Modele uczenia głębokiego identyfikują zmiany w mózgu w trakcie postępu choroby Alzheimera

Dlaczego śledzenie zmian w mózgu w czasie ma znaczenie

Choroba Alzheimera stopniowo odbiera ludziom pamięć i zdolności myślenia, ale uszkodzenia w mózgu kumulują się na wiele lat przed pojawieniem się oczywistych objawów. Lekarze zwykle opierają ocenę występowania Alzheimera na jednym skanie mózgu lub wyniku testu, mimo że choroba rozwija się w czasie. W tym badaniu postawiono proste pytanie o dalekosiężnych konsekwencjach: czy jeśli będziemy śledzić skany mózgu badanych przez kilka lat i pozwolimy zaawansowanemu modelowi komputerowemu uczyć się na podstawie tych zmian, to czy nie tylko trafniej wykryjemy Alzheimera, ale także zobaczymy, które obszary mózgu są dotknięte pierwsze i najsilniej?

Śledzenie historii mózgu, nie tylko pojedynczego ujęcia

Naukowcy wykorzystali strukturalne skany MRI, które pokazują szczegółową anatomię mózgu, od ponad 280 osób starszych, w tym pacjentów z Alzheimerem oraz rówieśników z zachowaną funkcją poznawczą. Co istotne, każda osoba miała trzy skany wykonane w odstępach około roku, co pozwoliło zespołowi śledzić zmiany tkanki mózgowej przez dwa lata. Zamiast traktować każdy skan jako oddzielne zdjęcie, zbudowali model uczenia głębokiego, który uwzględnia wszystkie punkty czasowe jednocześnie. Model został zaprojektowany tak, by zwracać uwagę na istotę szarą — tkankę mózgową wypełnioną ciałami komórek nerwowych — a także istotę białą i płyn mózgowo-rdzeniowy, oraz uczyć się, jak wzory w tych tkankach ewoluują w miarę postępu choroby.

Model uczenia głębokiego dostrojony do rytmów mózgu

Aby wychwycić te subtelne przesunięcia, zespół stworzył Multi-Branch Fusion Channel Attention Network — trójwymiarową konwolucyjną sieć neuronową przetwarzającą wolumeny MRI zamiast płaskich obrazów. Oddzielne gałęzie obsługują różne tkanki lub punkty czasowe, a następnie łączą informacje, podczas gdy mechanizm „uwagi” pomaga modelowi skupić się na najbardziej informatywnych regionach w trzech wymiarach. Trenując głównie na danych o istocie szarej, sieć nauczyła się rozróżniać mózgi osób z Alzheimerem od mózgów starzejących się normalnie z około 93% dokładnością i pełną specyficznością na jednym zbiorze danych, przewyższając kilka istniejących metod AI. Dobrze uogólniała też na niezależnym australijskim zbiorze danych, co sugeruje, że nie zapamiętuje jedynie niuansów jednego badania, lecz wychwytuje szersze sygnały chorobowe.

Widzenie, które regiony mózgu przechylają szalę

Sama wysoka dokładność nie wystarcza w medycynie; klinicyści muszą rozumieć, co napędza decyzje modelu. Naukowcy zastosowali więc technikę interpretowalności zwaną SHAP, która przypisuje ocenę ważności każdemu małemu trójwymiarowemu pikselowi — czyli wokselowi — w MRI. Grupowanie tych wokseli w regiony anatomiczne ujawniło dynamiczny obraz choroby. Na wczesnym etapie ciało migdałowate, region zaangażowany w emocje i pamięć, wyróżniało się jako szczególnie ważne przy rozróżnianiu pacjentów od zdrowych rówieśników. Z czasem większy wpływ zyskały hipokamp, zakręt przyhipokampowy i szczególnie tylne części płata skroniowego, podczas gdy względna rola ciała migdałowatego malała. Po dwóch latach różnice między pacjentami a kontrolami stały się znacznie ostrzejsze i bardziej skupione, zwłaszcza po lewej stronie mózgu.

Wzory zgodne z objawami i wynikami klinicznymi

Aby sprawdzić, czy skupienie modelu zgadza się z biologią, zespół przeprowadził tradycyjne analizy objętości mózgu i testy statystyczne. Stwierdzili, że istota szara w wyróżnionych regionach kurczyła się szybciej u osób z Alzheimerem niż u normalnie starzejących się dorosłych, a niższa objętość w tych obszarach ściśle korelowała z gorszymi wynikami standardowych testów poznawczych, takich jak Mini-Mental State Examination i Clinical Dementia Rating. Ścieżka uszkodzeń — od wewnętrznych struktur skroniowych na zewnątrz ku tylnym obszarom związanym z językiem i asocjacją — odzwierciedlała klasyczne schematy patologicznego stadium Alzheimera. Pojawiła się też lewostronna przewaga, zgodna z dominacją mózgu dla języka i niektórych funkcji pamięciowych po tej stronie. Morfometria oparta na wokselach wykazała, że wczesne zmiany były rozproszone i niewielkie, a następnie stawały się większe i bardziej skoncentrowane w tylnych obszarach skroniowych i czołowych w miarę postępu choroby.

Co to oznacza dla pacjentów i lekarzy

Dla osób nietechnicznych kluczowy wniosek jest taki, że Alzheimer nie działa jak prosty włącznik w mózgu; podąża uporządkowaną, lecz przyspieszającą ścieżką, pozostawiając wyraźne ślady w czasie. Ucząc model uczenia głębokiego, by czytał nie tylko gdzie mózg wygląda inaczej, ale jak te różnice rosną przez kilka lat, badanie to oferuje sposób na wcześniejsze i dokładniejsze wykrywanie Alzheimera. Wskazuje też ograniczony zestaw regionów mózgu — w tym ciało migdałowate, hipokamp, zakręt przyhipokampowy i tylna kora skroniowa — których zmiany wielkości i struktury ściśle wiążą się ze spadkiem funkcji poznawczych. Choć potrzebne są dalsze prace, zwłaszcza z dodatkowymi metodami obrazowania i większymi zbiorami danych, podejście to przybliża nas do wykorzystania skanów mózgu z rozdzielczością czasową i interpretowalnej sztucznej inteligencji jako praktycznych narzędzi wczesnej diagnostyki, monitorowania i w końcu prowadzenia interwencji przeciw chorobie Alzheimera.

Cytowanie: Sun, J., Han, JD.J. & Chen, W. Deep learning models identify brain changes during the progression of Alzheimer’s disease. npj Syst Biol Appl 12, 42 (2026). https://doi.org/10.1038/s41540-026-00666-7

Słowa kluczowe: Choroba Alzheimera, rezonans magnetyczny mózgu, uczenie głębokie, obrazowanie długookresowe, neurodegeneracja