DOI: https://doi.org/10.1038/s41540-026-00666-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41714635
تاريخ النشر: 2026-02-19
المؤلف: Jinhui Sun وآخرون
الموضوع الرئيسي: دراسات الاتصال الوظيفي في الدماغ
نظرة عامة
في هذا القسم، يتناول المؤلفون قيود النماذج التشخيصية الحالية لمرض الزهايمر (AD)، والتي تعتمد عادةً على بيانات نقطة زمنية واحدة وتفشل في التقاط الخصائص الطولية للمرض. يقدمون شبكة الانتباه متعددة الفروع (MBFCA-Net)، المصممة لتحليل بيانات السلاسل الزمنية المتعددة من التصوير بالرنين المغناطيسي الهيكلي (sMRI) لتعزيز اكتشاف مرض الزهايمر من خلال الاستفادة من الارتباطات الزمنية عبر المسحات الطولية.
تشمل الدراسة تحليلًا تفسيريًا استعاديًا يقيم مساهمات مناطق الدماغ المختلفة في مراحل مختلفة من تقدم مرض الزهايمر. تكشف النتائج أن أهمية مناطق مثل اللوزة، والتلفيف الحُصيني، والفص الصدغي تتغير ديناميكيًا مع تقدم المرض. بالإضافة إلى ذلك، تحدد الأبحاث اتجاهًا تطوريًا في مجموعات الفوكسل المرتبطة بمرض الزهايمر، والتي تهاجر من الحصين إلى الفص الصدغي وتتطور من توزيع متشتت إلى توزيع أكثر تجميعًا. تسهم هذه الرؤى في فهم أعمق للأنماط الطولية المرتبطة بمرض الزهايمر، مما يسهل التشخيص المبكر ويعزز الفهم المرضي للاضطراب.
مقدمة
يعتبر مرض الزهايمر (AD) السبب الرئيسي للخرف، ويتميز بالتدهور العصبي التدريجي الذي يؤثر بشدة على الوظائف الإدراكية والذاكرة، مما يؤدي في النهاية إلى الوفاة. يعتبر الضعف الإدراكي المعتدل (MCI) مقدمة حاسمة لمرض الزهايمر، مع خطر عالٍ للتقدم إذا لم يتم التعامل معه من خلال التدخل في الوقت المناسب. لا تزال آلية حدوث مرض الزهايمر غير مفهومة جيدًا بسبب التفاعل المعقد لعواملها المسببة، ولا يوجد حاليًا علاج يمكنه عكس تقدمه. لذلك، فإن التشخيص المبكر والتدخل ضروريان لإدارة المرض وتحسين جودة حياة المرضى.
لقد عززت التطورات الأخيرة في تصوير الأعصاب، وخاصة من خلال التصوير بالرنين المغناطيسي (MRI)، تصور الشذوذات الدماغية المرتبطة بمرض الزهايمر والضعف الإدراكي المعتدل، مثل ضمور المادة الرمادية. استخدمت دراسات مختلفة تقنيات التعلم العميق على بيانات التصوير بالرنين المغناطيسي لتحسين دقة التشخيص. بينما تعتمد الطرق التقليدية غالبًا على بيانات نقطة زمنية واحدة، بدأت الأساليب الحديثة في دمج بيانات متعددة النقاط الزمنية لالتقاط الطبيعة التقدمية لمرض الزهايمر بشكل أفضل. تم اقتراح تقنيات مثل التعلم متعدد المهام والتعلم المتناثر الجماعي مع قيود زمنية للاستفادة من الاعتماديات الزمنية في البيانات الطولية، بهدف تعزيز أداء النموذج وقابليته للتعميم في تشخيص الأمراض الدماغية.
طرق البحث
في هذه الدراسة، تم إجراء تجارب باستخدام إطار عمل PyTorch على وحدة معالجة الرسومات NVIDIA GeForce RTX 3080Ti. استخدم تدريب النموذج مُحسِّن آدم بمعدل تعلم أولي قدره 0.001 وحجم دفعة قدره 4، مع فترة قصوى تبلغ 300 دورة. تم تنفيذ استراتيجية إيقاف مبكر للتخفيف من الإفراط في التكيف، حيث تم إيقاف التدريب إذا لم تتحسن دقة التحقق على مدى 30 دورة متتالية. لضمان استمرار التعلم، تم مراقبة منطقة تحت المنحنى (AUC) أثناء التدريب؛ إذا استقرت دقة التحقق بينما زادت AUC التدريب، تم إعادة تعيين عداد الإيقاف المبكر للسماح بمزيد من التدريب.
يتضمن القسم أيضًا تحليلات بصرية لمساهمات مناطق الدماغ في مهام التصنيف في مراحل مختلفة، موضحة من خلال أشكال توضح نسبة مساهمات أنسجة الدماغ، ومخططات فين للمناطق الدماغية ذات الترتيب العالي، والتغيرات الكبيرة في المساهمات بمرور الوقت. بالإضافة إلى ذلك، يتم تقديم مقارنات بصرية لتحليلات المورفومترية المعتمدة على الفوكسل (VBM) بين المجموعات، جنبًا إلى جنب مع نظرة عامة مفصلة على العملية التجريبية وهيكل النموذج، بما في ذلك الوحدات الرئيسية مثل fusion_group و down_sample و fusion_channel و Coord-3D.
النتائج
تقدم نتائج الدراسة تحليلًا شاملاً لتغيرات حجم المادة الرمادية في مناطق الدماغ الرئيسية عبر ثلاث نقاط زمنية (m0 و m12 و m24) في مرضى الزهايمر (AD) مقارنةً بالتحكمات الإدراكية الطبيعية (CN). كشفت التحليلات الإحصائية عن اختلافات كبيرة في حجم المادة الرمادية بين المجموعتين في جميع النقاط الزمنية، مع زيادة وضوح هذه الاختلافات بمرور الوقت. بشكل ملحوظ، أظهرت مناطق مثل الحصين الثنائية، واللوزة، والتلفيف الحُصيني ارتباطات قوية (معاملات > 0.5) مع درجات اختبار الحالة العقلية المصغرة (MMSE)، مما يشير إلى علاقة وثيقة بين التغيرات الهيكلية والوظيفة الإدراكية. بالمقابل، أظهر المخيخ ارتباطات أضعف (معاملات < 0.2)، مما يشير إلى دور أقل في التدهور الإدراكي، على الرغم من أن مشاركته تستدعي مزيدًا من التحقيق. أشارت تحليلات المورفومترية المعتمدة على الفوكسل (VBM) إلى أنه في m0، وُجدت اختلافات كبيرة بشكل أساسي في الفصوص الصدغية والجدارية والجبهية، على الرغم من أحجام الكتل الصغيرة. مع تقدم المرض إلى m12 و m24، انخفض عدد المناطق المتأثرة، لكن حجم الكتل الكبيرة زاد، خاصة في الفص الصدغي الخلفي والقشرة الجبهية. يشير هذا إلى أن الشذوذات الهيكلية المرتبطة بمرض الزهايمر تتجمع بمرور الوقت، مما يؤدي إلى تلف أكثر تركيزًا وامتدادًا. تسلط النتائج الضوء على دور الفص الصدغي الخلفي في معالجة اللغة، مما قد يكون مؤشرًا حاسمًا لتمييز مرض الزهايمر عن الشيخوخة الطبيعية، خاصةً مع وضوح ضعف اللغة في المراحل المتأخرة من المرض. بشكل عام، تؤكد الدراسة على أهمية مناطق الدماغ المحددة في علم أمراض مرض الزهايمر وإمكانية استخدام تغيرات حجم المادة الرمادية كعلامات حيوية لتقدم المرض.
المناقشة
في هذه الدراسة، تم تطوير نموذج شبكة عصبية تلافيفية ثلاثية الأبعاد (CNN) لتشخيص مرض الزهايمر (AD) باستخدام بيانات التصوير بالرنين المغناطيسي الهيكلي الطولي (sMRI). أظهر النموذج أداءً متسقًا عبر مراحل مختلفة من مرض الزهايمر (m0 و m12 و m24)، مع تميز خاص ببيانات المادة الرمادية الطولية. سهل التعلم الانتقالي مشاركة تمثيلات الميزات، مما عزز الاستقرار ودقة التصنيف. أشارت التحليلات المقارنة إلى أن النموذج المقترح تفوق على الأساليب الحديثة عبر مقاييس تقييم مختلفة. بشكل ملحوظ، تحسن أداء النموذج بمرور الوقت، مما يعكس الاختلافات المرضية المتزايدة مع تقدم المرض، وبالتالي التحقق من قدرته على التقاط الميزات الزمنية الطولية.
تم استكشاف قابلية تفسير النموذج بشكل أكبر باستخدام قيم SHAP، التي حددت 18 منطقة دماغية رئيسية تساهم في تشخيص مرض الزهايمر. كشفت التحليلات عن نمط ديناميكي من المساهمات: كانت اللوزة مهمة في المراحل المبكرة لكنها تضاءلت أهميتها مع تقدم المرض، بينما اكتسب التلفيف الحُصيني والفص الصدغي الخلفي أهمية أكبر. يتماشى هذا مع التقدم المعروف لمرض الزهايمر، حيث تحدث التغيرات الأولية في المناطق الزمنية الوسطى قبل أن تمتد إلى المناطق القشرية الخلفية. بالإضافة إلى ذلك، لاحظت الدراسة وجود عدم تماثل في المساهمات في نصف الكرة الأيسر، مما يشير إلى أن نصف الكرة الأيسر قد يكون أكثر عرضة للتدهور العصبي، وهو ما يتماشى مع الأدبيات الموجودة. بشكل عام، توفر النتائج رؤى قيمة حول الديناميات الزمانية والمكانية للتغيرات الهيكلية المرتبطة بمرض الزهايمر وتسلط الضوء على المناطق الحرجة للتشخيص المبكر والمراقبة.
DOI: https://doi.org/10.1038/s41540-026-00666-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41714635
Publication Date: 2026-02-19
Author(s): Jinhui Sun et al.
Primary Topic: Functional Brain Connectivity Studies
Overview
In this section, the authors address the limitations of current diagnostic models for Alzheimer’s disease (AD), which typically rely on single time-point data and fail to capture the longitudinal characteristics of the disease. They introduce the Multi-Branch Fusion Channel Attention Network (MBFCA-Net), designed to analyze multi-time series data from structural magnetic resonance imaging (sMRI) to enhance AD detection by leveraging temporal correlations across longitudinal scans.
The study includes a retrospective interpretability analysis that assesses the contributions of various brain regions at different stages of AD progression. Findings reveal that the significance of regions such as the amygdala, parahippocampal gyrus, and temporal lobe changes dynamically as the disease advances. Additionally, the research identifies a developmental trend in AD-related voxel clusters, which migrate from the hippocampus to the temporal lobe and evolve from a dispersed to a more aggregated distribution. These insights contribute to a deeper understanding of the longitudinal patterns associated with AD, facilitating early diagnosis and enhancing the pathological comprehension of the disorder.
Introduction
Alzheimer’s disease (AD) is the leading cause of dementia, characterized by progressive neurodegeneration that severely impacts cognitive and memory functions, ultimately leading to death. Mild cognitive impairment (MCI) is a critical precursor to AD, with a high risk of progression if not addressed through timely intervention. The pathogenesis of AD remains poorly understood due to the complex interplay of its etiological factors, and there is currently no treatment that can reverse its progression. Therefore, early diagnosis and intervention are essential for managing the disease and improving patient quality of life.
Recent advancements in neuroimaging, particularly through magnetic resonance imaging (MRI), have enhanced the visualization of brain abnormalities associated with AD and MCI, such as gray matter atrophy. Various studies have employed deep learning techniques on MRI data to improve diagnostic accuracy. While traditional methods often rely on single time-point data, recent approaches are beginning to incorporate multi-time-point data to better capture the progressive nature of AD. Techniques such as multi-task learning and group sparse learning with temporal constraints have been proposed to leverage the temporal dependencies in longitudinal data, aiming to enhance model performance and generalizability in diagnosing brain diseases.
Methods
In this study, experiments were conducted using the PyTorch framework on an NVIDIA GeForce RTX 3080Ti GPU. The model training employed the Adam optimizer with an initial learning rate of 0.001 and a batch size of 4, spanning a maximum of 300 epochs. An early stopping strategy was implemented to mitigate overfitting, where training was halted if validation accuracy did not improve over 30 consecutive epochs. To ensure continued learning, the training Area Under the Curve (AUC) was monitored; if the validation accuracy plateaued while the training AUC increased, the early stopping counter was reset to allow further training.
The section also includes visual analyses of brain region contributions to classification tasks at various stages, illustrated through figures depicting the proportion of brain tissue contributions, Venn diagrams of high-ranking brain regions, and significant changes in contributions over time. Additionally, visual comparisons of voxel-based morphometry (VBM) analyses between groups are presented, alongside a detailed overview of the experimental process and model structure, including key modules such as the fusion_group, down_sample, fusion_channel, and Coord-3D modules.
Results
The results of the study provide a comprehensive analysis of gray matter volume changes in key brain regions across three time points (m0, m12, and m24) in Alzheimer’s disease (AD) patients compared to cognitively normal (CN) controls. Statistical analyses revealed significant differences in gray matter volume between the two groups at all time points, with these differences becoming more pronounced over time. Notably, regions such as the bilateral hippocampus, amygdala, and parahippocampal gyrus exhibited strong correlations (coefficients > 0.5) with Mini-Mental State Examination (MMSE) scores, indicating a close relationship between structural changes and cognitive function. In contrast, the cerebellum showed weaker correlations (coefficients < 0.2), suggesting a lesser role in cognitive decline, although its involvement warrants further investigation. Voxel-based morphometry (VBM) analyses indicated that at m0, significant differences were primarily found in the temporal, parietal, and frontal lobes, albeit with small cluster volumes. As the disease progressed to m12 and m24, the number of affected regions decreased, but the volume of significant clusters increased, particularly in the posterior temporal lobe and prefrontal cortex. This suggests that AD-related structural abnormalities coalesce over time, leading to more localized and extensive damage. The findings highlight the posterior temporal lobe's role in language processing, which may serve as a critical indicator for distinguishing AD from normal aging, particularly as language impairment becomes more evident in the later stages of the disease. Overall, the study underscores the importance of specific brain regions in AD pathology and the potential for using gray matter volume changes as biomarkers for disease progression.
Discussion
In this study, a 3D convolutional neural network (CNN) model was developed for Alzheimer’s disease (AD) diagnosis using longitudinal structural MRI (sMRI) data. The model demonstrated consistent performance across different stages of AD (m0, m12, m24), particularly excelling with longitudinal gray matter data. Transfer learning facilitated the sharing of feature representations, enhancing stability and classification accuracy. Comparative analyses indicated that the proposed model outperformed state-of-the-art methods across various evaluation metrics. Notably, the model’s performance improved over time, reflecting the increasing pathological differences as the disease progressed, thus validating its ability to capture longitudinal temporal features.
The interpretability of the model was further explored using SHAP values, which identified 18 key brain regions contributing to AD diagnosis. The analysis revealed a dynamic pattern of contributions: the amygdala was significant in early stages but diminished in importance as the disease advanced, while the parahippocampal gyrus and posterior temporal lobe gained prominence. This aligns with the known progression of AD, where initial changes occur in medial temporal regions before extending to posterior cortical areas. Additionally, the study observed a left-hemispheric asymmetry in contributions, suggesting that the left hemisphere may be more susceptible to neurodegeneration, which is consistent with existing literature. Overall, the findings provide valuable insights into the spatiotemporal dynamics of AD-related structural changes and highlight critical regions for early diagnosis and monitoring.