Оценка моделей глубокого обучения для сегментации объёма гиппокампа на МРТ при болезни Альцгеймера

Почему это исследование важно для семей

Болезнь Альцгеймера медленно подтачивает память и утрату самостоятельности, часто задолго до явного появления симптомов. Врачи знают, что небольшая структура мозга — гиппокамп — уменьшается по мере прогрессирования болезни, но измерять это сужение вручную на снимках МРТ сложно и долго. В этом исследовании изучают, может ли современный искусственный интеллект автоматически выделять гиппокамп на МРТ и надежно оценивать, сколько ткани утрачено с каждой стороны мозга, что потенциально даст врачам более быстрый и объективный взгляд на ранние изменения мозга.

Небольшая область мозга с большой ролью в памяти

Гиппокамп, расположенный глубоко в височных долях с обеих сторон мозга, помогает формировать новые воспоминания и ориентироваться в пространстве. Предыдущие исследования показывали, что его объём склонен к уменьшению при болезни Альцгеймера, и это сокращение может начинаться за годы до формального диагноза. Левый гиппокамп теснее связан с вербальной и автобиографической памятью, тогда как правый играет большую роль в пространственной памяти и навигации. Отслеживание изменения объёма каждой стороны с течением времени может поэтому показать не только наличие болезни, но и то, как она влияет на повседневные когнитивные функции.

Почему измерить гиппокамп так трудно

На МРТ гиппокамп выглядит как небольшая, сложно устроенная структура, лишь крошечная часть каждого среза изображения. Традиционно эксперты вручную обводят его границы на 25–30 срезах, затем объединяют эти площади для расчёта объёма. Этот ручной подход считается золотым стандартом, но требует специальной подготовки, занимает много времени и тяжело применим к тысячам снимков в больших исследованиях или загруженных клиниках. Существующее автоматизированное ПО хорошо справляется с крупными простыми зонами мозга, но часто испытывает трудности с точным и стабильным выделением тонких деталей гиппокампа, особенно при изменениях сканеров и качестве изображений.

Проверка глубокого обучения в деле

Чтобы решить эту задачу, исследователи оценили три модели глубокого обучения, созданные для обнаружения и контурирования объектов на изображениях. Они использовали МРТ 300 человек из Инициативы по нейровизуализации болезни Альцгеймера: 100 с болезнью Альцгеймера, 100 с лёгкими когнитивными нарушениями (возможный ранний этап) и 100 здоровых пожилых людей. После того как невролог тщательно разметил гиппокамп на тысячах срезов, команда обучила модели распознавать визуальные признаки этой структуры. Их сравнивали по нескольким стандартным метрикам точности, сосредоточив внимание на том, насколько предсказанные моделями контуры совпадают с экспертной разметкой.

Победившая модель и её выводы

Из трёх подходов модель под названием U-Net продемонстрировала наилучшее качество при проведении точных контуров гиппокампа с обеих сторон мозга. Она обеспечила наибольшее перекрытие с экспертной разметкой во всех трёх группах, превзойдя популярную модель обнаружения объектов YOLO-v8 и другой продвинутый метод DeepLab-v3. После обучения модель U-Net использовали для сегментации гиппокампа в отдельном тестовом наборе изображений и для расчёта объёмов. Результаты показали ясную картину: у людей с болезнью Альцгеймера объёмы гиппокампа были наименьшими, у людей с лёгкими когнитивными нарушениями — промежуточными, а у здоровых контролей — наибольшими. В каждой группе левая сторона, как правило, была немного меньше правой.

Тонкие различия между левой и правой стороной

Сравнивая стороны напрямую, исследователи также оценили симметрию гиппокампа в каждой группе. Они обнаружили, что у здоровых пожилых людей правая сторона заметно больше левой, что даёт наибольшую асимметрию. В отличие от этого у людей с болезнью Альцгеймера и у тех, кто имеет лёгкие когнитивные нарушения, были меньшие общие объёмы и лишь незначительные различия между левой и правой сторонами. Это указывает на то, что по мере прогрессирования болезни оба гиппокампа уменьшаются и их объёмы становятся более схожими — паттерн, который может отражать изменения в памяти и других когнитивных способностях.

Что это значит для будущей помощи

Для неспециалистов главный вывод таков: искусственный интеллект теперь может сопоставимо с экспертами выполнять утомительную, но важную операцию — выделение гиппокампа на снимках мозга. В этом исследовании модель U-Net показала себя особенно надёжной для этой задачи, позволяя быстро рассчитывать объёмы гиппокампа с обеих сторон. При дальнейшем подтверждении на больших и более разнообразных наборах данных такие инструменты могли бы помочь клиницистам легче отслеживать ранние изменения мозга, поддерживать более раннюю и уверенную диагностику и контролировать, насколько эффективно лечение замедляет или изменяет ход заболевания. Эта работа приближает нас к использованию рутинных МРТ, улучшенных глубоким обучением, как практического биомаркера болезни Альцгеймера в повседневной клинической практике.

Цитирование: 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

Ключевые слова: Болезнь Альцгеймера, объём гиппокампа, МРТ мозга, сегментация с помощью глубокого обучения, U-Net