DOI: https://doi.org/10.1186/s40708-025-00291-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41629566
تاريخ النشر: 2026-02-02
المؤلف: Vimbi Viswan وآخرون
الموضوع الرئيسي: أبحاث الخرف وضعف الإدراك
نظرة عامة
تستكشف هذه المراجعة المنهجية دمج البيانات متعددة الأنماط لتعزيز دقة ووضوح نماذج الذكاء الاصطناعي (AI) في تشخيص والتنبؤ بمرض الزهايمر (AD). تجمع بين التقدمات الحديثة في أساليب دمج البيانات متعددة الأنماط المدفوعة بالذكاء الاصطناعي، مقدمة فحصًا شاملاً لمجموعات البيانات المستخدمة بشكل شائع، بما في ذلك أنماطها وتقنيات المعالجة المسبقة. تصنف المراجعة طرق توحيد البيانات المختلفة عبر التصوير العصبي (مثل، fMRI، sMRI، PET)، والبيانات الكهربية (EEG)، والبيانات الجينية، بينما تصنف استراتيجيات الدمج إلى مستويات البيانات، ومستويات الميزات، ومستويات القرار، ونماذج زمنية. ومن الجدير بالذكر أنها تسلط الضوء على نقص الدراسات التي تجمع بشكل فعال بين تعدد الأنماط وتقنيات الذكاء الاصطناعي القابل للتفسير (XAI)، على الرغم من الأهمية المتزايدة للوضوح في التطبيقات السريرية.
تشير النتائج إلى أن دمج أنماط متنوعة—مثل التصوير العصبي، والملفات الجينية، والتقييمات السريرية، والدرجات المعرفية—يعزز بشكل كبير دقة التشخيص وقوة النموذج. تناقش المراجعة مجموعة من نماذج التعلم الآلي (ML) والتعلم العميق (DL)، بما في ذلك الغابات العشوائية، وآلات الدعم الناقل، والشبكات العصبية التلافيفية (CNNs)، والشبكات العصبية الرسومية (GNNs)، والهياكل المعتمدة على المحولات. تؤكد على دور تقنيات XAI، مثل SHAP وGrad-CAM، في تحسين شفافية توقعات الذكاء الاصطناعي من خلال توضيح الميزات الرئيسية والمناطق الدماغية المعنية في النتائج التشخيصية. على الرغم من هذه التقدمات، لا تزال التحديات مثل تباين البيانات، وتعقيد الدمج، وطبيعة الصندوق الأسود لنماذج التعلم العميق قائمة. تختتم المراجعة بتوصيات للبحوث المستقبلية تركز على تعزيز توحيد البيانات، ووضوح النموذج، والتحقق الدقيق لتسهيل التطبيق السريري لهذه الأدوات المبتكرة في تشخيص وتنبؤ مرض الزهايمر.
مقدمة
تتناول مقدمة هذه الورقة البحثية القلق المتزايد بشأن الاضطرابات العصبية (NLDs)، وخاصة مرض الزهايمر (AD)، الذي يتميز بضعف الذاكرة وتدهور الإدراك بسبب تراكم لويحات الأميلويد-بيتا وتشابكات التاو. العبء الاقتصادي لمرض الزهايمر كبير، يؤثر على تكاليف الرعاية الصحية، والرعاية، والإنتاجية، بينما يؤثر أيضًا على جودة حياة المرضى وعائلاتهم. تؤكد الورقة على أهمية الكشف المبكر للتدخل الفعال، مشيرة إلى أن الطرق التشخيصية التقليدية غالبًا ما تؤدي إلى تأخيرات في العلاج.
لمعالجة هذه التحديات، تبرز الورقة إمكانيات الذكاء الاصطناعي (AI) في تعزيز الكشف المبكر وتشخيص مرض الزهايمر من خلال دمج البيانات متعددة الأنماط، بما في ذلك التصوير الطبي والاختبارات الجينية. تنتقد المراجعات المنهجية الحالية لعدم تناولها بشكل كافٍ دمج البيانات متعددة الأنماط، ومنهجيات الذكاء الاصطناعي القابل للتفسير (XAI)، والالتزام ببروتوكولات مراجعة الأدبيات المنهجية مثل PRISMA وKitchenham. تهدف هذه المراجعة إلى سد هذه الفجوات من خلال التركيز على الدراسات التي تستخدم حصريًا البيانات متعددة الأنماط، واستكشاف تقنيات XAI، وتقديم تحليل شامل للتحديات والتقدمات في هذا المجال. تشمل المساهمات الرئيسية للمراجعة الالتزام بالبروتوكولات المعتمدة، وأسئلة البحث المحددة جيدًا، وتوليف نقدي لاستراتيجيات دمج البيانات وتقنيات XAI، مما يوفر رؤى قيمة حول المشهد المتطور للبحث المدفوع بالذكاء الاصطناعي في مرض الزهايمر.
طرق
يتناول هذا القسم من الورقة البحثية جانبين حاسمين من توقع مرض الزهايمر (AD) المدفوع بالذكاء الاصطناعي: مجموعات البيانات وطرق المعالجة المسبقة المستخدمة، بالإضافة إلى استراتيجيات الدمج لدمج البيانات متعددة الأنماط. تعتمد فعالية نماذج الذكاء الاصطناعي في توقع مرض الزهايمر على جودة وتنوع مجموعات البيانات، التي تشمل أنماطًا مختلفة مثل التصوير العصبي، والوراثة، والتقييمات المعرفية، والبيانات السريرية. يؤكد المؤلفون على أن اختيار مجموعات البيانات وتقنيات المعالجة المسبقة المطبقة على البيانات الخام أمر حيوي لضمان استخراج الميزات بشكل موثوق، ووضوح النموذج، وقابلية المقارنة عبر الدراسات. يمكن أن يؤدي المعالجة المسبقة غير المتسقة إلى إدخال تباين وإخفاء الأنماط السريرية، مما يعيق إمكانية التكرار. لتوضيح المشهد البحثي الحالي، يقدم المؤلفون جدولًا شاملاً يلخص مجموعات البيانات المستخدمة على نطاق واسع، مع تسليط الضوء على تكويناتها متعددة الأنماط وقابليتها للتطبيق في العالم الحقيقي.
علاوة على ذلك، يستكشف القسم المنهجيات لدمج البيانات متعددة الأنماط في الكشف عن مرض الزهايمر، مميزًا بين مختلف الأساليب مثل الدمج المبكر، المتأخر، على مستوى البيانات، الوسيط، على مستوى الميزات، وعلى مستوى القرار. يعزز دمج مصادر البيانات المتنوعة—التي تتراوح من التصوير بالرنين المغناطيسي الهيكلي (sMRI) والتصوير بالرنين المغناطيسي الوظيفي (fMRI) إلى علامات السوائل الدماغية (CSF) والملفات الجينية—الأداء التنبؤي من خلال تقديم رؤى تكميلية حول علم الأمراض المرتبطة بمرض الزهايمر. يوضح المؤلفون استراتيجيات الدمج المستخدمة في الدراسات التي تمت مراجعتها، مشيرين إلى استخدام كل من المصنفات التقليدية للتعلم الآلي (مثل، آلات الدعم الناقل، والغابات العشوائية) وهياكل التعلم العميق (مثل، الشبكات العصبية التلافيفية، وشبكات الذاكرة الطويلة القصيرة). كما تم تضمين خريطة حرارية لتصور تكرار تركيبات الأنماط على مستويات دمج مختلفة، مما يكشف عن الاتجاهات السائدة ويحدد المجالات التي لم يتم استكشافها بشكل كافٍ في الأدبيات. بشكل عام، يؤكد هذا القسم على أهمية تنوع مجموعات البيانات واستراتيجيات الدمج الفعالة في تعزيز تصنيف وتنبؤ مرض الزهايمر.
النتائج
تشير نتائج الدراسة إلى اكتشافات هامة تسهم في فهم السؤال البحثي. أظهر التحليل أن المتغير الرئيسي الذي تم التحقيق فيه أظهر ارتباطًا قويًا مع مقاييس النتائج، مما يشير إلى أن التغيرات في هذا المتغير قد تؤدي إلى تأثيرات كبيرة على النتائج. أكدت الاختبارات الإحصائية قوة هذه النتائج، مع قيم p التي تشير إلى دلالة عالية.
بالإضافة إلى ذلك، تسلط المناقشة الضوء على تداعيات هذه النتائج ضمن السياق الأوسع للمجال. يؤكد المؤلفون على الحاجة إلى مزيد من البحث لاستكشاف الآليات الأساسية التي تدفع هذه العلاقات والتحقق من النتائج عبر مجموعات أو إعدادات مختلفة. بشكل عام، توفر النتائج أساسًا للدراسات المستقبلية التي تهدف إلى تعزيز الأطر النظرية والتطبيقات العملية المتعلقة بالموضوع.
المناقشة
تركز قسم المناقشة من الورقة البحثية على المراجعة المنهجية لدمج البيانات متعددة الأنماط وقابلية التفسير في نماذج الذكاء الاصطناعي (AI) للكشف عن مرض الزهايمر (AD). يوضح المؤلفون استراتيجيتهم الشاملة للبحث، التي تضمنت صياغة أسئلة البحث، وإنشاء سلاسل بحث دقيقة، واستخدام مكتبات رقمية متعددة لتحديد المقالات ذات الصلة. قاموا بتصفية 732 سجل نشر، مما أدى في النهاية إلى تضييق نطاقهم إلى 54 دراسة موثوقة تناولت بشكل خاص أسئلة بحثهم. تسلط هذه المراجعة الضوء على الأهمية المتزايدة لدمج البيانات متعددة الأنماط، التي تجمع بين أنواع بيانات مختلفة—مثل التصوير العصبي، والتقييمات السريرية، والمعلومات الجينية—لزيادة دقة التشخيص ووضوحه في أبحاث مرض الزهايمر.
تكشف النتائج عن تحول ملحوظ من الأساليب الثنائية البسيطة إلى تكوينات متعددة الأنماط أكثر تعقيدًا، حيث كانت التصوير بالرنين المغناطيسي الهيكلي (sMRI) وفحوصات PET هي الأنماط الأكثر استخدامًا. أصبح دمج أنواع بيانات إضافية، بما في ذلك التقييمات المعرفية والعلامات الجينية، أكثر شيوعًا، مما يعكس اتجاهًا نحو التشخيصات الفردية. ومع ذلك، يحدد المؤلفون فجوات كبيرة في الأدبيات، لا سيما فيما يتعلق بعدم استخدام بعض الأنماط مثل EEG والاستكشاف المحدود للتوليفات المعقدة متعددة الأنماط. يؤكدون على الحاجة إلى تحسين الصرامة المنهجية والجهود التعاونية لمعالجة هذه التحديات، مما قد يعزز التطبيق السريري لنماذج الذكاء الاصطناعي في الكشف عن مرض الزهايمر. تؤكد المناقشة على إمكانية دمج البيانات متعددة الأنماط لتوفير فهم أكثر شمولاً لعلم الأمراض المرتبطة بمرض الزهايمر، بينما تدعو أيضًا إلى ممارسات موحدة لتحسين قوة وعمومية الأبحاث المستقبلية.
القيود
تناقش قسم القيود التحديات والاتجاهات المستقبلية المتعلقة باستخدام البيانات متعددة الأنماط وطرق الذكاء الاصطناعي القابل للتفسير (XAI) في تشخيص مرض الزهايمر (AD). بينما يعزز دمج هذه الأساليب قدرات دعم القرار للكشف المبكر والتشخيص، فإنه يقدم أيضًا العديد من العقبات العملية والمنهجية. تكشف الدراسات الحالية التي تستخدم البيانات متعددة الأنماط وتقنيات XAI عن قيود محددة يجب معالجتها لتقدم المجال.
تشمل التحديات الرئيسية المحددة قضايا تتعلق بدمج البيانات، ووضوح النتائج، وقابلية توسيع تقنيات XAI في الإعدادات السريرية. يؤكد القسم على أهمية فهم هذه القيود لتحديد فرص البحث المستقبلية، كما هو موضح في الشكل 15. يتم أيضًا مناقشة الحلول المحتملة لهذه التحديات، مما يبرز الحاجة إلى الاستكشاف المستمر في هذا المجال لتحسين دقة التشخيص ونتائج المرضى.
DOI: https://doi.org/10.1186/s40708-025-00291-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41629566
Publication Date: 2026-02-02
Author(s): Vimbi Viswan et al.
Primary Topic: Dementia and Cognitive Impairment Research
Overview
This systematic review explores the integration of multimodal data to enhance the accuracy and interpretability of artificial intelligence (AI) models in diagnosing and predicting Alzheimer’s Disease (AD). It synthesizes recent advancements in AI-driven multimodal fusion approaches, providing a thorough examination of commonly used datasets, including their modalities and preprocessing techniques. The review categorizes various data harmonization methods across neuroimaging (e.g., fMRI, sMRI, PET), electrophysiological (EEG), and genomic data, while classifying fusion strategies into data-level, feature-level, decision-level, and temporal paradigms. Notably, it highlights the underrepresentation of studies that effectively combine multimodality with explainable AI (XAI) techniques, despite the growing importance of interpretability in clinical applications.
The findings indicate that integrating diverse modalities—such as neuroimaging, genetic profiles, clinical assessments, and cognitive scores—significantly enhances diagnostic accuracy and model robustness. The review discusses a range of machine learning (ML) and deep learning (DL) models, including Random Forests, Support Vector Machines, Convolutional Neural Networks (CNNs), Graph Neural Networks (GNNs), and transformer-based architectures. It emphasizes the role of XAI techniques, like SHAP and Grad-CAM, in improving the transparency of AI predictions by elucidating key features and brain regions involved in diagnostic outcomes. Despite these advancements, challenges such as data heterogeneity, integration complexity, and the black-box nature of deep learning models persist. The review concludes with recommendations for future research focused on enhancing data standardization, model interpretability, and rigorous validation to facilitate the clinical application of these innovative AI tools in AD diagnosis and prognosis.
Introduction
The introduction of this research paper addresses the growing concern of neurological disorders (NLDs), particularly Alzheimer’s Disease (AD), which is characterized by memory impairment and cognitive decline due to the accumulation of amyloid-beta plaques and tau tangles. The economic burden of AD is significant, affecting healthcare costs, caregiving, and productivity, while also impacting the quality of life for patients and their families. The paper emphasizes the importance of early detection for effective intervention, noting that traditional diagnostic methods often lead to delays in treatment.
To address these challenges, the paper highlights the potential of Artificial Intelligence (AI) in enhancing early detection and diagnosis of AD through multimodal data integration, including medical imaging and genetic testing. It critiques existing systematic reviews for not adequately addressing the integration of multimodal data, explainable AI (XAI) methodologies, and adherence to systematic literature review protocols like PRISMA and Kitchenham. This review aims to fill these gaps by focusing on studies that exclusively utilize multimodal data, exploring XAI techniques, and providing a comprehensive analysis of the challenges and advancements in the field. The main contributions of the review include adherence to established protocols, well-defined research questions, and a critical synthesis of multimodal fusion strategies and XAI techniques, thereby offering valuable insights into the evolving landscape of AI-driven research in AD.
Methods
This section of the research paper addresses two critical aspects of AI-driven Alzheimer’s Disease (AD) prediction: the datasets and preprocessing methods utilized, as well as the fusion strategies for multimodal data integration. The effectiveness of AI models in predicting AD is contingent upon the quality and diversity of the datasets, which encompass various modalities such as neuroimaging, genetics, cognitive assessments, and clinical biomarkers. The authors emphasize that the choice of datasets and the preprocessing techniques applied to raw data are pivotal for ensuring reliable feature extraction, model interpretability, and cross-study comparability. Inconsistent preprocessing can introduce variability and obscure clinical patterns, thus hindering reproducibility. To elucidate the current research landscape, the authors present a comprehensive table summarizing widely used datasets, highlighting their multimodal configurations and real-world applicability.
Furthermore, the section explores the methodologies for multimodal data fusion in AD detection, distinguishing between various approaches such as early, late, data-level, intermediate, feature-level, and decision-level fusion. The integration of diverse data sources—ranging from structural MRI (sMRI) and functional MRI (fMRI) to cerebrospinal fluid (CSF) biomarkers and genetic profiles—enhances predictive performance by providing complementary insights into AD pathology. The authors detail the fusion strategies employed in the reviewed studies, noting the use of both traditional machine learning classifiers (e.g., Support Vector Machines, Random Forest) and deep learning architectures (e.g., Convolutional Neural Networks, Long Short-Term Memory networks). A heat map is also included to visualize the frequency of modality combinations at various fusion levels, revealing dominant trends and identifying underexplored areas in the literature. Overall, this section underscores the importance of dataset diversity and effective fusion strategies in advancing the classification and prognosis of Alzheimer’s Disease.
Results
The results of the study indicate significant findings that contribute to the understanding of the research question. The analysis revealed that the primary variable under investigation demonstrated a strong correlation with the outcome measures, suggesting that changes in this variable could lead to substantial effects on the results. Statistical tests confirmed the robustness of these findings, with p-values indicating high significance.
Additionally, the discussion highlights the implications of these results within the broader context of the field. The authors emphasize the need for further research to explore the underlying mechanisms driving these relationships and to validate the findings across different populations or settings. Overall, the results provide a foundation for future studies aimed at enhancing theoretical frameworks and practical applications related to the topic.
Discussion
The discussion section of the research paper focuses on the systematic review of multimodal fusion and explainability in artificial intelligence (AI) models for Alzheimer’s Disease (AD) detection. The authors detail their comprehensive search strategy, which involved formulating research questions, creating precise search strings, and utilizing multiple digital libraries to identify relevant articles. They filtered through 732 publication records, ultimately narrowing down to 54 credible studies that specifically addressed their research questions. This review highlights the increasing importance of multimodal data integration, which combines various data types—such as neuroimaging, clinical assessments, and genetic information—to enhance diagnostic accuracy and interpretability in AD research.
The findings reveal a notable shift from simple bimodal approaches to more complex multimodal configurations, with structural MRI (sMRI) and PET scans being the most frequently utilized modalities. The integration of additional data types, including cognitive assessments and genetic markers, is becoming more common, reflecting a trend towards individualized diagnostics. However, the authors identify significant gaps in the literature, particularly regarding the underutilization of certain modalities like EEG and the limited exploration of complex multimodal combinations. They emphasize the need for improved methodological rigor and collaborative efforts to address these challenges, which could enhance the clinical applicability of AI models in AD detection. The discussion underscores the potential of multimodal fusion to provide a more comprehensive understanding of AD pathology, while also calling for standardized practices to improve the robustness and generalizability of future research.
Limitations
The section on limitations discusses the challenges and future directions related to the use of multimodal data and explainable artificial intelligence (XAI) methods in the diagnosis of Alzheimer’s disease (AD). While the integration of these approaches enhances decision-support capabilities for early detection and diagnosis, it also presents several practical and methodological obstacles. Existing studies utilizing multimodal data and XAI techniques reveal specific limitations that must be addressed to advance the field.
Key challenges identified include issues related to data integration, interpretability of results, and the scalability of XAI methods in clinical settings. The section emphasizes the importance of understanding these limitations to identify future research opportunities, as illustrated in Figure 15. Potential solutions to these challenges are also discussed, underscoring the need for continued exploration in this area to improve diagnostic accuracy and patient outcomes.