تقييم نماذج التعلم العميق لتقسيم أحجام الحُصين من صور الرنين المغناطيسي في مرض الزهايمر

لماذا يهم هذا البحث للعائلات

يزيل مرض الزهايمر الذاكرة والاستقلالية تدريجياً، غالباً قبل أن تصبح الأعراض واضحة. يعرف الأطباء أن بنية دماغية صغيرة تسمى الحُصين تتقلص مع تقدم المرض، لكن قياس هذا التقلص يدوياً على صور المسح الدماغي عملية بطيئة وصعبة. تستقصي هذه الدراسة ما إذا كان الذكاء الاصطناعي الحديث قادرًا على تحديد الحُصين تلقائياً على صور الرنين المغناطيسي وتقدير مقدار الفقد في كل جانب من الدماغ بثبات، مما قد يتيح للأطباء نافذة أسرع وأكثر موضوعية لرصد التغيرات المبكرة في الدماغ.

منطقة دماغية صغيرة ذات دور كبير في الذاكرة

الحُصين، الكامن عميقاً في الفصوص الصدغية على جانبي الدماغ، يساعدنا على تشكيل ذكريات جديدة والتنقل في المحيط المحيط بنا. أظهرت بحوث سابقة أن حجمه يميل إلى الانخفاض لدى الأشخاص المصابين بمرض الزهايمر، وأن هذا الفقد قد يبدأ قبل سنوات من التشخيص الرسمي. يرتبط الحُصين الأيسر أكثر بالذاكرة اللفظية والذكريات الشخصية، بينما يلعب الجانب الأيمن دوراً أكبر في الذاكرة المكانية والملاحة. لذا، قد يكشف تتبع تغير حجم كل جانب مع مرور الوقت ليس فقط عن وجود المرض، بل أيضاً عن الكيفية التي قد يؤثر بها على التفكير والوظائف اليومية.

لماذا قياس الحُصين صعب للغاية

في صورة الرنين المغناطيسي، يظهر الحُصين كبنية صغيرة ذات شكل معقد، جزء ضئيل من كل شريحة تصويرية. تقليدياً، يرسم الخبراء حدوده يدوياً عبر 25 إلى 30 شريحة، ثم يجمعون تلك المساحات لحساب الحجم. يعتبر هذا النهج اليدوي المعيار الذهبي، لكنه يتطلب تدريباً متخصصاً، ويأخذ وقتاً طويلاً، ويصعب تطبيقه على آلاف الصور المجمعة في الدراسات الكبيرة أو العيادات المزدحمة. تستطيع البرمجيات الآلية الحالية التعامل جيداً مع مناطق دماغية أكبر وأكثر بساطة، لكنها غالباً ما تكافح لالتقاط التفاصيل الدقيقة للحُصين بشكل ثابت، خاصة عبر أجهزة مسح وجودات صورة متفاوتة.

اختبار التعلم العميق

لمعالجة هذا التحدي، قيّم الباحثون ثلاثة نماذج تعلم عميق مصممة لاكتشاف ورسم الأجسام في الصور. استخدموا صور رنين مغناطيسي من 300 شخص ضمن مبادرة التصوير العصبي لمرض الزهايمر: 100 مصابين بمرض الزهايمر، و100 يعانون من ضعف إدراكي طفيف (قد يكون مرحلة مبكرة)، و100 من كبار السن الأصحاء. بعد أن قام أحد أطباء الأعصاب بوضع تسميات دقيقة للحُصين عبر آلاف الشرائح التصويرية، درب الفريق النماذج لتتعلم الأنماط البصرية التي تحدد هذه البنية. قارنوا الأداء باستخدام عدة مقاييس دقة معيارية، مع التركيز على مدى تطابق الحدود التي توقّعها كل نموذج مع تسميات الخبير.

النموذج الفائز وما كشفه

من بين النهج الثلاثة، برز نموذج يُدعى يو-نت كالأفضل بوضوح في رسم حدود دقيقة حول الحُصين على جانبي الدماغ. حقق أعلى درجة تطابق مع تسميات الخبراء عبر المجموعات الثلاث كلها، متفوقاً على نموذج شائع لاكتشاف الأجسام يُعرف باسم YOLO-v8 وطريقة متقدمة أخرى تسمى DeepLab-v3. بعد التدريب، استُخدم نموذج يو-نت لتقسيم الحُصين في مجموعة اختبار منفصلة من الصور ولحساب الأحجام. أظهرت النتائج نمطاً واضحاً: كان لدى المصابين بمرض الزهايمر أصغر أحجام حُصين، وكان لدى من يعانون من ضعف إدراكي طفيف أحجام وسطية، أما الضوابط الأصحاء فكان لديهم أكبرها. وفي كل مجموعة، كان الجانب الأيسر يميل لأن يكون أصغر قليلاً من الأيمن.

فروقات طفيفة بين اليسار واليمين

بمقارنة الجانبين مباشرة، فحص الباحثون أيضاً مدى تماثل الحُصين في كل مجموعة. وجدوا أنه لدى كبار السن الأصحاء، كان الجانب الأيمن أكبر بشكل ملحوظ من الأيسر، مما أعطى أعلى لدرجة الاختلال التناسبي. بالمقابل، أظهر المصابون بمرض الزهايمر ومن يعانون من ضعف إدراكي طفيف أحجاماً كلية أصغر وفروقات طفيفة فقط بين اليسار واليمين. يشير هذا إلى أنه مع تقدم المرض، ينكمش كلا الحُصينين وتصبح أحجامهما أكثر تشابهاً، وهو نمط قد يحمل معلومات عن كيفية تغير الذاكرة والقدرات الإدراكية الأخرى.

ماذا يعني هذا للرعاية المستقبلية

لغير المتخصصين، الخلاصة هي أن الذكاء الاصطناعي يمكنه الآن أن يضاهي أداء الخبراء في خطوة مرهقة لكنها حاسمة: تحديد الحُصين على صور المسح الدماغي. في هذه الدراسة، برهن نموذج يو-نت موثوقيته بشكل خاص في هذه المهمة، مما يسمح بحساب سريع لحجم الحُصين على جانبي الدماغ. إذا تم التحقق من هذه الأدوات في مجموعات بيانات أكبر وأكثر تنوعاً، فقد تساعد الأطباء على تتبع التغيرات المبكرة في الدماغ بسهولة أكبر، ودعم التشخيص المبكر وبثقة أكبر، ومراقبة مدى فاعلية العلاجات في إبطاء أو تغيير مسار المرض. تُقربنا هذه الأعمال من استخدام صور الرنين المغناطيسي الروتينية، المعززة بالتعلم العميق، كعلامة حيوية عملية لمرض الزهايمر في الممارسة السريرية اليومية.

الاستشهاد: Pusparani, Y., Lin, CY., Jan, YK. et al. Evaluation of deep learning models for segmentation of hippocampus volumes from MRI images in Alzheimer’s disease. Sci Rep 16, 7878 (2026). https://doi.org/10.1038/s41598-026-38220-4

الكلمات المفتاحية: مرض الزهايمر, حجم الحُصين, رنين مغناطيسي للدماغ, تقسيم بالتعلم العميق, يو-نت