מיון שלבי מחלת האלצהיימר מבוסס דימות מוח ב‑MRI באמצעות רשת עצבית עמוקה עם מודול תשומת לב מבוסס קונבולוציה והזרקת רעש בסגנון GAN

מדוע סריקות מוח מוקדמות חשובות

מחלת האלצהיימר גוזלת בהדרגה זיכרון ועצמאות, לעתים הרבה לפני שהתסמינים בולטים. משפחות, רופאים וחולים מעוניינים למצוא דרך לזהות את המחלה מוקדם, כאשר טיפולים ושינויים באורח החיים עשויים להניב את התועלת הגדולה ביותר. המחקר הזה מתאר מערכת מחשובית חדשה שקוראת סריקות מוח שגרתיות וממיינת אנשים לארבעה שלבים של ירידה בזיכרון הקשורה לאלצהיימר בדיוק מרשים, מה שעשוי לספק לרופאים חוות דעת שנייה מהירה, זולה ועקבית יותר.

מבט מקרוב לתוך המוח

החוקרים מתמקדים בסריקות MRI, שמציגות תמונות מפורטות של מבנה המוח ללא צורך בניתוח או קרינה. הם משתמשים בנתונים מפרויקט בינלאומי גדול בשם Alzheimer’s Disease Neuroimaging Initiative (ADNI), שבו מתנדבים בגילאים 55–90 עוברים באופן שגרתי בדיקות זיכרון ודימות מוח. מהסריקות הללו הצוות מפיק חתכים דו־ממדיים של המוח וממיין אותם לארבע קבוצות: אנשים ללא דמנציה, וכאלו עם דמנציה מאוד קלה, קלה או בינונית. זה משקף את האופן שבו האלצהיימר מתפתח בדרך כלל במציאות, כאשר שינויים קטנים בזיכרון ובחשיבה מחמירים בהדרגה עם הזמן.

לאמן מחשב לזהות שינויים עדינים

במקום לבקש ממומחים אנושיים לבחור אזורים ותכונות מוחיים, המחברים מאמנים מערכת למידה עמוקה — בדומה למערכות שמשמשות לזיהוי פנים או רכבים אוטונומיים — ללמוד ישירות מהתמונות. המודל שלהם, הקרוי Neuro_CBAM-ADNet, הוא סוג של רשת נוירונים קונבולוציונית המתמחה בזיהוי תבניות בתמונות. כאשר תמונת ה‑MRI עוברת דרך הרשת היא מעובדת בשכבות מצטברות שמזהות קצוות, מרקמים וצורות מורכבות יותר עד שהמערכת מסוגלת להבחין בתבניות המשיקות לשלבי הדמנציה השונים, רבות מהן עדינות מדי לעין האנושית.

לעזור למחשב למקד את תשומת הלב למה שחשוב

חידוש מרכזי הוא מנגנון "תשומת לב" שמניע בעדינות את הרשת להתרכז בחלקים המידעיים ביותר של הסריקה. במונחים מעשיים, המודל לומד אילו מיקומים ותכונות פנימיות במוח נוטים להשתנות ככל שהאלצהיימר מתקדם — למשל אזורים הקשורים לזיכרון ולחשיבה — בעוד שהוא מתעלם מרקע פחות רלוונטי. החוקרים גם מתמודדים עם בעיה נפוצה בנתונים רפואיים: שלבים מסוימים של המחלה נדירים הרבה יותר מאחרים, ולכן ללא תיקון המודל עלול להיטה לעבר המחלקה הרובדת. כדי לנטרל זאת הם מייצרים תמונות אימון נוספות לקבוצות חסרות ייצוג על‑ידי הוספת רעש מבוקר לסריקות קיימות, תוך חיקוי השונות הטבעית שנמצאת בחולים אמיתיים מבלי לעוות את האנטומיה הבסיסית.

בדיקת המערכת

כדי לבדוק עד כמה המערכת שלהם מהימנה, הצוות מאמן ובודק אותה באופן חוזר על תתי־קבוצות שונות מהנתונים, תהליך המכונה אימות צולב. בחמישה סיבובים עצמאיים, Neuro_CBAM-ADNet מסווג נכונה את שלב הדמנציה בכ־98 אחוז מהמקרים, עם ציוני רגישות (זיהוי מקרים מושפעים), דיוק (הימנעות מתראות שווא) ומדד משולב הנקרא F1 בקצבים דומים. המערכת חזקה במיוחד בהבחנה בין קבוצות ברורות, כגון דמנציה בינונית לעומת היעדר דמנציה, ורוב הטעויות מתרחשות בין שלבים סמוכים כמו היעדר דמנציה לעומת דמנציה מאוד קלה, שבהם אפילו מומחים לעתים קרובות אינם מסכימים. כלים נוספים בשם מיפויי חום Grad‑CAM מראים היכן במוח המודל "מביט" כשהוא מקבל כל החלטה, ומספקים רמזים חזותיים שאפשר להשוותם לסימני המחלה הידועים.

מה המשמעות עבור חולים ורופאים

במלים פשוטות, העבודה הזו מראה שמערכת בינה מלאכותית מתוכננת היטב יכולה לקרוא סריקות מוח ולמיין אנשים לארבעה שלבים של ירידה הקשורה לאלצהיימר ברמת עקביות שמתחרה, ובמקרים מסוימים עולה על שיטות קודמות. היא עושה זאת תוך הצבעה לאזורי המוח שמניעים את החלטותיה, מה שעשוי לחזק את האמון בקרב קלינאים. אף שהכלי עדיין זקוק לבחינות רחבות יותר בבתי חולים וסורקים שונים, הוא מצביע על עתיד שבו בדיקות MRI שגרתיות, בשילוב בינה מלאכותית שקופה, עשויות לסייע בזיהוי שינויים מוחיים מוקדמים, לתמוך באבחנות מדויקות יותר ולהנחות החלטות טיפוליות לפני שהמחלה התקדמה מדי.

ציטוט: 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

מילות מפתח: מחלת האלצהיימר, MRI של המוח, למידה עמוקה, אבחנה מוקדמת, בינה מלאכותית בדימות רפואי