סיווג חומרת דמנציה הקשורה לאלצהיימר מתוך דימות תהודה מגנטית באמצעות אופטימיזציה ללא נגזרות של רשת עצבית מייצגת קונבולוציה

עוזרים לרופאים לזהות דמנציה מוקדם יותר

ככל שהאוכלוסיות מזדקנות, משפחות רבות דואגות לאובדן זיכרון ודמנציה. סריקות מוח יכולות לחשוף שינויים מוקדמים הקשורים למחלת אלצהיימר, אך קריאת אלפי תמונות בעין היא איטית וקשה, אפילו למומחים. מחקר זה מציג כלי מחשב חכם שסורק סריקות MRI של המוח וממיין אנשים לארבע רמות חומרה של דמנציה, מאין דמנציה ועד לקשיים מתונים. המערכת תוכננה כך שתהיה מדויקת מאוד וקלילה דיים כדי לפעול על מחשבים רגילים בבתי חולים, מה שמפשט את הגישה לניתוח תמונות מתקדם.

עוזר חכם חדש לסריקות מוח

החוקרים מתמקדים בסוג של בינה מלאכותית הנקרא רשת עצבית קונבולוציונית (CNN), שמצטיינת בזיהוי דפוסים בתמונות. במקום להכריע רק האם למישהו יש אלצהיימר, הכלי שלהם מבחין בארבעה שלבים: ללא דמנציה, מאוד קלה, קלה ומתונה. לשם כך אימנו את המודל על מאגרי MRI ציבוריים גדולים שכבר סומנו על ידי מומחים. המטרה הייתה כפולה: להשיג דיוק קרוב למושלם ולשמור על מודל קטן ומהיר, כך שיהיה מעשי לשימוש קליני יומיומי ולא רק במעבדות מחקר ממומנות היטב.

איזון הנתונים וניקוי התמונות

אתגר מרכזי בנתונים רפואיים הוא שלא כל שלבי המחלה מיוצגים באופן שווה. באוספי סריקות אלו, מקרים בריאים ומאוד קלים שכיחים, בעוד שסורקות של דמנציה מתונה נדירות בהרבה. מערכות בינה מלאכותית סטנדרטיות נוטות אז "לשחק בבטוח" על ידי חיזוי יתר של המחלקות הנפוצות ובהחמצת מחלה מוקדמת או מתונה. כדי להתגבר על כך השתמשו המחברים באסטרטגיה דו-שלבית: קודם הסירו תמונות גבול מבלבלות ולאחר מכן יצרו דוגמאות סינתטיות ריאליסטיות של השלבים החסרים. במקביל עיבדו בקפידה כל פרוסת MRI על ידי סינון, בידוד המוח מהרקמות הסובבות ונרמול בהירות וניגודיות, כדי שהמודל יוכל להתמקד בתכונות רפואיות משמעותיות כגון הצטמקות של מבנים עמוקים הקשורים לזיכרון והתרחבות של חללים מלאי נוזלים.

עיצוב רשת קטנה וחכמה יותר

במקום להסתמך על שיטות אימון מסורתיות שמעדכנות פרמטרים בעזרת גרדיאנטים מתמטיים, הצוות השתמש במשפחת טכניקות הידועות כאופטימיזציה ללא נגזרות. הם התחילו מרשת CNN גדולה וסטנדרטית ואז השתמשו בחיפוש אבולוציוני ובחיפוש ארכיטקטורת נוירונים כדי לפתח עיצוב פשוט יותר עם שלוש שכבות קונבולוציה בלבד והרבה פחות פילטרים. אופטימיזציה בייסיאנית כיוונה אחר כך את אופן האימון, בעוד סימולציית קירור ואִגּוּף (pruning) הסירו קישורים מיותרים לאחר האימון. התוצאה הסופית, שנקראה DAPA-CNN, כוללת כ-85% פחות פרמטרים ניתנים לכוונון מהדגם ההתחלתי, צורכת בערך רבע מהזיכרון ומתאמנת בפחות משני שלישים מהזמן, ועדיין לתופסת את הדפוסים החיוניים בסריקות.

ביצועים כמעט מושלמים והסברים ויזואליים ברורים

למרות גודלה הקטן יותר, DAPA-CNN הראתה דיוק מרשים. במאגר נתונים מרכזי על אלצהיימר היא קבעה נכונה את שלב הדמנציה כמעט בכל מקרה, כאשר דיוק ושאר מדדי ביצועים נעו סביב 99%. המודל גם הכליל היטב למאגר רב-מרכזי נפרד שנאסף על מכשירים שונים, מה שמרמז על עמידות לשינויים אמיתיים בדימות. כדי להפוך את המערכת לשקופה יותר בעיני קלינאים, המחברים הפיקו מפות הפעלת מחלקה — שכבות חום שמראות אילו אזורים במוח השפיעו על ההחלטה. בשלבים המוקדמים מפות אלה מדגישות אזורים המעורבים בזיכרון הידועים כמידרדרים ראשונים במחלת אלצהיימר; בשלבים מאוחרים הן מתפשטות לאזורים קורטיקליים רחבים יותר, בהתאמה להבנה הקלינית של התקדמות המחלה.

מה זה אומר עבור מטופלים ומרפאות

ללא-מומחים, המסר המרכזי הוא שמחקר זה מציע כלי מהיר, קומפקטי וניתן להבנה לציון חומרת דמנציה מסריקות MRI שגרתיות. על ידי איזון נתוני האימון ועיצוב מוקפד של הרשת באמצעות אופטימיזציה ללא נגזרות, יצרו המחברים מודל שיכול לפעול על חומרה צנועה תוך מתן דיוק קרוב למושלם והדגשת אזורי המוח שמאחורי החלטותיו. אם יאושרו ממצאים אלה בניסויים קליניים פרוספקטיביים עתידיים, טכנולוגיה כזו יכולה לתמוך באבחון מוקדם יותר, בסיווג עקבי יותר בין בתי חולים ובמעקב משופר אחר האופן שבו מחלת אלצהיימר משנה את המוח לאורך זמן.

ציטוט: 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

מילות מפתח: מחלת אלצהיימר, MRI מוח, הקביעת שלב דמנציה, למידה עמוקה, בינה מלאכותית בדימות רפואי