التعلم العميق متعدد الوسائط للتنبؤ بالتدهور المعرفي على مستوى المجالات في مرض ألزهايمر

يتميز مرض ألزهايمر بتباين كبير في مسار التطور السريري، غير أن قلة من الدراسات ركزت على تطوير نماذج للتنبؤ بالتدهور المعرفي، مع أن توقع هذه المسارات ضروري لإدارة رعاية المرضى وتخطيط الرعاية وتطوير علاجات جديدة، فالطبيب الذي يعرف المجالات المعرفية الأكثر عرضة للتدهور يستطيع ترتيب أولويات المتابعة والتدخل، والباحث الذي يفهم مسارات التدهور يستطيع تصميم تجارب سريرية أكثر دقة، وتأتي هذه الدراسة لتستكشف إمكانات تقنيات الذكاء الاصطناعي في نمذجة المسارات العصبية المعرفية من بيانات تصوير عصبي متعددة الوسائط

وتكتسب الدراسة أهميتها من كونها لا تكتفي بالتنبؤ بالتشخيص المستقبلي، بل تتنبأ بالتدهور المعرفي كميًا ونوعيًا وعلى مستوى المجالات، فمعرفة ما إذا كان التدهور سيحدث تختلف عن معرفة مقداره، ومعرفة المجال المتأثر تختلف عن معرفة التدهور العام، ويمنح هذا التفصيل الأطباء والأسر صورة أوضح عما يمكن توقعه، ويدعم تخطيطًا أكثر تخصيصًا للرعاية

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى استكشاف إمكانات تقنيات الذكاء الاصطناعي في نمذجة المسارات العصبية المعرفية من بيانات تصوير عصبي متعددة الوسائط، ودراسة أطر مختلفة لتمثيل البيانات، واستُخدمت معلومات من 653 مشاركًا من مبادرة التصوير العصبي لمرض ألزهايمر، وطُورت نماذج للتنبؤ بالتشخيصات السريرية المستقبلية والتدهور المعرفي، كميًا من حيث معدل التدهور ونوعيًا من حيث وجود التدهور أو غيابه، وشملت سمات المدخلات التصوير بالرنين المغناطيسي الموزون بزمن الاسترخاء الطولي والتصوير المقطعي بالإصدار البوزيتروني بالفلوروديوكسي غلوكوز والتصوير المقطعي بالإصدار البوزيتروني بالفلوربيتابير والتقييمات النفسية العصبية والمتغيرات الديموغرافية، واستُكشفت استراتيجيات تمثيل متعددة شملت النماذج الجدولية والشبكات العصبية التلافيفية وشبكات الرسم البياني العصبية، واقتُرح إطار نمذجة يعتمد التدريب المسبق الخاص بكل وسيلة لتعلم تضمينات السمات، ثم دمجها عبر طبقة دمج متأخر لإنتاج تمثيل موحد للتنبؤ اللاحق

ثانيًا: أبرز النتائج

1، أظهرت استراتيجيات النمذجة أداءً تنبؤيًا جيدًا للتشخيصات السريرية المستقبلية، إذ بلغت درجة إف واحد 0.779، وهي نتيجة متسقة مع الدراسات السابقة، ويعني ذلك أن النماذج متعددة الوسائط قادرة على التنبؤ بالتشخيص بمستوى موثوق يدعم استخدامها في البحوث السريرية

2، بيّنت النماذج الكمية أنها فسرت ما يقرب من 29.4 إلى 36.0 في المئة من التباين في التدهور المعرفي، ويعني ذلك أن النماذج تلتقط جزءًا مهمًا من التباين الفردي في مسارات التدهور، مع بقاء جزء آخر يتطلب بيانات إضافية أو نماذج أكثر تطورًا

3، كشفت التحليلات النوعية أن النماذج حققت قيم مساحة تحت المنحنى فوق 0.83 عند التنبؤ بالتدهور المعرفي في مجالات الذاكرة واللغة والوظائف التنفيذية، ويعني ذلك قدرة قوية على التمييز بين من سيتدهور ومن لن يتدهور في كل مجال على حدة، مما يمنح التنبؤ قيمة سريرية عملية

4، أبرزت النتائج أن النماذج القائمة على الشبكات التلافيفية وشبكات الرسم البياني حققت أفضل أداء، وأن استراتيجية التدريب المسبق المقترحة حسّنت دقة التنبؤ باستمرار، ويعني ذلك أن طريقة تمثيل البيانات ودمج الوسائط لا تقل أهمية عن اختيار النموذج نفسه، وأن التعلم الخاص بكل وسيلة قبل الدمج يثري التمثيل الموحد

ثالثًا: دلالات الدراسة وتطبيقاتها

تفيد نتائج الدراسة أطباء الأعصاب وباحثي الخرف ومطوري أدوات دعم القرار السريري، فهي تدعم تطوير أساليب تنميط أكثر دقة لأنماط التنكس العصبي في مرض ألزهايمر، وتدعو إلى اختبار النماذج على عينات مستقلة ومتنوعة، وتفتح المجال أمام بحوث تدمج وسائط إضافية مثل المؤشرات الحيوية السائلة والبيانات الجينية، وتدرس كيف يمكن ترجمة هذه التنبؤات إلى خطط رعاية فردية

وخلاصة القول إن الذكاء الاصطناعي قادر على التقاط أنماط التدهور المعرفي من خلال استغلال بيانات التصوير العصبي متعددة الوسائط، وحين يُجمع هذا الالتقاط مع تمثيل دقيق للبيانات ودمج مدروس للوسائط، يقترب التنبؤ من أن يكون أداة سريرية حقيقية، لا مجرد إنجاز تقني في المختبر