواف والقوام وأشكالًا أكثر تعقيدًا حتى يصبح النظام قادرًا على تمييز الأنماط المرتبطة بمراحل الخرف المختلفة، والكثير منها يكون دقيقًا جدًا لدرجة تفلت من عين المراقب.

مساعدة الحاسوب على التركيز على المهم

ابتكار رئيسي هو آلية "الاهتمام" التي توجه الشبكة بلطف للتركيز على أكثر أجزاء الفحص معلوماتية. عمليًا، يتعلم النموذج المواقع والميزات الداخلية للدماغ التي تميل إلى التغير مع تقدم ألزهايمر—مثل المناطق المتعلقة بالذاكرة والتفكير—بينما يتجاهل الخلفية الأقل صلة. كما يتعامل الباحثون مع مشكلة شائعة في بيانات الرعاية الصحية: بعض مراحل المرض أندر بكثير من غيرها، ما قد يجعل النموذج متحيزًا لصالح الفئة الأكثر تواجدًا. لمواجهة ذلك، يولّدون صور تدريب إضافية للمجموعات الممثلة تمثيلاً ناقصًا عبر إضافة ضوضاء مُتحكمًا بها بعناية إلى الفحوصات القائمة، محاكين التباين الطبيعي الموجود لدى المرضى الحقيقيين دون تشويه البنية التشريحية الأساسية.

وضع النظام على المحك

لفحص مدى موثوقية نظامهم، يدرب الفريق النظام ويختبره مرارًا على مجموعات فرعية مختلفة من البيانات، وهي عملية تُسمى التحقق المتقاطع. عبر خمس جولات مستقلة، يصنّف Neuro_CBAM-ADNet مرحلة الخرف بشكل صحيح حوالي 98 بالمئة من الوقت، مع درجات عالية مماثلة للحساسية (اكتشاف الحالات المتأثرة)، والدقة (تجنّب الإنذارات الكاذبة)، ومقياس مركب يُدعى F1-score. يبرع النظام خصوصًا في التفريق بين مجموعات متباينة بوضوح، مثل الخرف المتوسط مقابل عدم وجود خرف، وتحدث معظم الأخطاء بين مراحل متجاورة مثل لا خرف وذاك Very Mild، حيث حتى المتخصصين يتباين رأيهم أحيانًا. تظهر أدوات إضافية تسمى خرائط Grad-CAM الحرارية الأماكن في الدماغ التي "ينظر" إليها النموذج عند اتخاذ كل قرار، موفرة دلائل بصرية يمكن مقارنتها بعلامات المرض المعروفة.

ما يعنيه هذا للمرضى والأطباء

بعبارة بسيطة، تبيّن هذه الدراسة أن نظام ذكاء اصطناعي مصمم جيدًا يستطيع قراءة صور الدماغ وتصنيف الأشخاص إلى أربع مراحل من التدهور المرتبط بألزهايمر بمستوى اتساق يضاهي، وفي بعض الحالات يتفوق على، الطرق السابقة. يفعل ذلك بينما يشير إلى مناطق الدماغ التي تقود قراراته، ما قد يعزز ثقة الأطباء. وعلى الرغم من أن الأداة لا تزال بحاجة لاختبارات أوسع عبر مستشفيات وأجهزة مسح مختلفة، فإنها توحي بمستقبل قد تساعد فيه فحوصات الرنين المغناطيسي الروتينية، مقترنة بذكاء اصطناعي شفاف، في رصد التغيرات الدماغية المبكرة، ودعم تشخيصات أكثر ثقة، وإرشاد قرارات العلاج قبل تفاقم المرض كثيرًا.

الاستشهاد: Kumar, S., Shastri, S., Mansotra, V. et al. MRI neuroimaging-based Alzheimer’s disease stage classification using deep neural network with convolutional block attention module and GAN-style noise injection. Sci Rep 16, 6946 (2026). https://doi.org/10.1038/s41598-026-37226-2

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