הערכה של מודלים בלמידה עמוקה לחלוקה של נפחי ההיפוקמפוס בתמונות MRI במחלת אלצהיימר

מדוע המחקר הזה חשוב למשפחות

מחלת אלצהיימר ממעיטה בהדרגה את הזיכרון והיכולת לתפקד בעצמאות, לעתים הרבה לפני שהסימפטומים הופכים ברורים. רופאים יודעים שמבנה מוחי קטן הנקרא היפוקמפוס מצטמק ככל שהמחלה מתקדמת, אך מדידת הצמצום הזאת בעבודת יד על סריקות מוח איטית ומאתגרת. המחקר הזה בוחן האם בינה מלאכותית מודרנית יכולה באופן אוטומטי לסמן את ההיפוקמפוס בתמונות MRI ולהעריך באופן אמין כמה אבד מכל צד של המוח, מה שעשוי לתת לרופאים חיזיון מהיר ואובייקטיבי יותר לשינויים המוקדמים במוח.

איזור מוחי קטן עם תפקיד גדול בזיכרון

ההיפוקמפוס, הממוקם עמוק באונות הטמפורליות משני צידי המוח, עוזר לנו ליצור זיכרונות חדשים ולהתמצא בסביבה. מחקרים קודמים הראו שנפחו נוטה לרדת אצל אנשים עם מחלת אלצהיימר, ואובדן זה יכול להתחיל שנים לפני אבחנה רשמית. ההיפוקמפוס השמאלי מקושר ביתר עוצמה לזיכרונות מילוליים ואוטוביוגרפיים, בעוד שהצד הימני משחק תפקיד גדול יותר בזיכרון מרחבי ובהתמצאות. מעקב אחר שינויי הגודל של כל צד לאורך זמן יכול לכן לחשוף לא רק האם קיימת מחלה, אלא גם כיצד היא עשויה להשפיע על החשיבה והתפקוד היומיומי.

למה מדידת ההיפוקמפוס כל כך קשה

בסריקת MRI ההיפוקמפוס מופיע כמבנה קטן ומעוצב במורכבות, רק חלק זעיר בכל פרוסת תמונה. באופן מסורתי מומחים מסמנים את גבולותיו בעבודת יד על פני 25–30 פרוסות, ואז משלבים את השטחים הללו כדי לחשב נפח. שיטה ידנית זו נחשבת לסטנדרט הזהב, אך היא דורשת הכשרה מיוחדת, לוקחת זמן רב וקשה ליישום על אלפי סריקות שנאספות במחקרים גדולים או במרפאות עמוסות. תוכנות אוטומטיות קיימות מטפלות היטב באזורים מוחיים גדולים ופשוטים יותר, אך לעתים מתקשות לתפוס בעקביות את הפרטים העדינים של ההיפוקמפוס, במיוחד בין סורקים שונים ואיכות תמונה משתנה.

להעמיד את הלמידה העמוקה למבחן

כדי להתמודד עם האתגר, החוקרים העריכו שלושה מודלים של למידה עמוקה שנועדו לאתר ולסמן עצמים בתמונות. הם השתמשו בסריקות MRI מ-300 אנשים ביוזמת הנוירו-דימונסטריה של מחלת אלצהיימר: 100 עם מחלת אלצהיימר, 100 עם פגיעה קוגניטיבית קלה (שלב אפשרי מוקדם) ו-100 מבוגרים בריאים. לאחר שהנוירולוגית סימנה בקפידה את ההיפוקמפוס על אלפי פרוסות תמונה, הצוות אילף את המודלים ללמוד את התבניות הוויזואליות המגדירות את המבנה הזה. הם השוו ביצועים באמצעות מספר מדדי דיוק סטנדרטיים, בהתמקדות עד כמה הקווים החזויים של כל מודל חופפים עם הסימונים המומחים.

המודל המנצח ומה שהוא גילה

מבחינת הגישות שנבדקו, מודל בשם U-Net הצטיין בבירור בשרטוט גבולות מדויקים של ההיפוקמפוס משני צידי המוח. הוא השיג את החפיפה הגבוהה ביותר עם הסימונים המומחים בכל שלושת הקבוצות, והציג ביצועים טובים יותר ממודל זיהוי עצמים פופולרי הידוע כ-YOLO-v8 ושיטה מתקדמת אחרת בשם DeepLab-v3. לאחר האימון השתמשו במודל U-Net כדי לסגמנט את ההיפוקמפוס בערכת מבחן נפרדת ולחשב נפחים. התוצאות הראו דפוס ברור: אנשים עם אלצהיימר היו בעלי הנפחים הקטנים ביותר, אלו עם פגיעה קוגניטיבית קלה היו בנפחים בינוניים, והקבוצת הביקורת הבריאה הציגה את הנפחים הגדולים ביותר. בכל קבוצה, הצד השמאלי נטה להיות במעט קטן יותר מהימני.

הבדלים עדינים בין שמאל לימין

בהשוואה ישירה בין שני הצדדים בחנו החוקרים גם כמה סימטרי ההיפוקמפוס בכל קבוצה. הם מצאו שבמבוגרים בריאים, הצד הימני היה גדול בהבחנה מהשמאלי, מה שנתן את האסימטריה הגבוהה ביותר. לעומת זאת, אנשים עם מחלת אלצהיימר ואנשים עם פגיעה קוגניטיבית קלה הראו נפחים כוללים קטנים יותר ופערים קטנים בלבד בין שמאל לימין. ממצא זה מרמז שבמהלך התקדמות המחלה שני ההיפוקמפים מצטמקים ונפחיהם מתקרבים זה לזה, דפוס שעשוי לשאת מידע על האופן שבו הזיכרון וכישורים קוגניטיביים אחרים משתנים.

מה המשמעות לטיפול בעתיד

להבנה שאינה מקצועית, המסקנה היא שבינה מלאכותית יכולה כיום להתאים לביצוע מומחים בשלב מייגע אך מכריע: סימון ההיפוקמפוס על סריקות מוח. במחקר זה מודל U-Net הוכיח עצמו כאמין במיוחד למשימה זו, ואיפשר חישוב מהיר של נפח ההיפוקמפוס משני צדי המוח. אם יאומתו כלים כאלה עוד בנתונים גדולים ומגוונים יותר, הם עשויים לסייע לרופאים לעקוב בקלות רבה יותר אחר שינויים מוקדמים במוח, לתמוך באבחנה מוקדמת ובטוחה יותר, ולפקח על ההשפעה של טיפולים בהאטה או שינוי בהתקדמות המחלה. העבודה מקרבת אותנו לשימוש בסריקות MRI שגרתיות, משופרות בלמידה עמוקה, כסמן ביולוגי פרקטי למחלת אלצהיימר בשגרה הקלינית היומיומית.

ציטוט: 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

מילות מפתח: מחלת אלצהיימר, נפח ההיפוקמפוס, MRI מוח, סגמנטציה בלמידה עמוקה, U-Net