Классификация степени деменции, связанной с болезнью Альцгеймера, по данным магнитно-резонансной томографии с использованием безпроизводной оптимизации сверточной нейронной сети

Помощь врачам в раннем выявлении деменции

По мере старения населения многие семьи беспокоятся о нарушениях памяти и деменции. Сканирование мозга может выявить ранние изменения, связанные с болезнью Альцгеймера, но просмотр тысяч изображений вручную медленен и сложен даже для специалистов. В этом исследовании представлен умный компьютерный инструмент, который анализирует МРТ головы и распределяет пациентов по четырем уровням тяжести деменции — от отсутствия деменции до умеренного нарушения. Система спроектирована так, чтобы быть одновременно чрезвычайно точной и достаточно легкой для работы на обычных больничных компьютерах, делая продвинутый анализ изображений более доступным.

Новый интеллектуальный помощник для анализа МРТ

Исследователи сосредоточились на типе искусственного интеллекта, называемом сверточной нейронной сетью (CNN), которая отлично умеет обнаруживать закономерности на изображениях. Вместо простого решения о наличии или отсутствии болезни Альцгеймера их инструмент различает четыре стадии: отсутствие деменции, очень лёгкая, лёгкая и умеренная деменция. Для этого команда обучила модель на больших общедоступных наборах МРТ, уже размеченных экспертами. Цель была двойной: достичь почти идеальной точности и при этом сохранить модель компактной и быстрой, чтобы она была практична для повседневного клинического использования, а не только для хорошо финансируемых исследовательских лабораторий.

Балансировка данных и очистка изображений

Ключевая проблема в медицинских данных состоит в том, что не все стадии заболевания представлены равномерно. В этих коллекциях МРТ здоровые и очень лёгкие случаи встречаются часто, тогда как снимки при умеренной деменции значительно реже. Стандартные системы ИИ в этом случае склонны «играть безопасно», переоценивая распространённые классы и пропуская ранние или умеренные стадии. Чтобы противодействовать этому, авторы использовали двухэтапную стратегию: сначала они удалили запутанные пограничные изображения, а затем создали реалистичные синтетические примеры недопредставленных стадий. Параллельно они тщательно подготовили каждый срез МРТ — фильтрация, изоляция мозга от окружающих тканей и нормализация яркости и контраста — чтобы модель могла сосредоточиться на медицински значимых признаках, таких как атрофия глубоких структур, ответственных за память, и расширение заполненных жидкостью пространств.

Проектирование меньшей, но более умной сети

Вместо опоры на традиционные методы обучения, которые изменяют параметры по градиентам, команда использовала семейство так называемых методов безпроизводной оптимизации. Они начали с большой, традиционной CNN, а затем с помощью эволюционного поиска и поиска архитектуры нейронной сети эволюционировали более простую конструкцию с всего тремя сверточными слоями и значительно меньшим количеством фильтров. Байесовская оптимизация затем тонко настроила параметры обучения, а моделирование отжига и обрезка связей удалили ненужные соединения после обучения. Конечный результат, названный DAPA-CNN, имеет примерно на 85% меньше настраиваемых параметров по сравнению с исходной моделью, использует около четверти памяти и обучается менее чем за две трети времени, при этом по-прежнему улавливает ключевые паттерны на снимках.

Почти идеальная точность и ясные визуальные объяснения

Несмотря на небольшой размер, DAPA-CNN показала впечатляющую точность. На крупном наборе данных по болезни Альцгеймера модель правильно определяла стадию деменции почти в каждом случае, а точность и другие показатели оставались примерно на уровне 99%. Модель также хорошо обобщалась на отдельный многопунктный набор данных, собранный на разных сканерах, что говорит о её устойчивости к реальным вариациям в изображениях. Чтобы сделать систему более прозрачной для клиницистов, авторы сгенерировали карты активации классов — наложения в виде тепловых карт, показывающие области мозга, которые повлияли на конкретное решение. На ранних стадиях эти карты подчёркивают области, вовлечённые в память и известные тем, что первыми подвергаются дистрофии при болезни Альцгеймера; на поздних стадиях они распространяются на более широкие корковые области, что согласуется с клиническим представлением о прогрессировании заболевания.

Что это значит для пациентов и клиник

Для неспециалистов главный вывод заключается в том, что исследование предлагает быстрый, компактный и интерпретируемый инструмент для оценки степени деменции по рутинным МРТ. За счёт балансировки обучающих данных и целенаправленного формирования сети методами безпроизводной оптимизации авторы создали модель, способную работать на скромном аппаратном обеспечении, обеспечивая при этом близкую к идеальной точность и указывая области мозга, объясняющие её решения. Если это подтвердят в будущих проспективных клинических испытаниях, такая технология может способствовать более ранней диагностике, более согласованному стадированию между больницами и лучшему отслеживанию изменений мозга при болезни Альцгеймера со временем.

Цитирование: Ganesan, S.K., Velusamy, P., Parthsarathy, P. et al. Alzheimer’s related dementia severity classification from magnetic resonance imaging using derivative-free optimization of convolutional neural network. Sci Rep 16, 10077 (2026). https://doi.org/10.1038/s41598-026-36037-9

Ключевые слова: болезнь Альцгеймера, МРТ мозга, стадирование деменции, глубокое обучение, ИИ в медицинской визуализации