Ocena modeli głębokiego uczenia do segmentacji objętości hipokampa na obrazach MRI w chorobie Alzheimera

Dlaczego te badania mają znaczenie dla rodzin

Choroba Alzheimera stopniowo nadwyręża pamięć i samodzielność, często na długo zanim objawy staną się oczywiste. Lekarze wiedzą, że mała struktura mózgu zwana hipokampem ulega zmniejszeniu wraz z postępem choroby, ale ręczne mierzenie tego kurczenia się na skanach mózgu jest powolne i trudne. W tym badaniu sprawdzono, czy nowoczesna sztuczna inteligencja potrafi automatycznie wyznaczać obrys hipokampa na obrazach MRI i wiarygodnie oszacować, ile objętości utracono po każdej stronie mózgu, co potencjalnie da lekarzom szybszy, bardziej obiektywny wgląd we wczesne zmiany mózgowe.

Mały obszar mózgu o dużej roli w pamięci

Hipokamp, położony głęboko w płatach skroniowych po obu stronach mózgu, pomaga nam tworzyć nowe wspomnienia i poruszać się w otoczeniu. Wcześniejsze badania wykazały, że jego objętość ma tendencję do zmniejszania się u osób z chorobą Alzheimera, a utrata ta może zaczynać się na wiele lat przed formalną diagnozą. Lewy hipokamp jest silniej związany z pamięcią werbalną i autobiograficzną, podczas gdy prawa strona odgrywa większą rolę w pamięci przestrzennej i orientacji. Śledzenie zmian wielkości każdej strony w czasie może więc ujawnić nie tylko obecność choroby, lecz także to, jak może ona wpływać na codzienne myślenie i funkcjonowanie.

Dlaczego mierzenie hipokampa jest tak trudne

Na skanie MRI hipokamp widoczny jest jako mała, misternie ukształtowana struktura, stanowiąca jedynie niewielką część każdej warstwy obrazu. Tradycyjnie eksperci ręcznie odrysowują jego granice na 25–30 przekrojach, a następnie łączą te powierzchnie, aby obliczyć objętość. To ręczne podejście uważane jest za złoty standard, lecz wymaga specjalistycznego szkolenia, zajmuje dużo czasu i trudno je zastosować do tysięcy skanów zbieranych w dużych badaniach albo zatłoczonych klinikach. Istniejące zautomatyzowane oprogramowanie radzi sobie dobrze z większymi, prostszymi regionami mózgu, ale często ma trudności z uchwyceniem dokładnych szczegółów hipokampa w sposób spójny, szczególnie przy różnych aparatach i jakości obrazów.

Wystawienie głębokiego uczenia na próbę

Aby sprostać temu wyzwaniu, badacze ocenili trzy modele głębokiego uczenia zaprojektowane do wykrywania i wyznaczania obrysów obiektów na obrazach. Wykorzystali skany MRI od 300 osób z inicjatywy Alzheimer’s Disease Neuroimaging Initiative: 100 z chorobą Alzheimera, 100 z łagodnymi zaburzeniami poznawczymi (możliwy etap wczesny) oraz 100 zdrowych starszych dorosłych. Po tym jak neurolog starannie oznaczył hipokamp na tysiącach przekrojów, zespół wytrenował modele, aby nauczyły się wzorców wizualnych definiujących tę strukturę. Wyniki porównano przy użyciu kilku standardowych miar dokładności, koncentrując się na tym, jak dobrze przewidywane obrysy modeli pokrywają się z etykietami ekspertów.

Zwycięski model i co ujawnił

Spośród trzech podejść model o nazwie U-Net wyraźnie wypadł najlepiej w precyzyjnym rysowaniu granic hipokampa po obu stronach mózgu. Osiągnął największe pokrycie z etykietami ekspertów we wszystkich trzech grupach, przewyższając popularny model wykrywania obiektów znany jako YOLO-v8 oraz inną zaawansowaną metodę o nazwie DeepLab-v3. Po wytrenowaniu model U-Net wykorzystano do segmentacji hipokampa w odrębnym zestawie testowym obrazów i do obliczenia objętości. Wyniki wykazały wyraźny wzorzec: osoby z chorobą Alzheimera miały najmniejsze objętości hipokampa, osoby z łagodnymi zaburzeniami poznawczymi miały objętości pośrednie, a osoby zdrowe największe. We wszystkich grupach lewa strona miała tendencję do bycia nieco mniejszą niż prawa.

Subtelne różnice między lewą a prawą stroną

Porównując obie strony bezpośrednio, badacze zbadali także, jak symetryczny był hipokamp w każdej grupie. Stwierdzili, że u zdrowych starszych dorosłych prawa strona była wyraźnie większa niż lewa, co dawało najwyższy stopień asymetrii. Natomiast osoby z chorobą Alzheimera oraz z łagodnymi zaburzeniami poznawczymi miały mniejsze ogólne objętości i tylko niewielkie różnice między lewą a prawą stroną. Sugeruje to, że w miarę postępu choroby oba hipokampy kurczą się i ich objętości stają się bardziej podobne, co może nieść informacje o tym, jak zmieniają się pamięć i inne zdolności poznawcze.

Co to oznacza dla przyszłej opieki

Dla osób niezaznajomionych z tematem główne przesłanie jest takie, że sztuczna inteligencja potrafi obecnie dorównać ekspertom w żmudnym, lecz kluczowym kroku: wyznaczaniu obrysu hipokampa na skanach mózgu. W tym badaniu model U-Net okazał się szczególnie wiarygodny w tym zadaniu, pozwalając na szybkie obliczanie objętości hipokampa po obu stronach mózgu. Jeśli narzędzia takie zostaną zweryfikowane w większych i bardziej zróżnicowanych zbiorach danych, mogą pomóc klinicystom łatwiej śledzić wczesne zmiany mózgowe, wspierać wcześniejszą i pewniejszą diagnozę oraz monitorować, jak dobrze leczenie spowalnia lub modyfikuje przebieg choroby. Praca przybliża nas do wykorzystania rutynowych skanów MRI, wspieranych przez głębokie uczenie, jako praktycznego markera choroby Alzheimera w codziennej praktyce klinicznej.

Cytowanie: 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

Słowa kluczowe: choroba Alzheimera, objętość hipokampa, MRI mózgu, segmentacja przy użyciu głębokiego uczenia, U-Net