Классификация стадий болезни Альцгеймера по нейровизуализации МРТ с использованием глубокой нейронной сети с блоком внимания свёртки и внедрением шума в стиле GAN

Почему важны ранние сканирования мозга

Болезнь Альцгеймера постепенно лишает людей памяти и независимости часто задолго до того, как симптомы становятся очевидными. Семьи, врачи и пациенты хотят иметь способ выявить болезнь на ранней стадии, когда лечение и изменения образа жизни дают наибольший эффект. В этом исследовании описана новая компьютерная система, которая анализирует рутинные сканирования мозга и может с высокой точностью распределять людей по четырём стадиям нарушений памяти, связанных с Альцгеймером, потенциально предоставляя клиницистам более быстрый, дешёвый и согласованный второй взгляд.

Более подробный взгляд внутрь мозга

Исследователи сосредоточены на МРТ, которые дают детальные изображения структуры мозга без хирургического вмешательства или облучения. Они используют данные крупного международного проекта Alzheimer’s Disease Neuroimaging Initiative (ADNI), где добровольцы в возрасте от 55 до 90 лет регулярно проходят тестирование памяти и визуализацию мозга. Из этих сканирований команда извлекает двумерные срезы мозга и распределяет их по четырём группам: люди без деменции и те, у кого деменция очень лёгкой, лёгкой или умеренной степени. Это отражает типичное развитие болезни Альцгеймера в реальной жизни, когда небольшие изменения памяти и мышления постепенно ухудшаются со временем.

Обучение компьютера замечать тонкие изменения

Вместо того чтобы просить экспертов вручную выделять области мозга и признаки, авторы обучают систему глубокого обучения — в духе решений для распознавания лиц или беспилотных автомобилей — чтобы она училась непосредственно на изображениях. Их модель, названная Neuro_CBAM-ADNet, представляет собой вид свёрточной нейронной сети, превосходно распознающей паттерны на картинках. По мере прохождения МРТ через сеть изображение обрабатывается последовательными слоями, которые обнаруживают края, текстуры и более сложные формы, пока система не научится различать шаблоны, коррелирующие с разными стадиями деменции, многие из которых слишком тонки для невооружённого глаза.

Помощь компьютеру в фокусировке на важном

Ключевым нововведением является механизм «внимания», который мягко направляет сеть концентрироваться на наиболее информативных участках скана. Проще говоря, модель учится, какие места и внутренние признаки мозга склонны изменяться по мере прогрессирования Альцгеймера — например области, связанные с памятью и мышлением — одновременно игнорируя менее важный фон. Авторы также решают распространённую проблему медицинских данных: некоторые стадии заболевания значительно реже других, и без корректировок модель может смещаться в пользу большинства. Чтобы компенсировать это, они генерируют дополнительные тренировочные изображения для недостаточно представленных групп, добавляя тщательно контролируемый шум к существующим сканам, имитируя естественную вариабельность у реальных пациентов без искажения базовой анатомии.

Тестирование системы

Чтобы проверить надёжность своей системы, команда многократно обучала и тестировала её на разных поднаборах данных — процесс, называемый кросс-валидацией. В пяти независимых раундах Neuro_CBAM-ADNet правильно классифицировал стадию деменции примерно в 98% случаев, демонстрируя аналогично высокие показатели чувствительности (обнаружение поражённых случаев), точности (избежание ложных срабатываний) и объединённую метрику F1. Система особенно хорошо различает явно разные группы, например умеренная деменция против отсутствия деменции, а большинство ошибок приходится на соседние стадии, такие как отсутствие деменции и очень лёгкая деменция, где даже специалисты часто расходятся во мнениях. Дополнительные инструменты, такие как тепловые карты Grad-CAM, показывают, на какие области мозга модель «смотрит» при вынесении каждого решения, предоставляя визуальные подсказки, которые можно сопоставлять с известными маркерами болезни.

Что это означает для пациентов и врачей

Проще говоря, работа демонстрирует, что грамотно разработанная система ИИ способна анализировать сканы мозга и распределять людей по четырём стадиям снижения при болезни Альцгеймера с консистентностью, сопоставимой и в некоторых случаях превосходящей предыдущие подходы. Она делает это, одновременно указывая на области мозга, влияющие на её решения, что может повышать доверие со стороны клиницистов. Хотя инструмент требует более широкого тестирования в разных больницах и на разных сканерах, он указывает на будущее, в котором рутинные МРТ в сочетании с прозрачным ИИ помогут выявлять ранние изменения мозга, поддерживать более уверенную постановку диагноза и направлять решения о лечении до того, как болезнь зайдёт слишком далеко.

Цитирование: Kumar, S., Shastri, S., Mansotra, V. et al. MRI neuroimaging-based Alzheimer’s disease stage classification using deep neural network with convolutional block attention module and GAN-style noise injection. Sci Rep 16, 6946 (2026). https://doi.org/10.1038/s41598-026-37226-2

Ключевые слова: болезнь Альцгеймера, МРТ головного мозга, глубокое обучение, ранняя диагностика, ИИ в медицинской визуализации