3DViT-GAT: מסגרת מאוחדת של טרנספורמר חזותי תלת‑ממדי ולמידת גרף מבוססת אטלס לזיהוי הפרעה דיכאונית שולית באמצעות נתוני MRI מבניים

מדוע סריקות מוח עשויות לשנות את הדרך שבה אנו מזהים דיכאון

הפרעה דיכאונית גדולה משפיעה על hundreds of millions אנשים, אך רופאים עדיין מאבחנים אותה בעיקר באמצעות שיחה עם המטופלים ותצפית על התנהגותם. הגישה הזו חשובה, אך היא עלולה להיות סובייקטיבית ולא עקבית. המחקר הזה שואל האם סריקות מוח מפורטות, בשילוב עם בינה מלאכותית מודרנית, יכולות להציע סיוע אובייקטיבי יותר לאבחון — על‑ידי הכשרת מחשב לזהות שינויים מבניים עדינים במוח הקשורים לדיכאון.

מביטים בתוך המוח בעזרת הדמיה מודרנית

החוקרים מתמקדים ב‑MRI מבני, סוג סריקה שמגלה את האנטומיה של המוח בפרטים דקים, עד יחידות תלת‑ממדיות זעירות הנקראות ווקסלים. שיטות מחשב קודמות לעתים בחנו כל ווקסל בנפרד או הסתמכו על סיכומים מעשה ידיים שנוצרו על ידי מומחים. למרות שהן מועילות, אסטרטגיות אלה עלולות לפספס דפוסים רחבים החוצים אזורים רבים במוח. הצוות שואף במקום זאת ללמוד אוטומטית את אותם דפוסים על פני כל המוח, באמצעות מערך נתונים ציבורי גדול הכולל יותר מיוצאים מאלפי אנשים עם דיכאון ומבלי אובחן, שנאסף בבתי חולים ומכוני מחקר שונים.

להנחות מודל לראות אזורי מוח, לא רק פיקסלים

שאלה מרכזית בעבודה זו היא איך לחלק את המוח לחתיכות משמעותיות שהמחשב יוכל לנתח. אפשרות אחת היא לחתוך את הסריקה לקוביות אחידות, כמו לחתוך לחם לקוביות זהות. אפשרות אחרת היא לעקוב אחרי מפות מוח קיימות, או אטלסים, שמקבצות ווקסלים לאזורים הידועים כשתפקודם או מבנם דומים. המחברים משווים באופן שיטתי בין שתי האסטרטגיות הללו. בשני המקרים הם משתמשים בסוג של מודל למידה עמוקה הנקרא טרנספורמר חזותי, המותאם לעבודה על נתונים תלת‑ממדיים, כדי להמיר כל אזור לאצבעון נומרי קומפקטי שתופס גם פרטים מקומיים וגם הקשר רחוק יותר בתוך אותו אזור.

להפוך אזורים לרשת של קישורים

המוחות אינם רק אוסף של אזורים מבודדים — הם יוצרים רשתות. כדי ללכוד זאת, הצוות בונה רשת מותאמת אישית לכל משתתף. כל צומת ברשת זו הוא אזור מוח אחד, וחוזק הקשר בין שתי צמתים משקף עד כמה האצבעונים שלמדו דומים זה לזה. התוצאה היא גרף שמסכם כיצד אזורי המוח של אדם מתקשרים זה עם זה במובן המבני. סוג שני של מודל בינה מלאכותית, רשת תשומת לב גרפית (graph attention network), לומד אז אילו אזורים וקישורים נושאים את המידע הרב ביותר להבחנה בין חולים בדיכאון למתנדבים בריאים, ובכך מדגיש את הנתיבים המידעיים ביותר.

כמה טוב המערכת עובדת ומה היא חושפת

במבחנים נרחבים תוך שימוש ב‑10‑fold cross‑validation מסווגת, המערכת המשולבת של הטרנספורמר והגרף הגיעה לדיוק של כ‑81.5 אחוז, עם רגישות גבוהה (זיהוי נכון של אנשים עם דיכאון) וספציפיות מוצקה (זיהוי נכון של קבוצות ביקורת בריאות). מה שחשוב, גרסאות של המודל שהשתמשו באזורים מוגדרים לפי אטלס הביצו בעקביות טוב יותר מאלו שהתבססו על קוביות אחידות, אף על פי שגישת הקוביות הציגה מורכבות חישובית דומה. הדבר מרמז שיישום ידע אנטומי קיים — במקום להתייחס למוח כבלוק אחיד — מסייע למודל למצוא אותות ברורים וחזקים יותר הקשורים לדיכאון. ניתוחים מעקב של המודלים המאומנים הצביעו על אזורים פונטו‑פריאטליים, סנסורימוטוריים, אוקסיפיטליים, צרבלריים וחזיתיים‑אינסולריים, מה שמשקף מחקרים קודמים שקישרו אזורים אלה לשינויים במצב‑הרוח, במחשבה ובתנועה בדיכאון.

מה המשמעות של זה לעתיד האבחון

לא‑מומחה, המסר הוא שהמחברים פיתחו צינור ניתוח של סריקות מוח שעושה שתי פעולות במקביל: הוא מכבד את המבנה המוכר של המוח ובו בזמן מאפשר למודלים עוצמתיים של בינה מלאכותית לגלות דפוסים חדשים באופן יחסי ליחסים בין אזורים. התוצאות שלהם מראות שגישה מונחית‑אטלס ומתמקדת ברשת יכולה לזהות דיכאון מתוך סריקות MRI בדיוק גבוה יותר מרבים מהגישות הקודמות. למרות שהשיטה אינה מוכנה להחליף את ההערכה הקלינית, היא מקרבת את התחום לכלים מבוססי הדמיה אובייקטיביים שעשויים יום אחד לתמוך באבחון מוקדם ומהימן יותר, לעקוב אחרי השפעות טיפול ולהעמיק את הבנתנו כיצד דיכאון משנה את מבנה ורשתות המוח.

ציטוט: Alotaibi, N.M., Alhothali, A.M. & Ali, M.S. 3DViT-GAT: a unified atlas-based 3D vision transformer and graph learning framework for major depressive disorder detection using structural MRI data. Sci Rep 16, 11595 (2026). https://doi.org/10.1038/s41598-026-42108-8

מילות מפתח: הפרעה דיכאונית גדולה, MRI של המוח, למידה עמוקה, טרנספורמרים חזותיים, רשתות עצביות גרפיות