רדיו-אומיקה מבוססת אזורי-מגורים ב-MRI לשיפור אבחון פרקינסון

מדוע זה חשוב עבור מטופלים ומשפחות

מחלת פרקינסון בדרך כלל מתקדמת לאט, עם רועד או נוקשות עדינים שקשה לזהותם. כיום הרופאים נשענים עדיין במידה רבה על תסמינים וסריקות מיוחדות ויקרות כדי לקבוע אבחון, ומקרים מוקדמים נוטים להחמיץ. המחקר הזה ממחיש כי אותן סריקות MRI שגרתיות שרבות מבתי החולים כבר מבצעים ניתנות לכרייה כדי לחשוף תבניות חבויות, ומציע דרך מהירה יותר, פחות פולשנית, ובעלת דיוק מרשים לזיהוי מחלת פרקינסון.

מבט חדש אל תוך המוח

החוקרים התרכזו בשתי מבנים עמוקים במוח, הגרעין הזנבי והפוטמן, המרכזיים לשליטה בתנועה ונפגעים באופן משמעותי בפרקינסון. במקום להתייחס לכל מבנה כגוש רקמה בודד, הם העלו שאלה מפורטת יותר: האם כתמים שונים בתוך אזורים אלה מתנהגים אחרת ב-MRI, והאם ההבדלים האלה יכולים לחשוף את המחלה? כדי לבדוק זאת אספו סריקות MRI שגרתיות מ-308 אנשים — 173 עם פרקינסון ו-135 מתנדבים בריאים — בשני בתי חולים שמשתמשים בסורקים שונים, משקף את המגוון שקיים במרפאות בחיים האמיתיים.

מ"שכונות" מוחיות לטביעות אצבע דיגיטליות

באמצעות טכניקה שנקראת רדיו-אומיקה מבוססת אזורי-מגורים, הצוות פיצל כל אזור מטרה ל"שכונות" קטנות יותר, או אזורי-מגורים, בהתבסס על הבדלים עדינים בהירות ומרקם בתמונות ה-MRI. אלגוריתם מחשוב קיבץ ווקסלים (פיקסלים תלת-ממדיים קטנים) עם מאפייני תמונה דומים לתוך האזורים הללו, ולאחר מכן חילץ מאות תכונות מספריות מכל אחד. תכונות אלו יוצרות מעין טביעת אצבע דיגיטלית של בריאות הרקמה, ותופסות אי-סדירויות זעירות שהעין האנושית איננה רואה אך עלולות לשקף אובדן תאי עצב, צלקתיות או הצטברות ברזל הקשורה לפרקינסון.

אימון מודל אבחוני מתוך סריקות שגרתיות

עם טביעות האצבע האלה ביד, המדענים אימנו מודל למידת מכונה, מסוג תמיכה וקטורית (support vector machine), להבדיל בין מטופלים עם פרקינסון לבחנים בריאים. הם בחנו דרכים שונות לחלוקת אזורי המוח לאזורים-מגורים, מאז אזור אחד גדול ועד עשרה אזורים קטנים יותר. הן מערך האימון הראשי והן מערך אימות עצמאי שימשו להערכת הביצועים. כאשר האזורים חולקו לחמישה אזורים-מגורים, המודל הופיע בעוצמה המירבית: על נתונים חדשים, שלא נראו קודם, הוא זיהה נכון פרקינסון בכמעט 9 מתוך 10 אנשים והשיג דיוק אבחוני כולל מעל 94% במחקר המלא. זה עלה על גישות קודמות שהתייחסו לכל אזור מוחי כיחידה בודדת ושלעתים נשארו סביב דיוק של 80–85%.

מה המודל באמת רואה

כדי להמנע מבניית "תיבה שחורה", הצוות השתמש בשיטת הסבר שנקראת SHAP כדי לראות אילו תכונות תמונה השפיעו על החלטות המודל. האותות החשובים ביותר הגיעו מסדרת T2 במשקל, רצף קליני נפוץ. אצל אנשים עם פרקינסון, האזורים הרלוונטיים הראו שונות רבה יותר בעוצמה, נקודות בהירות וכהות קיצוניות יותר, והתפלגויות עצימות מוסרות יותר בהשוואה למתנדבים בריאים. דפוסים אלה ככל הנראה משקפים תהליכים ידועים בגנגליונים הבסיסיים, כגון אובדן תאי דופאמין, צלקת מקומית והצטברויות ברזל חריגות. חשוב לציין שהמאפיינים אותם ראו חזרו שוב ושוב כאשר הנתונים חולקו ונבדקו בדרכים שונות, והם נשארו יציבים בין סורקים שונים, מה שמרמז שהשיטה חזקה ולא תוצר מקרי של מכשיר יחיד.

מהמכשור המחקרי לשימוש קליני

ניתוחי עקומת-החלטה, השוקלים את תועלת זיהוי מקרים אמיתיים מול הנזקים של אזעקות שווא, הראו שהמודל עשוי לעזור לרופאים להחליט מי באמת צריך בדיקות המשך כגון DaTscan ומי יכול להימנע בבטחה מהליכים נוספים ויקרים. מכיוון שהשיטה נשענת רק על סריקות MRI סטנדרטיות ותוכנה, היא עשויה להיות בעלת ערך במיוחד בהגדרות שבהן הדמיה גרעינית מתקדמת אינה זמינה או יקרה מדי. המחברים טוענים שרדיו-אומיקה מבוססת אזורי-מגורים הופכת תמונות MRI מוכרות למפות נתונים עשירות, ומציעה סיוע עוצמתי ולא פולשני לאבחון פרקינסון מוקדם ומדויק יותר, ומניחה בסיס לכלים עתידיים שעשויים גם לעקוב אחרי התקדמות המחלה ולהנחות טיפול.

ציטוט: Li, YZ., Wang, Y., Cai, C. et al. Habitat-based MRI radiomics for enhanced parkinson’s diagnosis. Sci Rep 16, 4755 (2026). https://doi.org/10.1038/s41598-026-37923-y

מילות מפתח: מחלת פרקינסון, MRI, רדיו-אומיקה, למידת מכונה, אבחון מוקדם