تشخیص زودهنگام بیماری آلزایمر با استفاده از MRI و Deep Learning: مروری بر شواهد، روش‌ها و چالش‌های انتقال به بالین

دانلود مقاله .pdf
 

تشخیص زودهنگام بیماری آلزایمر با استفاده از MRI و  Deep Learning: مروری بر شواهد، روش‌ها و چالش‌های انتقال به بالین

چکیده

مقدمه: بیماری آلزایمر (Alzheimer’s disease; AD) شایع‌ترین علت دمانس در سالمندان و یک بیماری نورودژنراتیو پیشرونده است که تغییرات پاتولوژیک آن می‌تواند سال‌ها پیش از بروز دمانس آشکار آغاز شود. ازاین‌رو، تشخیص در مراحل اولیه، به‌ویژه در مرحله اختلال شناختی خفیف (Mild Cognitive Impairment; MCI)، اهمیت فزاینده‌ای پیدا کرده است. تصویربرداری تشدید مغناطیسی (Magnetic Resonance Imaging; MRI)، به‌خصوص MRI ساختاری T1-weighted، امکان بررسی غیرتهاجمی تغییرات آناتومیک مغز را فراهم می‌کند. در سال‌های اخیر، یادگیری عمیق (Deep Learning; DL) به‌عنوان روشی برای استخراج خودکار الگوهای پیچیده از تصاویر MRI مورد توجه قرار گرفته است.

روش بررسی: در این مقاله مروری، مطالعات و مرورهای نظام‌مند مرتبط با کاربرد MRI و روش‌های هوش مصنوعی، به‌ویژه شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks; CNNs)، در تشخیص و پیش‌بینی بیماری آلزایمر بررسی شدند. همچنین منابع معتبر بالینی درباره جایگاه MRI و نشانگرهای زیستی در فرایند تشخیص مورد توجه قرار گرفتند. تمرکز اصلی بر MRI ساختاری، تشخیص MCI و آلزایمر، پیش‌بینی تبدیل MCI به AD، معماری‌های سه‌بعدی یادگیری عمیق، اعتبارسنجی مدل‌ها و محدودیت‌های انتقال آنها به محیط بالینی بود.

یافته‌ها: مطالعات نشان داده‌اند که مدل‌های CNN، به‌ویژه 3D-CNN، قادرند الگوهای پیچیده آتروفی مغزی را از حجم‌های MRI استخراج کنند. مرورهای نظام‌مند اخیر نیز نشان‌دهنده عملکرد تشخیصی امیدوارکننده این مدل‌ها در تفکیک افراد سالم، MCI و AD هستند؛ بااین‌حال، ناهمگونی داده‌ها، اندازه محدود نمونه، تفاوت پروتکل‌های تصویربرداری، خطر بیش‌برازش و نشت داده و ضعف اعتبارسنجی خارجی از مهم‌ترین محدودیت‌ها به شمار می‌روند. شواهد موجود همچنین نشان می‌دهد که عملکرد مدل در تمایز آلزایمر آشکار از افراد سالم معمولاً بهتر از شناسایی تغییرات بسیار اولیه و پیش‌بینی دقیق تبدیل MCI به AD است.

نتیجه‌گیری: MRI و یادگیری عمیق ظرفیت قابل توجهی برای تبدیل تصویربرداری مغزی به یک ابزار تصمیم‌یار در تشخیص زودهنگام آلزایمر دارند، اما در حال حاضر نباید جایگزین ارزیابی بالینی و نشانگرهای زیستی اختصاصی بیماری تلقی شوند. آینده این حوزه احتمالاً به سمت مدل‌های چندوجهی، طولی، قابل‌تفسیر و اعتبارسنجی‌شده در جمعیت‌های مستقل حرکت خواهد کرد.

واژگان کلیدی: بیماری آلزایمر؛ MRI ساختاری؛ یادگیری عمیق؛ شبکه عصبی کانولوشنی؛ اختلال شناختی خفیف؛ هوش مصنوعی پزشکی؛ تشخیص زودهنگام؛ نورورادیولوژی.

۱. مقدمه

بیماری آلزایمر یکی از مهم‌ترین علل ناتوانی و وابستگی در سالمندان و از چالش‌های عمده نورولوژی معاصر است. بر اساس گزارش انجمن آلزایمر، در سال ۲۰۲۶ حدود ۷٫۴ میلیون فرد ۶۵ ساله و بالاتر در ایالات متحده با دمانس آلزایمر زندگی می‌کنند و این رقم با افزایش جمعیت سالمند در دهه‌های آینده روند صعودی خواهد داشت (Alzheimer’s Association, 2026).

آلزایمر صرفاً یک اختلال حافظه در مرحله دمانس نیست، بلکه فرایندی زیستی طولانی‌مدت است که تغییرات مولکولی و سلولی آن می‌توانند سال‌ها پیش از ظهور علائم بالینی آغاز شوند. داده‌های حاصل از مطالعات طولی در افراد دارای جهش‌های ژنتیکی نادر نشان داده‌اند که برخی تغییرات پاتولوژیک، از جمله افزایش آمیلوئید بتا، افزایش tau غیرطبیعی و تغییرات متابولیک مغز، می‌توانند بیش از یک دهه پیش از بروز علائم ظاهر شوند. آتروفی مغزی نیز می‌تواند پیش از شروع علائم بالینی قابل تشخیص باشد (Alzheimer’s Association, 2025).

این فاصله زمانی میان شروع پاتولوژی و ظهور علائم، فرصت بالقوه‌ای برای تشخیص و مداخله زودهنگام فراهم می‌کند. اهمیت این موضوع با توسعه درمان‌های تعدیل‌کننده روند بیماری بیشتر شده است؛ زیرا شناسایی بیمار در مراحل اولیه می‌تواند در انتخاب بیمار، مشاوره، برنامه‌ریزی درمانی و ارزیابی خطر نقش داشته باشد.

در این میان، MRI جایگاه مهمی در بررسی ساختاری مغز دارد. MRI فاقد تابش یونیزان است و می‌تواند اطلاعاتی درباره حجم ساختارهای مغزی، ضخامت قشر، آتروفی و تغییرات عروقی ارائه کند. در معیارهای تشخیصی جدید، MRI ساختاری در گروه نشانگرهای آسیب یا نورودژنراسیون قرار می‌گیرد، درحالی‌که نشانگرهای آمیلوئید و tau اطلاعات اختصاصی‌تری درباره پاتوفیزیولوژی آلزایمر فراهم می‌کنند (Atri et al., 2025).

با وجود این، تحلیل MRI مغز به‌صورت دستی و کلاسیک ممکن است نتواند تمام الگوهای ظریف و چندناحیه‌ای بیماری را آشکار کند. ظهور یادگیری عمیق، به‌خصوص CNNها، امکان تحلیل مستقیم حجم‌های MRI و استخراج خودکار ویژگی‌های پیچیده را فراهم کرده است.

هدف این مقاله بررسی جایگاه MRI و یادگیری عمیق در تشخیص زودهنگام آلزایمر، ارزیابی شواهد موجود، تشریح روش‌های محاسباتی و تحلیل محدودیت‌هایی است که باید پیش از استفاده گسترده بالینی از این فناوری مورد توجه قرار گیرند.

۲. روش بررسی منابع

این مقاله به‌صورت مرور روایتی با رویکرد شواهد‌محور تدوین شده است. برای شناسایی منابع مرتبط، مطالعات نمایه‌شده در پایگاه‌های PubMed و منابع علمی مرتبط با بیماری آلزایمر، MRI، یادگیری عمیق و هوش مصنوعی پزشکی بررسی شدند.

کلیدواژه‌های اصلی شامل ترکیباتی از اصطلاحات زیر بودند:

• Alzheimer’s disease
• Mild Cognitive Impairment
• structural MRI
• T1-weighted MRI
• deep learning
• convolutional neural network
• 3D-CNN
• artificial intelligence
• early diagnosis
• MCI conversion

اولویت با مرورهای نظام‌مند، متاآنالیزها، مطالعات اعتبارسنجی و دستورالعمل‌های بالینی معتبر بود. یک مرور نظام‌مند و متاآنالیز منتشرشده در سال ۲۰۲۵، به‌طور اختصاصی عملکرد CNNهای مبتنی بر MRI ساختاری را در تفکیک AD، MCI و شناخت طبیعی بررسی کرده است (Dong et al., 2025).

همچنین یک مرور نظام‌مند سال ۲۰۲۴، ۸۷ مقاله درباره استفاده از روش‌های یادگیری عمیق در تصویربرداری سه‌بعدی آلزایمر را بررسی کرده و بر کاربرد گسترده CNNهای سه‌بعدی، انتقال یادگیری، روش‌های توجه (Attention) و داده‌های چندوجهی تأکید کرده است (Zia-ur-Rehman et al., 2024).

بنابراین، مقاله حاضر یک مرور سیستماتیک با متاآنالیز اختصاصی نیست و نتایج مطالعات مختلف را بدون انجام محاسبه آماری جدید ترکیب می‌کند.

۳. مبانی نوروبیولوژیک تشخیص زودهنگام آلزایمر

۳-۱. آلزایمر به‌عنوان یک بیماری زیستی پیشرونده

مدل‌های معاصر بیماری آلزایمر، بیماری را فرایندی می‌دانند که از مرحله تغییرات پاتولوژیک بدون علامت تا اختلال شناختی و در نهایت دمانس پیشرفت می‌کند.

در مراحل ابتدایی، تجمع آمیلوئید و تغییرات مرتبط با tau می‌توانند بدون اختلال عملکرد روزمره قابل توجه وجود داشته باشند. با پیشرفت بیماری، آسیب سیناپسی و نورونی افزایش می‌یابد و در نهایت آتروفی ساختاری مغز ظاهر می‌شود.

این نکته برای تفسیر MRI بسیار مهم است: MRI عمدتاً پیامدهای ساختاری آسیب نورونی را نشان می‌دهد، نه الزاماً نخستین رویدادهای مولکولی بیماری.

در گزارش ۲۰۲۵ انجمن آلزایمر، بر اساس مطالعات افراد دارای جهش‌های ژنتیکی قطعی، افزایش آمیلوئید بتا می‌تواند حدود دو دهه پیش از بروز علائم آغاز شود، درحالی‌که آتروفی مغزی معمولاً دیرتر ظاهر می‌شود (Alzheimer’s Association, 2025).

بنابراین MRI اگرچه برای تشخیص و ارزیابی ساختاری اهمیت دارد، به‌تنهایی معادل یک نشانگر اختصاصی پاتولوژی آلزایمر نیست.

۴. نقش MRI ساختاری در آلزایمر

MRI ساختاری، به‌خصوص توالی T1-weighted، متداول‌ترین نوع MRI مورد استفاده در مطالعات یادگیری عمیق آلزایمر است. دلیل این امر، دسترسی نسبتاً گسترده، وضوح مناسب ماده خاکستری و سفید و امکان استخراج اطلاعات مورفومتریک است.

مهم‌ترین تغییرات مورد مطالعه عبارت‌اند از:

• کاهش حجم هیپوکامپ؛
• آتروفی لوب تمپورال داخلی؛
• کاهش ضخامت قشر مغز؛
• کاهش حجم ماده خاکستری؛
• تغییرات پاراهیپوکامپال؛
• آتروفی مناطق تمپورال و پاریتال؛
• تغییرات منتشرتر در مراحل پیشرفته‌تر بیماری.

هیپوکامپ به دلیل نقش اساسی در شکل‌گیری و تثبیت حافظه از اهمیت ویژه‌ای برخوردار است. بااین‌حال، وابستگی تشخیص به حجم هیپوکامپ به‌تنهایی محدودیت دارد؛ زیرا کاهش حجم این ساختار می‌تواند در سایر بیماری‌ها و حتی در روند طبیعی سالمندی نیز مشاهده شود.

ازاین‌رو، رویکردهای جدید تلاش می‌کنند به جای یک شاخص منفرد، الگوی فضایی آتروفی در کل مغز یا شبکه‌ای از مناطق مرتبط را تحلیل کنند.

۵. چرا یادگیری عمیق برای MRI مناسب است؟

در روش‌های کلاسیک، ابتدا ویژگی‌هایی مانند حجم هیپوکامپ، ضخامت قشر یا شاخص‌های مورفومتریک استخراج و سپس به یک الگوریتم طبقه‌بندی داده می‌شوند.

به‌صورت ساده:

MRI ← پیش‌پردازش ← استخراج ویژگی ← انتخاب ویژگی ← طبقه‌بندی

در یادگیری عمیق، مدل می‌تواند بخش عمده‌ای از این ویژگی‌ها را مستقیماً از داده تصویری استخراج کند:

MRI ← شبکه عمیق ← نمایش ویژگی ← احتمال بیماری

این قابلیت برای آلزایمر اهمیت دارد، زیرا تغییرات بیماری معمولاً محدود به یک نقطه نیستند و ممکن است در قالب الگوهای پیچیده و هم‌زمان چندین منطقه مغز ظاهر شوند.

مرور نظام‌مند سال ۲۰۲۵ درباره هوش مصنوعی و MRI T1-weighted نیز نشان می‌دهد که این نوع تصویربرداری به دلیل کاربرد گسترده در پروتکل‌های MRI و قابلیت تبدیل شدن به داده‌های بزرگ تصویری، یکی از مهم‌ترین منابع برای کاربردهای AI در آلزایمر است (Basanta-Torres et al., 2025).

۶. شبکه‌های عصبی کانولوشنی

۶-۱. CNN دوبعدی

در CNN دوبعدی، تصاویر MRI به برش‌های منفرد تقسیم می‌شوند. هر برش مانند یک تصویر معمولی پردازش می‌شود.

مزیت این روش، نیاز کمتر به حافظه و توان محاسباتی است. نقطه ضعف آن این است که ارتباط فضایی کامل میان برش‌ها ممکن است از دست برود.

۶-۲. 3D-CNN

در 3D-CNN، کل یا بخشی از حجم MRI به‌صورت یک داده سه‌بعدی وارد شبکه می‌شود.

این روش می‌تواند روابط فضایی میان ساختارهای مغزی را حفظ کند و ازاین‌رو برای تصویربرداری نورواناتومیک جذاب است.

بااین‌حال، حجم محاسبات و تعداد پارامترهای مدل افزایش می‌یابد و آموزش آن به داده و منابع سخت‌افزاری بیشتری نیاز دارد.

۶-۳. معماری‌های ترکیبی و جدید

مطالعات اخیر علاوه بر CNN، استفاده از:

• Transfer Learning؛
• Attention Mechanisms؛
• Recurrent Neural Networks؛
• Vision Transformers؛
• مدل‌های چندوجهی؛

را بررسی کرده‌اند.

مرور نظام‌مند مربوط به تصویربرداری سه‌بعدی نشان داده است که CNN و گونه‌های سه‌بعدی آن همچنان از رایج‌ترین روش‌ها هستند، درحالی‌که انتقال یادگیری و ادغام داده‌های چندوجهی به‌عنوان مسیرهای توسعه مهم مطرح شده‌اند (Zia-ur-Rehman et al., 2024).

۷. پردازش تصویر و طراحی مدل

یک سامانه استاندارد MRI-based Deep Learning معمولاً شامل مراحل زیر است:

مرحله اول: استانداردسازی

تصاویر باید از نظر اندازه و جهت فضایی استاندارد شوند.

مرحله دوم: حذف جمجمه

Skull stripping برای حذف بافت‌های خارج مغز انجام می‌شود.

مرحله سوم: نرمال‌سازی

تفاوت شدت سیگنال بین تصاویر باید تا حد امکان کنترل شود.

مرحله چهارم: ثبت تصویر

تصویر ممکن است به یک فضای استاندارد مانند MNI space منتقل شود.

مرحله پنجم: تقسیم داده

تقسیم باید در سطح بیمار انجام شود.

مرحله ششم: آموزش

مدل روی Training set آموزش داده می‌شود.

مرحله هفتم: تنظیم ابرپارامترها

Validation set برای انتخاب معماری، نرخ یادگیری و سایر پارامترها استفاده می‌شود.

مرحله هشتم: آزمون مستقل

Test set باید تا پایان فرایند مدل‌سازی دست‌نخورده باقی بماند.

این تفکیک اهمیت زیادی دارد؛ زیرا اگر برش‌های MRI یک بیمار در آموزش و آزمون حضور داشته باشند، مدل ممکن است ویژگی‌های فردی بیمار را به‌جای ویژگی‌های بیماری یاد بگیرد.

۸. شواهد مربوط به دقت تشخیصی

شواهد موجود نشان می‌دهد که یادگیری عمیق می‌تواند در تشخیص آلزایمر از MRI عملکرد امیدوارکننده‌ای داشته باشد؛ اما میزان عملکرد به‌شدت به تعریف مسئله، جمعیت مورد مطالعه، نوع MRI و روش اعتبارسنجی وابسته است.

متاآنالیز سال ۲۰۲۵ درباره CNNهای مبتنی بر MRI ساختاری، مطالعات مربوط به تفکیک AD، MCI و شناخت طبیعی را با رویکرد PRISMA-DTA بررسی کرده است (Dong et al., 2025).

همچنین یک متاآنالیز مقایسه‌ای جدیدتر گزارش کرده است که در مطالعات AI، AUC تجمیعی برای sMRI در زیرگروه یادگیری عمیق حدود 0.96 بوده است؛ بااین‌حال، نویسندگان وجود ناهمگونی ناشی از کیفیت مطالعه، نوع الگوریتم و روش اعتبارسنجی را گزارش کرده‌اند (Wang et al., 2025).

این اعداد باید با احتیاط تفسیر شوند. AUC بالا در مطالعات پژوهشی الزاماً به معنای عملکرد مشابه در یک کلینیک واقعی نیست.

۹. چالش اصلی: تشخیص MCI و پیش‌بینی تبدیل به آلزایمر

تشخیص دمانس آلزایمر معمولاً از شناسایی مراحل بسیار اولیه بیماری آسان‌تر است.

در بیماری پیشرفته‌تر، آتروفی مغزی ممکن است واضح باشد و مدل بتواند الگوهای ساختاری مشخص‌تری را شناسایی کند.

اما در MCI:

• آتروفی ممکن است خفیف باشد؛
• ناهمگونی بالینی زیاد است؛
• همه بیماران به AD تبدیل نمی‌شوند؛
• علل غیرآلزایمری MCI نیز متعدد هستند.

بنابراین مسئله مهم‌تر این است که آیا MRI و Deep Learning می‌توانند مشخص کنند کدام بیمار مبتلا به MCI در آینده به AD تبدیل خواهد شد.

برای پاسخ به این سؤال، مدل‌های طولی اهمیت ویژه‌ای دارند. در چنین مدل‌هایی به جای یک MRI منفرد، روند تغییرات ساختاری در طول زمان تحلیل می‌شود.

این رویکرد می‌تواند از نظر بالینی ارزشمندتر از طبقه‌بندی ساده «سالم در برابر آلزایمر» باشد.

۱۰. MRI در برابر نشانگرهای زیستی اختصاصی آلزایمر

یکی از نکات اساسی در تفسیر نتایج این حوزه آن است که MRI ساختاری نشانگر نسبتاً غیر اختصاصی آسیب عصبی است.

در مقابل، آمیلوئید و tau اطلاعات مستقیم‌تری درباره پاتوفیزیولوژی اختصاصی AD فراهم می‌کنند.

در چارچوب معیارهای تشخیصی جدید، نشانگرها را می‌توان به‌طور مفهومی در محورهای زیر دسته‌بندی کرد:

• A: آمیلوئید؛
• T: پاتولوژی tau؛
• N: نورودژنراسیون یا آسیب نورونی.

MRI آناتومیک در گروه N قرار می‌گیرد و به‌تنهایی نشان‌دهنده وجود قطعی پاتولوژی آلزایمر نیست (Atri et al., 2025).

این تمایز در طراحی مدل‌های Deep Learning نیز اهمیت دارد. هدف مدل باید به‌طور دقیق تعریف شود:

تشخیص آتروفی مرتبط با AD؟

یا:

پیش‌بینی پاتولوژی بیولوژیک AD؟

این دو مسئله از نظر علمی یکسان نیستند.

۱۱. مدل‌های چندوجهی

احتمالاً یکی از مهم‌ترین مسیرهای آینده، ترکیب MRI با داده‌های دیگر است.

یک مدل چندوجهی می‌تواند شامل موارد زیر باشد:

MRI + آزمون شناختی + سن + ژنتیک + آزمایش خون + CSF/PET

چنین مدلی می‌تواند اطلاعات مکمل را ترکیب کند.

برای مثال، MRI اطلاعات مورفولوژیک ارائه می‌دهد، درحالی‌که p-tau یا Aβ اطلاعات نزدیک‌تری به پاتولوژی مولکولی بیماری دارند.

اهمیت این رویکرد با پیشرفت سریع نشانگرهای خونی بیشتر شده است. دستورالعمل بالینی انجمن آلزایمر در سال ۲۰۲۵ نشان می‌دهد که برخی آزمون‌های نشانگر زیستی خونی در مراکز تخصصی می‌توانند نقش غربالگری یا حتی در شرایط مشخص جایگزینی برای PET آمیلوئید یا CSF داشته باشند؛ البته تنها در صورت برآورده کردن آستانه‌های مشخص عملکرد تشخیصی و در چارچوب ارزیابی جامع بالینی (Palmqvist et al., 2025).

بنابراین، در آینده ممکن است MRI و Deep Learning بخشی از یک سامانه تصمیم‌گیری چندوجهی باشند، نه یک آزمون مستقل.

۱۲. تفسیرپذیری و Explainable AI

یکی از موانع اصلی پذیرش هوش مصنوعی در پزشکی، عدم شفافیت تصمیم مدل است.

اگر یک شبکه عصبی احتمال ابتلا به AD را ۸۵٪ اعلام کند، متخصص باید بداند این پیش‌بینی بر اساس چه ویژگی‌هایی انجام شده است.

روش‌هایی مانند:

• Grad-CAM؛
• Saliency Maps؛
• Occlusion Analysis؛
• Attention Maps؛

می‌توانند برای بررسی مناطق مؤثر در تصمیم مدل استفاده شوند.

اگر مدل بر هیپوکامپ و نواحی تمپورال داخلی تمرکز کند، تصمیم آن از نظر نورواناتومیک قابل‌قبول‌تر خواهد بود.

در مقابل، اگر مدل از ویژگی‌های نامرتبط مانند نوع اسکنر، نویز تصویر یا ویژگی‌های مرکز تصویربرداری استفاده کند، با پدیده‌ای به نام Shortcut Learning مواجه هستیم.

بنابراین Explainable AI باید بخشی از فرایند اعتبارسنجی باشد، نه صرفاً یک ابزار گرافیکی برای ارائه نتایج.

۱۳. محدودیت‌های مطالعات موجود

۱۳-۱. حجم نمونه

تصاویر MRI ابعاد بسیار زیادی دارند و مدل‌های عمیق دارای پارامترهای فراوان هستند. بنابراین نمونه‌های کوچک می‌توانند به بیش‌برازش منجر شوند.

۱۳-۲. ناهمگونی تصویربرداری

تفاوت در:

• قدرت میدان مغناطیسی؛
• مدل دستگاه؛
• پروتکل تصویربرداری؛
• ضخامت برش؛
• رزولوشن؛
• نرم‌افزار بازسازی؛

می‌تواند توزیع داده را تغییر دهد.

۱۳-۳. Domain Shift

مدلی که در یک مرکز آموزش داده شده است ممکن است هنگام استفاده در مرکز دیگری افت عملکرد داشته باشد.

این موضوع یکی از مهم‌ترین موانع انتقال AI از پژوهش به بالین است.

۱۳-۴. نشت داده

اگر اطلاعات یک بیمار هم در مجموعه آموزش و هم آزمون حضور داشته باشد، عملکرد مدل به‌طور مصنوعی افزایش می‌یابد.

۱۳-۵. عدم تعادل جمعیتی

مجموعه‌داده‌های تحقیقاتی ممکن است از نظر سن، جنسیت، قومیت، سطح تحصیلات و عوامل خطر عروقی با جمعیت واقعی کلینیک متفاوت باشند.

۱۳-۶. تعریف متفاوت گروه‌ها

تعریف MCI و AD در همه مطالعات یکسان نیست. همچنین برخی مطالعات از تشخیص بالینی و برخی دیگر از نشانگرهای زیستی استفاده می‌کنند.

این ناهمگونی باعث می‌شود مقایسه مستقیم مدل‌ها دشوار باشد.

۱۴. الزامات اعتبارسنجی پیش از استفاده بالینی

یک مدل مناسب برای پژوهش الزاماً یک ابزار پزشکی مناسب نیست.

برای انتقال یک سامانه MRI-DL به بالین، حداقل مراحل زیر ضروری است:

۱۴-۱. اعتبارسنجی داخلی

بررسی عملکرد در همان جمعیت مورد مطالعه.

۱۴-۲. اعتبارسنجی خارجی

آزمون مدل روی داده‌ای از مرکز یا جمعیت مستقل.

۱۴-۳. اعتبارسنجی چندمرکزی

ارزیابی عملکرد در چند بیمارستان و با دستگاه‌های مختلف.

۱۴-۴. اعتبارسنجی آینده‌نگر

بررسی عملکرد مدل هنگام استفاده واقعی و نه صرفاً روی داده‌های گذشته.

۱۴-۵. ارزیابی اثر بالینی

باید مشخص شود که آیا استفاده از مدل واقعاً موجب:

• تشخیص سریع‌تر؛
• تصمیم‌گیری بهتر؛
• کاهش خطا؛
• کاهش آزمایش‌های غیرضروری؛
• یا بهبود پیامد بیمار

می‌شود یا خیر.

۱۵. ملاحظات اخلاقی

تشخیص زودهنگام آلزایمر پیامدهای اخلاقی مهمی دارد.

اعلام «احتمال بالای بیماری» به بیماری که هنوز علائم واضحی ندارد می‌تواند موجب اضطراب، انگ اجتماعی و تصمیم‌گیری‌های زودهنگام شود.

از سوی دیگر، نتیجه منفی کاذب ممکن است بیمار و پزشک را نسبت به وجود بیماری مطمئن کند و موجب تأخیر در ارزیابی شود.

به همین دلیل، خروجی مناسب سیستم AI بهتر است فقط یک برچسب دودویی نباشد، بلکه شامل:

• احتمال بیماری؛
• سطح اطمینان؛
• عدم‌قطعیت؛
• مناطق مؤثر در تصمیم؛
• و پیشنهاد برای ارزیابی تکمیلی

باشد.

همچنین تصمیم نهایی باید در اختیار پزشک باقی بماند. دستورالعمل‌های جدید درباره نشانگرهای زیستی نیز تأکید دارند که آزمون‌های تشخیصی نباید جایگزین ارزیابی جامع متخصص شوند (Palmqvist et al., 2025).

۱۶. بحث

شواهد فعلی از این فرضیه حمایت می‌کنند که MRI ساختاری همراه با یادگیری عمیق می‌تواند اطلاعاتی فراتر از ارزیابی چشمی ساده تصویر ارائه دهد. شبکه‌های عصبی می‌توانند روابط فضایی پیچیده میان مناطق مختلف مغز را استخراج کنند؛ روابطی که ممکن است در اندازه‌گیری‌های تک‌نشانگری مانند حجم هیپوکامپ از دست بروند.

بااین‌حال، یک نکته مهم وجود دارد: عملکرد تشخیصی پژوهشی با کاربرد بالینی یکسان نیست.

نتایج متاآنالیزهای جدید، AUCهای بالا را برای مدل‌های Deep Learning گزارش می‌کنند، اما همان مطالعات ناهمگونی قابل توجهی میان الگوریتم‌ها، کیفیت داده‌ها و روش‌های اعتبارسنجی نشان می‌دهند.

در نتیجه، تمرکز پژوهش آینده نباید صرفاً بر افزایش AUC باشد. پرسش‌های مهم‌تر عبارت‌اند از:

1. آیا مدل روی بیمار جدید و مرکز جدید نیز عملکرد خود را حفظ می‌کند؟
2. آیا مدل از ویژگی‌های واقعی بیماری استفاده می‌کند؟
3. آیا پیش‌بینی آن با نشانگرهای زیستی AD همخوان است؟
4. آیا مدل می‌تواند تبدیل MCI به AD را با دقت بالینی قابل قبول پیش‌بینی کند؟
5. آیا استفاده از آن تصمیم پزشک را بهتر می‌کند؟
6. آیا مدل در جمعیت‌های مختلف از نظر عملکرد و عدالت تشخیصی پایدار است؟

از این منظر، آینده حوزه احتمالاً به سمت مدل‌های چندوجهی و طولی خواهد رفت. ترکیب MRI با نشانگرهای خونی، داده‌های شناختی و سایر نشانگرهای زیستی می‌تواند به مدل اجازه دهد هم «ساختار مغز» و هم «فرایند زیستی بیماری» را در نظر بگیرد.

در عین حال، پیشرفت سریع نشانگرهای زیستی خونی ممکن است نقش MRI را نیز تغییر دهد. MRI احتمالاً همچنان برای ارزیابی آتروفی، تشخیص افتراقی، بیماری‌های عروقی و سایر علل اختلال شناختی اهمیت خواهد داشت، اما ممکن است در برخی سناریوها به‌عنوان یکی از اجزای یک الگوریتم تشخیصی چندمرحله‌ای استفاده شود.

۱۷. نتیجه‌گیری

تشخیص زودهنگام بیماری آلزایمر یکی از حوزه‌های مهم و رو به رشد در تقاطع نورولوژی، نورورادیولوژی و هوش مصنوعی است. MRI ساختاری، به‌ویژه تصاویر T1-weighted، امکان شناسایی الگوهای آتروفی و تغییرات مورفولوژیک مغز را فراهم می‌کند و ازاین‌رو منبع ارزشمندی برای توسعه مدل‌های یادگیری عمیق محسوب می‌شود.

CNNهای دوبعدی و سه‌بعدی قادرند ویژگی‌های پیچیده و چندناحیه‌ای را مستقیماً از تصاویر استخراج کنند. شواهد موجود نشان‌دهنده ظرفیت بالای این روش‌ها برای تفکیک افراد سالم از بیماران مبتلا به AD و در برخی مطالعات برای طبقه‌بندی MCI است. بااین‌حال، تشخیص مراحل بسیار اولیه و پیش‌بینی تبدیل MCI به آلزایمر همچنان چالش‌برانگیز است.

مهم‌ترین محدودیت‌های فعلی شامل حجم محدود برخی مجموعه‌داده‌ها، ناهمگونی تصویربرداری، بیش‌برازش، نشت داده، تفاوت جمعیت‌ها، فقدان اعتبارسنجی خارجی و محدودیت تفسیرپذیری است.

از دیدگاه بالینی، MRI و Deep Learning نباید به‌عنوان جایگزین ارزیابی نورولوژیک یا نشانگرهای زیستی اختصاصی آلزایمر تلقی شوند. معیارهای جدید تشخیصی نیز میان نشانگرهای اختصاصی پاتولوژی مانند آمیلوئید و tau و نشانگرهای آسیب عصبی مانند MRI تمایز قائل می‌شوند.

در نهایت، محتمل‌ترین مسیر آینده، توسعه سامانه‌های چندوجهی، طولی، قابل‌تفسیر و اعتبارسنجی‌شده در چند مرکز است. چنین سامانه‌هایی می‌توانند MRI را با داده‌های شناختی، نشانگرهای خونی، ژنتیک و سایر اطلاعات بالینی ترکیب کنند و از یک ابزار صرفاً پژوهشی به یک سیستم تصمیم‌یار بالینی تبدیل شوند.

بنابراین، ارزش واقعی Deep Learning در آلزایمر نه صرفاً در دستیابی به یک عدد بالای Accuracy یا AUC، بلکه در توانایی آن برای ارائه اطلاعات قابل اعتماد، تعمیم‌پذیر و بالینی‌معنادار در مرحله‌ای است که مداخله هنوز بیشترین احتمال اثرگذاری را دارد.

منابع

1. Alzheimer’s Association. 2025 Alzheimer’s Disease Facts and Figures. Alzheimers Dement. 2025;21(5).
2. Alzheimer’s Association. Alzheimer’s Disease Facts and Figures. 2026.
3. Atri A, et al. Alzheimer’s Association clinical practice guideline for the diagnostic evaluation, testing, counseling, and disclosure of suspected Alzheimer’s disease and related disorders (DETeCD-ADRD): executive summary. Alzheimers Dement. 2025.
4. Palmqvist S, Whitson HE, Allen LA, et al. Alzheimer’s Association Clinical Practice Guideline on the use of blood-based biomarkers in the diagnostic workup of suspected Alzheimer’s disease within specialized care settings. Alzheimers Dement. 2025;21:e70535. doi:10.1002/alz.70535.
5. Dong X, et al. Convolutional neural network models of structural MRI for discriminating categories of cognitive impairment: a systematic review and meta-analysis. BMC Neurol. 2025.
6. Zia-ur-Rehman, et al. Deep learning techniques for Alzheimer’s disease detection in 3D imaging: a systematic review. Health Sci Rep. 2024.
7. Basanta-Torres S, et al. Artificial Intelligence for Alzheimer’s disease diagnosis through T1-weighted MRI: a systematic review. Comput Biol Med. 2025;197(Pt A):111028. doi:10.1016/j.compbiomed.2025.111028.
8. Wang B, Zhao T, Ma R, et al. Comparative diagnostic accuracy of AI-assisted fluorine-18 fluorodeoxyglucose positron emission tomography versus structural magnetic resonance imaging in Alzheimer disease: systematic review and meta-analysis. JMIR Aging. 2025.
9. Alzheimer’s Association. New Alzheimer’s Association Report: Americans Want Early Diagnosis, Treatment and Are Open to Risk-Taking to Slow Disease Progression. April 29, 2025.
10. Alzheimer’s Association. Alzheimer’s Disease Facts and Figures: 2025 report and special report on early detection and diagnosis. 2025.