DOI: https://doi.org/10.3390/ijerph23030322
PMID: https://pubmed.ncbi.nlm.nih.gov/41899699
تاريخ النشر: 2026-03-05
المؤلف: Isabelle Bricaud وآخرون
الموضوع الرئيسي: أبحاث الخرف وضعف الإدراك
نظرة عامة
تسلط الأبحاث الضوء على التحدي الملح للصحة العامة الذي تسببه مرض الزهايمر (AD)، والذي يؤثر بشكل كبير على الوفيات، والإعاقة، والأعباء الاقتصادية في السكان المتقدمين في السن. باعتباره السبب الرئيسي للخرف، فإن الكشف المبكر والموثوق عن الزهايمر أمر حاسم لإبطاء تقدم المرض، والحفاظ على استقلالية المريض، وتقليل تكاليف الرعاية الصحية. تؤكد الدراسة على أهمية المعالجة المسبقة الموحدة لصور الرنين المغناطيسي لتعزيز موثوقية وقابلية إعادة إنتاج أدوات التشخيص الآلي، خاصة في البيئات التي تفتقر إلى الموارد المتخصصة. يتم وضع تحليل الرنين المغناطيسي المدعوم بالذكاء الاصطناعي كنهج واعد للتعرف المبكر على الأفراد ذوي المخاطر العالية، داعيًا إلى الاستثمار في خطوط أنابيب التصوير العصبي الموحدة لتسهيل استراتيجيات الكشف المبكر العادلة.
تؤكد النتائج على ضرورة تحسين الكشف المبكر عن ضعف الإدراك الخفيف (MCI)، نظرًا للزيادة المتوقعة في حالات الخرف. تقيم الأبحاث بشكل منهجي خمسة عشر بنية تعلم عميق لتصنيف الأفراد ذوي الإدراك الطبيعي، وMCI، وAD باستخدام مجموعة بيانات مبادرة تصوير مرض الزهايمر (ADNI). يكشف إطار التقييم ذو المستويين أن اختيار البنية واستراتيجيات التجميع تؤثر بشكل كبير على نتائج النشر السريري. ومن الجدير بالذكر أن ConvNeXtV2-L وSwinV1-L أظهرا تحسينات كبيرة على مستوى المسح، بينما تفوقت الشبكات العصبية التلافيفية التقليدية على النماذج القائمة على المحولات، مما يشير إلى أن خصائص البنية أكثر أهمية من حجم النموذج في مهام التصوير الطبي. تدعو الدراسة إلى إجراء أبحاث مستقبلية تشمل أوضاع تصوير متنوعة وتحسين دقة التشخيص مع الحفاظ على الأداء، مع التركيز على التطبيقات ذات الموارد المنخفضة لبرامج الفحص.
مقدمة
ت outlines مقدمة الورقة التحدي الكبير للصحة العامة الذي تسببه مرض الزهايمر (AD)، السبب الرئيسي للخرف، والذي يتميز بالتدهور العصبي التدريجي، وفقدان الذاكرة، والانحدار الإدراكي. يؤثر المرض بشكل أساسي على الأفراد الذين تزيد أعمارهم عن 65 عامًا، ويعد مساهمًا رئيسيًا في الوفيات والإعاقة، مع تقدير 57 مليون حالة على مستوى العالم في عام 2021، ومن المتوقع أن يرتفع العدد إلى 139 مليون بحلول عام 2050. العبء الاقتصادي للخرف كبير، حيث وصلت التكاليف إلى 1.3 تريليون دولار في عام 2019، ويرجع ذلك إلى حد كبير إلى الرعاية غير المدفوعة. تتأثر النساء بشكل غير متناسب، سواء من حيث نتائج الصحة أو مسؤوليات الرعاية.
تؤكد الورقة على أهمية الكشف المبكر والتدخل، خاصة خلال مرحلة ضعف الإدراك الخفيف (MCI)، حيث تحدث تغييرات دقيقة في الدماغ قبل ظهور أعراض الزهايمر. التدخلات العلاجية المبكرة حاسمة، حيث يمكن أن تبطئ تقدم المرض وتحافظ على الوظيفة الإدراكية. تُبرز تقنيات التصوير العصبي، وخاصة التصوير بالرنين المغناطيسي (MRI)، كأدوات فعالة للكشف عن التغييرات الهيكلية المبكرة في الدماغ. تركز الدراسة على استخدام تقنيات التعلم العميق لتعزيز تصنيف الحالات الإدراكية (طبيعية إدراكيًا، MCI، وAD) باستخدام بيانات الرنين المغناطيسي من مجموعة بيانات مبادرة تصوير مرض الزهايمر (ADNI). تهدف إلى معالجة الفجوات المنهجية في الأبحاث السابقة من خلال تقييم تأثير جودة المعالجة المسبقة وتصميم البنية على أداء التعلم العميق بدقة، مما يسهم في تطوير منهجيات الكشف عن الزهايمر الأكثر موثوقية وقابلية للتفسير.
الطرق
ت outlines قسم “الطرق” مجموعة البيانات، وخط أنابيب المعالجة المسبقة، والهياكل التي تم تقييمها، ومقاييس الأداء المستخدمة في الدراسة. تم تقييم أداء النموذج من خلال مقاييس متعددة على مجموعة اختبار مستقلة، مع التركيز على التصنيف الثلاثي الذي يشمل الفئات: الإدراك الطبيعي (CN)، ضعف الإدراك الخفيف (MCI)، ومرض الزهايمر (AD). تم حساب مقاييس قياسية مثل الدقة، والدقة، والاسترجاع، ودرجة F1 لكل فئة، حيث تشير الدقة إلى النسبة العامة للتنبؤات الصحيحة، وتقيس الدقة صحة التنبؤات لفئة معينة، ويحدد الاسترجاع حساسية النموذج في التعرف على الحالات الحقيقية لكل فئة. قدمت درجة F1 توازنًا بين الدقة والاسترجاع، بينما تم استخدام خسارة الانتروبيا المتقاطعة الفئوية لتقييم التباين بين الاحتمالات المتوقعة والعلامات الحقيقية.
تم تنفيذ استراتيجيتين للتقييم: تصنيف مستوى الشريحة وتصنيف مستوى المسح. في تصنيف مستوى الشريحة، تم اعتبار كل شريحة محورية ثنائية الأبعاد كعينة مستقلة، حيث قام النموذج بإنشاء توزيع احتمالي لكل شريحة. تم تحديد التسمية المتوقعة لشريحة من خلال الفئة ذات أعلى احتمال. على العكس، جمع تصنيف مستوى المسح التنبؤات عبر جميع الشرائح في حجم الرنين المغناطيسي الكامل، مما يعكس الممارسة السريرية. كانت التنبؤات النهائية على مستوى المسح تعتمد على الشريحة ذات أعلى توقع موثوق، مما يعزز المعلومات من عدة شرائح لتعزيز قوة التشخيص. تم إنشاء مصفوفات الارتباك لكل من النهجين لتسهيل تحليل الأخطاء، مع التركيز بشكل خاص على تقليل الإيجابيات الكاذبة لـ MCI وAD، حيث أن التشخيص في الوقت المناسب أمر حاسم لاستراتيجيات التدخل الفعالة.
النتائج
في هذا القسم، نقدم نتائج دراستنا، التي تشمل تقييمًا شاملاً لأداء النموذج عبر هياكل مختلفة. نقدم تحليلًا مقارنًا للنماذج ذات الأداء الأعلى، مع تسليط الضوء على نقاط قوتها وضعفها. بالإضافة إلى ذلك، نحقق في تأثير تجميع الشرائح المتعددة على فعالية النموذج، مقدمين رؤى حول كيفية تأثير هذه التقنية على الأداء العام.
علاوة على ذلك، ندرج تحليلًا مفصلًا لمصفوفة الارتباك لتوضيح دقة التصنيف وأنماط الأخطاء للنماذج. يتم تكملة هذا التحليل بمقارنة مع الأدبيات الحالية، مما يضع نتائجنا في السياق الأوسع للأبحاث الحالية في هذا المجال. بشكل عام، تؤكد النتائج على فعالية منهجياتنا المقترحة وتساهم بمعرفة قيمة في المناقشات الجارية في هذا المجال.
المناقشة
تناقش الورقة البحثية دراسة شاملة تستخدم بيانات التصوير العصبي من مبادرة تصوير مرض الزهايمر (ADNI) للتحقيق في تصنيف مرض الزهايمر (AD)، وضعف الإدراك الخفيف (MCI)، والأفراد ذوي الإدراك الطبيعي (CN). تتكون مجموعة البيانات من 639 مشاركًا تتراوح أعمارهم بين 55-93 عامًا، مع إجمالي 3134 مسحًا هيكليًا بالرنين المغناطيسي تمت معالجته من خلال خط أنابيب معالجة مسبقة صارم. تضمنت خطوات المعالجة المسبقة الرئيسية إزالة الجمجمة، وتصحيح مجال التحيز، وتقسيم الأنسجة، والتطبيع المكاني، واستخراج الشرائح المحورية، جميعها تهدف إلى تحسين جودة البيانات وضمان تمثيل تشريحي متسق عبر المشاركين. أعد خط أنابيب المعالجة المسبقة البيانات بشكل فعال لتدريب نماذج التعلم العميق اللاحقة، مع التركيز على المناطق الحرجة المرتبطة بمرض الزهايمر.
قيمت الدراسة خمسة عشر بنية تعلم عميق، بما في ذلك الشبكات العصبية التلافيفية التقليدية (CNNs)، والمحولات البصرية، والنماذج الهجينة، لتصنيف الفئات التشخيصية الثلاث. ومن الجدير بالذكر أن EfficientNetV2-L حقق أعلى دقة على مستوى الشريحة (86.84%)، بينما تفوق ConvNeXtV2-L في دقة مستوى المسح (91.07%). كشفت النتائج أن الشبكات العصبية التلافيفية التقليدية تفوقت على بنى المحولات في الدقة التشخيصية، مما يبرز أهمية تصميم البنية في مهام التصوير الطبي. أشار التحليل إلى أن التحيزات الاستقرائية الفطرية لـ CNNs تتماشى جيدًا مع الطبيعة المحلية للميزات المرتبطة بمرض الزهايمر، بينما واجهت المحولات صعوبة في الاستفادة من العلاقات المكانية بشكل فعال في هذا السياق. بشكل عام، تؤكد الدراسة على إمكانيات التعلم العميق في التصوير العصبي للكشف المبكر عن مرض الزهايمر، مع آثار على الممارسة السريرية واتجاهات البحث المستقبلية.
DOI: https://doi.org/10.3390/ijerph23030322
PMID: https://pubmed.ncbi.nlm.nih.gov/41899699
Publication Date: 2026-03-05
Author(s): Isabelle Bricaud et al.
Primary Topic: Dementia and Cognitive Impairment Research
Overview
The research highlights the pressing public health challenge posed by Alzheimer’s disease (AD), which significantly impacts mortality, disability, and economic burdens in aging populations. As the leading cause of dementia, early and reliable detection of Alzheimer’s is crucial for slowing disease progression, preserving patient independence, and reducing healthcare costs. The study emphasizes the importance of standardized MRI image preprocessing to enhance the reliability and reproducibility of automated diagnostic tools, particularly in settings with limited specialist resources. AI-assisted MRI analysis is positioned as a promising approach for early identification of high-risk individuals, advocating for investments in standardized neuroimaging pipelines to facilitate equitable early detection strategies.
The findings underscore the urgency of improving early detection of mild cognitive impairment (MCI), given the projected increase in dementia cases. The research systematically evaluates fifteen deep learning architectures for classifying cognitively normal, MCI, and AD subjects using the Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset. A dual-level evaluation framework reveals that architectural selection and aggregation strategies significantly influence clinical deployment outcomes. Notably, ConvNeXtV2-L and SwinV1-L demonstrated substantial scan-level improvements, while traditional CNNs outperformed Transformer-based models, suggesting that architecture characteristics are more critical than model size for medical imaging tasks. The study advocates for future research to incorporate diverse imaging modalities and improve diagnostic accuracy while maintaining performance, with an emphasis on low-resource applications for screening programs.
Introduction
The introduction of the paper outlines the significant public health challenge posed by Alzheimer’s disease (AD), the leading cause of dementia, characterized by progressive neurodegeneration, memory loss, and cognitive decline. Affecting primarily individuals over 65, AD is a major contributor to mortality and disability, with an estimated 57 million cases globally in 2021, projected to rise to 139 million by 2050. The economic burden of dementia is substantial, with costs reaching $1.3 trillion in 2019, largely due to unpaid caregiving. Women are disproportionately affected, both in terms of health outcomes and caregiving responsibilities.
The paper emphasizes the importance of early detection and intervention, particularly during the Mild Cognitive Impairment (MCI) stage, where subtle brain changes occur prior to the onset of AD symptoms. Early therapeutic interventions are crucial, as they can slow disease progression and preserve cognitive function. Neuroimaging techniques, especially Magnetic Resonance Imaging (MRI), are highlighted as effective tools for detecting early structural changes in the brain. The study focuses on employing deep learning techniques to enhance the classification of cognitive states (cognitively normal, MCI, and AD) using MRI data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset. It aims to address methodological gaps in previous research by rigorously evaluating the impact of preprocessing quality and architectural design on deep learning performance, thereby contributing to more reliable and interpretable AD detection methodologies.
Methods
The “Methods” section outlines the dataset, preprocessing pipeline, evaluated architectures, and performance metrics used in the study. Model performance was assessed through multiple metrics on an independent test set, focusing on three-way classification involving the classes: cognitively normal (CN), mild cognitive impairment (MCI), and Alzheimer’s disease (AD). Standard metrics such as accuracy, precision, recall, and F1-score were computed for each class, with accuracy indicating the overall proportion of correct predictions, precision measuring the correctness of predictions for a specific class, and recall quantifying the model’s sensitivity in identifying true instances of each class. The F1-score provided a balance between precision and recall, while categorical cross-entropy loss was employed to evaluate the divergence between predicted probabilities and true labels.
Two evaluation strategies were implemented: slice-level and scan-level classification. In slice-level classification, each 2D axial slice was treated as an independent sample, with the model generating a probability distribution for each slice. The predicted label for a slice was determined by the class with the highest probability. Conversely, scan-level classification aggregated predictions across all slices in a complete MRI volume, reflecting clinical practice. The final scan-level prediction was based on the slice with the highest confidence prediction, thereby leveraging information from multiple slices to enhance diagnostic robustness. Confusion matrices were generated for both approaches to facilitate error analysis, with a particular focus on minimizing false negatives for MCI and AD, as timely diagnosis is crucial for effective intervention strategies.
Results
In this section, we present the results of our study, which encompass a comprehensive evaluation of model performance across various architectures. We provide a comparative analysis of the top-performing models, highlighting their strengths and weaknesses. Additionally, we investigate the impact of multi-slice aggregation on model efficacy, offering insights into how this technique influences overall performance.
Furthermore, we include a detailed confusion matrix analysis to elucidate the classification accuracy and error patterns of the models. This analysis is complemented by a comparison with existing literature, situating our findings within the broader context of current research in the field. Overall, the results underscore the effectiveness of our proposed methodologies and contribute valuable knowledge to ongoing discussions in the domain.
Discussion
The research paper discusses a comprehensive study utilizing neuroimaging data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) to investigate the classification of Alzheimer’s disease (AD), mild cognitive impairment (MCI), and cognitively normal (CN) individuals. The dataset comprised 639 participants aged 55-93 years, with a total of 3134 structural MRI scans processed through a rigorous preprocessing pipeline. Key preprocessing steps included skull stripping, bias field correction, tissue segmentation, spatial normalization, and axial slice extraction, all aimed at enhancing data quality and ensuring consistent anatomical representation across subjects. The preprocessing pipeline effectively prepared the data for subsequent deep learning model training, focusing on critical regions associated with AD pathology.
The study evaluated fifteen deep learning architectures, including traditional convolutional neural networks (CNNs), Vision Transformers, and hybrid models, to classify the three diagnostic categories. Notably, EfficientNetV2-L achieved the highest slice-level accuracy (86.84%), while ConvNeXtV2-L excelled in scan-level accuracy (91.07%). The findings revealed that traditional CNNs outperformed Transformer architectures in diagnostic accuracy, highlighting the importance of architectural design in medical imaging tasks. The analysis indicated that CNNs’ inherent inductive biases align well with the localized nature of AD-related features, whereas Transformers struggled to leverage spatial relationships effectively in this context. Overall, the study underscores the potential of deep learning in neuroimaging for early AD detection, with implications for clinical practice and future research directions.