DOI: https://doi.org/10.1371/journal.pone.0332572
PMID: https://pubmed.ncbi.nlm.nih.gov/41021656
تاريخ النشر: 2025-09-29
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا لتصنيف مرض الزهايمر (AD) باستخدام تقنيات التعلم العميق المتقدمة، وبشكل خاص نموذج هجين يدمج نموذج U-Net متعدد الطبقات للتجزئة ونموذج EfficientNet متعدد المقاييس مع آلة الدعم الناقل (SVM) للتصنيف. تتكون المنهجية من أربع مراحل: تجزئة الدماغ بالكامل، تجزئة المادة الرمادية، استخراج الميزات، وتطبيق تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) لتعزيز موثوقية التقييم السريري وقابلية التفسير. حقق النموذج أداءً تصنيفيًا مثيرًا للإعجاب عبر ثلاث فئات – مرض الزهايمر (AD)، ضعف الإدراك الخفيف (MCI)، والعادي إدراكيًا (CN) – بدقة إجمالية بلغت 97.78% ± 0.54%، ومعدلات دقة تجاوزت 97% لجميع الفئات، واسترجاع يقارب 97% أيضًا.
تجاوز النموذج الهجين المقترح الأساليب الرائدة الحالية، حيث أظهر معامل Dice بنسبة 91.52% في التجزئة، وهو ما تفوق على نموذج U-Net العادي ونموذج U-Net القائم على الانتباه. علاوة على ذلك، تشير دقة التصنيف البالغة 96% إلى تحسين كبير مقارنة بالهياكل الفردية. قدم دمج آليات XAI، وخاصة من خلال خرائط الأهمية، رؤى حول مناطق الدماغ التي تؤثر على القرارات التشخيصية، مما يعزز قابلية تفسير النموذج. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك الحاجة إلى التحقق من صحة النتائج على مجموعات مستقلة وغياب تتبع طويل الأمد لتقدم المرض. ستركز الأعمال المستقبلية على اختبار النموذج باستخدام مجموعات بيانات التصوير بالرنين المغناطيسي المتاحة للجمهور وتحسين تقنيات XAI لتعزيز موثوقية التشخيص.
مقدمة
تحدد مقدمة ورقة البحث التحدي الحرج للصحة العامة الذي يطرحه مرض الزهايمر (AD)، وهو السبب الرئيسي للخرف على مستوى العالم، خاصة بين كبار السن. يتميز مرض الزهايمر بتراكم لويحات الأميلويد بيتا، وتشابكات بروتين التاو، وفقدان الخلايا العصبية، مما يؤدي إلى تدهور إدراكي وضعف في اتخاذ القرار. يتقدم المرض عبر ثلاث مراحل: العادي إدراكيًا (CN)، ضعف الإدراك الخفيف (MCI)، ومرض الزهايمر المتقدم، وكل منها يتميز بزيادة في العجز الإدراكي والحركي. تتوقع منظمة الصحة العالمية زيادة كبيرة في حالات الخرف، حيث يمثل مرض الزهايمر حوالي 70% من هذه الحالات، مما يؤدي إلى أعباء اقتصادية كبيرة وتحديات في الرعاية.
تؤكد الورقة على الطبيعة متعددة العوامل لمرض الزهايمر، مع تسليط الضوء على الاستعدادات الوراثية، مثل أليل APOE ε4، والعوامل البيئية التي تسهم في خطر الإصابة بالمرض. كما تناقش أهمية التشخيص المبكر من خلال تقنيات التصوير العصبي، بما في ذلك التصوير بالرنين المغناطيسي (MRI) ومسحات PET، التي يمكن أن تكشف عن التغيرات الهيكلية والمرضية في الدماغ. تم الإشارة إلى التقدم الأخير في التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs) ومحولات الرؤية (ViTs)، لقدرتها على تعزيز دقة التشخيص من خلال تحليل بيانات التصوير العصبي بشكل فعال. تهدف الدراسة إلى تطوير نموذج هجين للتعلم العميق يدمج التجزئة، واستخراج الميزات، والذكاء الاصطناعي القابل للتفسير (XAI) لتحسين تصنيف مرض الزهايمر من مسحات التصوير بالرنين المغناطيسي، وبالتالي معالجة قيود الأساليب التشخيصية التقليدية.
الطرق
تستفيد المنهجية المقترحة لاكتشاف مرض الزهايمر (AD) من نماذج التعلم العميق المتقدمة لتعزيز التشخيص المبكر والتدخل. يتكون الإطار من أربع مراحل: (1) **تجزئة الدماغ** باستخدام نموذج U-Net العادي لعزل مناطق الدماغ من مسحات التصوير بالرنين المغناطيسي؛ (2) **تجزئة المادة الرمادية** باستخدام نموذج U-Net متعدد الطبقات لاستخراج مناطق المادة الرمادية؛ (3) **التصنيف** من خلال نموذج هجين متقدم لتصنيف الصور المجزأة؛ و(4) **الذكاء الاصطناعي القابل للتفسير** باستخدام خريطة أهمية اصطناعية معدلة لتصور وتفسير عملية اتخاذ القرار للنموذج. يتم توضيح هذا النهج المنظم من خلال مخطط كتلي بصري، مما يوفر نظرة شاملة على إطار الكشف والتحليل.
تم إجراء الإعداد التجريبي على Google Colab، باستخدام وحدة معالجة الرسوميات NVIDIA Tesla T4 المستندة إلى السحابة. تم تنفيذ نموذج التجزئة في TensorFlow 2.12 وKeras 2.12، بينما تم تطوير نموذج التصنيف في PyTorch. تضمنت المكتبات الرئيسية NumPy وOpenCV وMatplotlib، من بين أمور أخرى. تم تدريب نموذج التجزئة بحجم دفعة قدره 8 على مدى 100 حقبة، باستخدام معدل تعلم قدره $1 \times 10^{-4}$ ومحسن Adam، مع ثوابت عشوائية ثابتة لضمان القابلية للتكرار. بالنسبة للتصنيف، تم استخدام حجم دفعة قدره 32 جنبًا إلى جنب مع ضبط المعلمات عبر GridSearchCV. تستند مقاييس الأداء المستخدمة لتقييم نموذج التصنيف القائم على التعلم العميق إلى مؤشرات راسخة، مما يضمن تمييزًا قويًا بين فئات مرض الزهايمر.
المناقشة
تؤكد قسم المناقشة في الورقة على الدور الحاسم للتشخيص المبكر والدقيق لمرض الزهايمر (AD)، مع تسليط الضوء على التقدم في الكشف والتصنيف من خلال تقنيات التعلم العميق، وخاصة الشبكات العصبية التلافيفية العميقة (DCNNs). تلخص المراجعة دراسات متنوعة استخدمت DCNNs لمهام مثل تجزئة الصور والتصنيف، مشيرة إلى إنجازات كبيرة في دقة التشخيص. على سبيل المثال، اقترح محمد وآخرون نموذجًا هجينًا يجمع بين AlexNet وResNet-50، محققين دقة قدرها 94.8%، بينما استخدم شارما وآخرون نموذجًا مختلطًا مع التعلم الانتقالي، وبلغوا دقة 91.75%. ومع ذلك، واجهت العديد من الدراسات قيودًا، بما في ذلك الاعتماد على الشبكات المصممة مسبقًا، وغياب القابلية للتعميم عبر مجموعات بيانات متنوعة، والتحديات في قابلية التفسير.
تحدد المراجعة نقاط الضعف المتكررة في المنهجيات الحالية، مثل الاعتماد على تجزئة الحصيني الدقيقة، وعدم كفاية التحقق الخارجي، وتعقيد النماذج الذي يعيق التطبيق السريري. على الرغم من النتائج الواعدة لمختلف الأساليب الهجينة والتعلم الانتقالي، تظل الحاجة إلى أطر قوية وقابلة للتفسير أمرًا بالغ الأهمية. يقترح المؤلفون نموذجًا جديدًا يدمج التجزئة، والتصنيف، وقابلية التفسير، بهدف معالجة هذه القيود وتعزيز الثقة السريرية في أدوات التشخيص المدفوعة بالذكاء الاصطناعي لمرض الزهايمر. يسعى هذا الإطار المقترح إلى تحسين الدقة والقابلية للتعميم مع ضمان الشفافية في عمليات اتخاذ القرار للنماذج.
DOI: https://doi.org/10.1371/journal.pone.0332572
PMID: https://pubmed.ncbi.nlm.nih.gov/41021656
Publication Date: 2025-09-29
Author(s): Zhenyun Du et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research paper presents a novel approach for classifying Alzheimer’s disease (AD) using advanced deep learning techniques, specifically a hybrid model that integrates a Multi-Layer U-Net for segmentation and a Multi-Scale EfficientNet combined with Support Vector Machine (SVM) for classification. The methodology is structured into four phases: whole brain segmentation, gray matter segmentation, feature extraction, and the application of explainable AI (XAI) techniques to enhance clinical trustworthiness and interpretability. The model achieved impressive classification performance across three categories—Alzheimer’s Disease (AD), Mild Cognitive Impairment (MCI), and Cognitively Normal (CN)—with an overall accuracy of 97.78% ± 0.54%, precision rates exceeding 97% for all classes, and a recall of approximately 97% as well.
The proposed hybrid model outperformed existing state-of-the-art methods, demonstrating a Dice coefficient of 91.52% in segmentation, which surpassed that of Vanilla U-Net and Attention U-Net. Furthermore, the classification accuracy of 96% indicates a significant improvement over individual architectures. The integration of XAI mechanisms, particularly through saliency maps, provided insights into the brain regions influencing diagnostic decisions, thus enhancing model interpretability. However, the study acknowledges limitations, including the need for validation on independent cohorts and the absence of longitudinal tracking of disease progression. Future work will focus on testing the model with publicly available MRI datasets and further refining XAI techniques to bolster diagnostic reliability.
Introduction
The introduction of the research paper outlines the critical public health challenge posed by Alzheimer’s disease (AD), the leading cause of dementia globally, particularly among older adults. AD is characterized by the accumulation of amyloid beta plaques, tau protein tangles, and neuronal loss, leading to cognitive decline and impaired decision-making. The disease progresses through three stages: Cognitively Normal (CN), Mild Cognitive Impairment (MCI), and advanced AD, each marked by increasing cognitive and motor dysfunction. The World Health Organization projects a significant rise in dementia cases, with AD accounting for approximately 70% of these, resulting in substantial economic burdens and caregiving challenges.
The paper emphasizes the multifactorial nature of AD, highlighting genetic predispositions, such as the APOE ε4 allele, and environmental factors that contribute to disease risk. It also discusses the importance of early diagnosis through neuroimaging techniques, including MRI and PET scans, which can reveal structural and pathological changes in the brain. Recent advancements in deep learning, particularly Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs), are noted for their potential to enhance diagnostic accuracy by effectively analyzing neuroimaging data. The study aims to develop a hybrid deep learning model that integrates segmentation, feature extraction, and explainable AI (XAI) to improve the classification of AD from MRI scans, thereby addressing the limitations of traditional diagnostic approaches.
Methods
The proposed methodology for detecting Alzheimer’s disease (AD) leverages advanced deep learning models to enhance early diagnosis and intervention. The framework consists of four phases: (1) **Brain Segmentation** using a Vanilla U-Net model to isolate brain regions from MRI scans; (2) **Gray Matter Segmentation** employing a multi-layer U-Net model to extract gray matter regions; (3) **Classification** through an advanced hybrid model to categorize the segmented images; and (4) **Explainable AI** utilizing a Modified Synthetic Saliency Map to visualize and interpret the model’s decision-making process. This structured approach is illustrated with a visual block diagram, providing a comprehensive overview of the detection and analysis framework.
The experimental setup was conducted on Google Colab, utilizing a cloud-based NVIDIA Tesla T4 GPU. The segmentation model was implemented in TensorFlow 2.12 and Keras 2.12, while the classification model was developed in PyTorch. Key libraries included NumPy, OpenCV, and Matplotlib, among others. The segmentation model was trained with a batch size of 8 over 100 epochs, using a learning rate of $1 \times 10^{-4}$ and the Adam optimizer, with fixed random seeds to ensure reproducibility. For classification, a batch size of 32 was used alongside hyperparameter tuning via GridSearchCV. The performance metrics employed to evaluate the deep learning classification model are grounded in established indicators, ensuring robust discrimination between AD classes.
Discussion
The discussion section of the paper emphasizes the critical role of timely and accurate diagnosis of Alzheimer’s disease (AD), highlighting advancements in detection and classification through deep learning techniques, particularly Deep Convolutional Neural Networks (DCNNs). The review synthesizes various studies that have employed DCNNs for tasks such as image segmentation and classification, noting significant achievements in diagnostic accuracy. For instance, Mohammed et al. proposed a hybrid model combining AlexNet and ResNet-50, achieving an accuracy of 94.8%, while Sharma et al. utilized a mixed model with transfer learning, reaching 91.75% accuracy. However, many studies faced limitations, including dependency on pre-designed networks, lack of generalizability across diverse datasets, and challenges in interpretability.
The review identifies recurring weaknesses in existing methodologies, such as the reliance on accurate hippocampal segmentation, insufficient external validation, and the complexity of models that hinder clinical applicability. Despite the promising results of various hybrid and transfer learning approaches, the need for robust, explainable frameworks remains paramount. The authors propose a new model that integrates segmentation, classification, and interpretability, aiming to address these limitations and enhance clinical trust in AI-driven diagnostic tools for Alzheimer’s disease. This proposed framework seeks to improve accuracy and generalizability while ensuring transparency in the decision-making processes of the models.