Модели глубокого обучения выявляют изменения мозга при прогрессировании болезни Альцгеймера

Почему важно отслеживать изменения мозга во времени

Болезнь Альцгеймера постепенно лишает людей памяти и мышления, но повреждения в мозге накапливаются за годы до появления явных повседневных симптомов. Врачи обычно опираются на один снимок мозга или один результат теста, чтобы судить о наличии болезни, хотя заболевание развивается во времени. В этом исследовании поставлен простой, но важный вопрос: если мы будем отслеживать МРТ мозга у людей в течение нескольких лет и позволим продвинутой компьютерной модели учиться на этих изменениях, сможем ли мы не только точнее выявлять Альцгеймера, но и увидеть, какие области мозга поражаются первыми и сильнее всего?

Следуя за историей мозга, а не за мгновенным снимком

Исследователи использовали структурные МРТ-сканы, которые показывают подробную анатомию мозга, более чем у 280 пожилых участников, включая пациентов с болезнью Альцгеймера и когнитивно нормальных сверстников. Важным было то, что у каждого человека было три скана с интервалом примерно в год, что позволило команде проследить изменения мозга в течение двух лет. Вместо того чтобы рассматривать каждый скан как отдельное изображение, они построили модель глубокого обучения, которая принимает все временные точки одновременно. Модель была разработана так, чтобы обращать внимание на серое вещество — ткань мозга, насыщенную телами нервных клеток — а также на белое вещество и спинномозговую жидкость, и учиться тому, как шаблоны в этих тканях изменяются по мере прогрессирования болезни.

Модель глубокого обучения, настроенная на ритмы мозга

Чтобы уловить эти тонкие сдвиги, команда создала Multi-Branch Fusion Channel Attention Network — 3D-сверточную нейронную сеть, которая обрабатывает объемы МРТ, а не плоские изображения. Отдельные ветви обрабатывают разные ткани или временные точки, а затем объединяют свою информацию; механизм «внимания» помогает модели фокусироваться на наиболее информативных областях в трехмерном пространстве. Обученная преимущественно на данных серого вещества, сеть научилась отличать мозг при Альцгеймере от нормы старения с примерно 93% точностью и идеальной специфичностью на одном наборе данных, превосходя несколько существующих методов ИИ. Она также хорошо обобщалась на независимом австралийском наборе данных, что указывает на то, что модель не просто запомнила особенности одного исследования, а захватывает более общие сигналы болезни.

Видеть, какие области мозга меняют баланс

Высокой точности недостаточно для медицины; клиницистам важно понимать, что определяет решения модели. Поэтому исследователи применили технику интерпретируемости под названием SHAP, которая назначает оценку важности каждому крошечному трехмерному пикселю — вокселю — на МРТ. Группировка этих вокселей по анатомическим регионам выявила динамическую картину болезни. На раннем этапе миндалина (амигдала), регион, вовлеченный в эмоции и память, выделялась как особенно важная для отличия пациентов от здоровых сверстников. Со временем влияние гиппокампа, парагиппокампальной извилины и особенно задних отделов височной доли возрастало, тогда как относительная роль миндалины уменьшалась. К двухлетней отметке различия между пациентами и контрольной группой стали гораздо более резкими и более сконцентрированными, особенно в левом полушарии мозга.

Шаблоны, соответствующие симптомам и клиническим оценкам

Чтобы убедиться, что фокус модели согласуется с биологией, команда провела традиционный анализ объема мозга и статистические проверки. Они обнаружили, что серое вещество в выделенных регионах атрофируется быстрее у людей с Альцгеймером, чем у нормально стареющих взрослых, и что более низкий объем в этих областях тесно коррелирует с худшими показателями стандартных когнитивных тестов, таких как Мини-ментальный тест и Клиническая шкала деменции. Путь повреждения — от внутренних височных структур наружу к задним языковым и ассоциативным областям — отражал классические схемы патологической стадии болезни Альцгеймера. Возник также левосторонний сдвиг, что согласуется с доминированием мозга по языку и некоторым функциям памяти на этой стороне. Воксельная морфометрия показала, что ранние изменения были разрозненными и небольшими, затем становились крупнее и более сконцентрированными в задних височных и лобных областях по мере прогрессирования болезни.

Что это значит для пациентов и врачей

Для неспециалистов ключевая мысль состоит в том, что Альцгеймер ведет себя не как простой выключатель в мозге; он следует упорядоченному, но ускоряющемуся пути, оставляя отчетливые следы с течением времени. Обучая модель глубокого обучения читать не только где мозг выглядит иначе, но и как эти различия нарастают в течение нескольких лет, это исследование предлагает способ точнее и раньше отмечать Альцгеймера. Оно также выделяет небольшой набор областей мозга — включая миндалину, гиппокамп, парагиппокампальную извилину и заднюю височную кору — изменения размера и структуры которых тесно связаны с когнитивным падением. Хотя необходимы дополнительные исследования, особенно с использованием других методов визуализации и больших наборов данных, этот подход приближает нас к использованию временных МРТ и интерпретируемого ИИ в качестве практичных инструментов для ранней диагностики, мониторинга и, в конечном счете, руководства интервенциями против болезни Альцгеймера.

Цитирование: 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

Ключевые слова: Болезнь Альцгеймера, МРТ мозга, глубокое обучение, лонгитюдная визуализация, нейродегенерация