Для многих семей болезнь Альцгеймера начинается не с диагноза. Она начинается с небольших, труднообъяснимых изменений. Пропущенный визит к врачу. Забытое имя. Момент замешательства. К тому времени, когда эти признаки становятся заметными, болезнь часто развивается в мозге уже много лет.
Именно поэтому ранняя диагностика имеет важное значение, и именно поэтому исследователи обращаются к машинному обучению и нейровизуализации, чтобы выявить самые ранние признаки до того, как начнётся потеря памяти.
Для исследования мозга уже используются такие инструменты, как МРТ и ПЭТ-сканирование, но теперь передовые алгоритмы могут анализировать эти снимки гораздо детальнее, чем человеческий глаз. Эти модели способны улавливать тонкие изменения в структуре мозга или метаболизме, которые могут сигнализировать о болезни Альцгеймера задолго до появления симптомов.
Сейчас задача состоит в том, чтобы сделать эти технологии не просто мощными, но и практичными. Это означает, что они должны быть достаточно надежными для поддержки реального лечения и достаточно прозрачными, чтобы пациенты, их семьи и врачи могли им доверять.
Почему для ранней диагностики необходим более качественный анализ изображений
Болезнь Альцгеймера начинается не с потери памяти. Вместо этого она развивается незаметно, с микроскопических изменений в мозге, которые происходят в течение многих лет. Задолго до того, как человек начнет испытывать трудности с запоминанием имен или распорядком дня, могут происходить ранние изменения в химическом составе, структуре или связности мозга, которые остаются незамеченными.
Но этот период, время до появления симптомов, имеет решающее значение. Если заболевание можно выявить раньше, у пациентов и их семей будет больше времени, чтобы спланировать лечение, изучить варианты терапии, принять участие в клинических испытаниях или предпринять шаги для защиты здоровья мозга. 1,2
Традиционные методы сканирования головного мозга могут помочь, но у них есть ограничения. Большинство стандартных методов визуализации фокусируются на очевидных изменениях, таких как уменьшение объема мозга, которое часто проявляется на более поздних стадиях заболевания. Необходим способ увидеть, что происходит под поверхностью.
Именно здесь машинное обучение играет ключевую роль. Эти модели могут анализировать изображения мозга гораздо детальнее, выявляя сложные закономерности во многих характеристиках одновременно. Изучая, как меняются снимки мозга с течением времени, от здорового старения до легких когнитивных нарушений и болезни Альцгеймера, эти инструменты предлагают новый способ выявления риска и отслеживания прогрессирования заболевания на более ранних стадиях, чем когда-либо прежде. [1, 2, 3].
Основные методы визуализации для машинного обучения
При поиске признаков болезни Альцгеймера врачи часто начинают со структурной МРТ. Эти снимки головного мозга дают четкие изображения анатомии мозга и могут выявить незначительное уменьшение размеров таких областей, как гиппокамп (области, играющие ключевую роль в памяти).
Применение машинного обучения к данным МРТ позволяет выявлять паттерны атрофии головного мозга, слишком незначительные для восприятия человеческим глазом. Фактически, модели, обученные на МРТ-снимках высокого разрешения, часто с впечатляющей точностью различают здоровое старение, легкие когнитивные нарушения и болезнь Альцгеймера. [2, 3]
ПЭТ-сканирование — еще один важный элемент головоломки. В то время как МРТ изучает структуру мозга, ПЭТ-сканирование показывает, как мозг функционирует на химическом уровне. Например, ПЭТ-сканирование с использованием ФДГ может выявить области, где метаболизм мозга замедлился (часто это ранний признак болезни Альцгеймера). ПЭТ-сканирование с использованием амилоида может обнаружить аномальное накопление белка. Применение моделей глубокого обучения к данным ПЭТ позволило предсказать прогрессирование от легких когнитивных нарушений до болезни Альцгеймера с очень высокой чувствительностью — почти 100% в некоторых исследованиях. [1, 4]
Другие виды визуализации, такие как функциональная магнитно-резонансная томография (фМРТ) и диффузионная томография, позволяют понять, как различные части мозга взаимодействуют и как сохраняются пути белого вещества с течением времени. Эти сканирования могут добавить ценные детали, особенно в сочетании с машинным обучением. Однако они пока не являются частью рутинной клинической практики из-за таких проблем, как длительное время сканирования и вариативность методов сбора данных. [5, 6]
Архитектуры глубокого обучения в нейровизуализации
В основе ранней диагностики болезни Альцгеймера лежит класс мощных инструментов, называемых моделями глубокого обучения. В частности, это сверточные нейронные сети (CNN). Эти модели предназначены для распознавания сложных пространственных паттернов на снимках головного мозга, помогая выявлять ранние признаки заболевания, которые слишком незаметны для человеческого глаза.
Сверточные нейронные сети (CNN) стали основой многих исследований болезни Альцгеймера с использованием методов визуализации, неизменно превосходя более старые подходы машинного обучения на данных МРТ, ПЭТ и функциональной МРТ. [5]
Одно из преимуществ этих моделей заключается в том, как они обрабатывают информацию и они способны анализировать трехмерные изображения мозга в целом или фокусироваться на тщательно отобранных двухмерных срезах с использованием встроенных механизмов внимания. Это позволяет им точно определить области мозга, где наиболее вероятно возникновение ранних изменений.
Более новые версии, созданные на основе моделей трансформеров, используют механизм самовнимания для выделения наиболее важных областей на каждом снимке. При одновременном применении к изображениям МРТ и ПЭТ некоторые из этих моделей достигли точности около 96 % в выявлении ранней стадии болезни Альцгеймера, согласно данным крупных исследовательских проектов, таких как ADNI и OASIS. [2, 7]
Некоторые системы идут еще дальше, сочетая глубокое обучение с традиционными методами. Эти гибридные модели могут извлекать специфические признаки, такие как текстура мозга или сложность коры головного мозга, и передавать эту информацию в глубокую нейронную сеть для улучшения прогнозов. Такой многоуровневый подход может помочь не только в выявлении болезни Альцгеймера, но и в оценке вероятности перехода человека от ранних симптомов к более поздним стадиям. [2, 3]
Для пациентов это означает, что технологии, лежащие в основе процесса диагностики, становятся умнее и точнее, приближая нас к надежной ранней диагностике, которая может реально повлиять на решения, касающиеся лечения.
Радиомика и высокоразмерный анализ признаков
Радиомика — это относительно новая область исследований, которая помогает моделям машинного обучения извлекать еще больше пользы из снимков головного мозга. Вместо того чтобы просто рассматривать общую структуру, радиомика разбивает изображения МРТ или ПЭТ на сотни мельчайших деталей, таких как текстура, форма, интенсивность и взаимосвязь различных частей мозга. Эти скрытые особенности, невидимые невооруженным глазом, могут дать важные подсказки о том, как развивается болезнь Альцгеймера. [3]
Что еще более важно для пациентов, радиомика может помочь предсказать не только то, произойдет ли это.
Человек находится в группе риска, но насколько быстро могут прогрессировать его симптомы?
Например, один снимок мозга может быть преобразован в набор данных, содержащий сотни признаков из таких областей, как гиппокамп или кора головного мозга. Модели машинного обучения, обученные на этих данных, показали, что они могут с высокой точностью различать здоровое старение, легкие когнитивные нарушения и болезнь Альцгеймера.
Анализируя специфические особенности МРТ-снимков, исследователи могут определить, у каких людей с легкими когнитивными нарушениями высока вероятность быстрого развития болезни Альцгеймера, а у каких состояние может оставаться стабильным дольше. Некоторые исследования даже были сосредоточены на людях, испытывающих только субъективные проблемы с памятью, что позволяет выявлять лиц из группы высокого риска до появления клинических симптомов. [3]
Короче говоря, радиомика позволяет машинному обучению получить более детальную картину работы мозга, предлагая тонкую информацию, которая в будущем может помочь адаптировать лечение к уникальному профилю заболевания каждого человека.
Мультимодальное слияние и траектории развития заболеваний
Болезнь Альцгеймера не развивается по единому сценарию. Она формируется под влиянием множества факторов, от изменений в структуре мозга и нарушений обмена веществ до генетического риска человека. Эта сложность является одной из причин, почему ранняя диагностика представляет собой такую сложную задачу. Но именно поэтому исследователи разрабатывают мультимодальные модели машинного обучения, которые объединяют эти различные элементы в более полную картину.
Например, сочетание МРТ-сканирования с генетическими данными показало многообещающие результаты.
Генетические данные иногда позволяют выявить риск развития болезни Альцгеймера у людей, которые кажутся когнитивно здоровыми, в то время как МРТ может лучше отслеживать изменения у тех, кто уже проявляет легкие симптомы. При совместном использовании этих двух типов данных модели становятся более точными в прогнозировании того, у кого может развиться болезнь Альцгеймера и как может прогрессировать заболевание. [6, 8]
Для пациентов и их семей это означает, что исследователи приближаются к созданию инструментов, которые смогут выявлять болезнь Альцгеймера на ранних стадиях, более точно и таким образом, чтобы отражаnm всю сложность заболевания.
ПЭТ-сканирование добавляет еще один ценный уровень, позволяя регистрировать молекулярную активность мозга. Современные модели глубокого обучения, интегрирующие данные МРТ и ПЭТ, улучшили раннюю диагностику, связывая структурные изменения с лежащими в их основе химическими процессами у одного и того же пациента. В многочисленных исследованиях подобное мультимодальное объединение данных превзошло модели, основанные только на одном типе сканирования, особенно когда речь идет о выявлении самых ранних стадий заболевания. [6, 7, 9]
Новые биомаркеры: сложность коры головного мозга и не только.
Одно из наиболее перспективных направлений исследований в области диагностики болезни Альцгеймера — поиск новых, менее очевидных биомаркеров (ранних признаков заболевания, выходящих за рамки традиционных тестов на уменьшение объема мозга или проверку памяти). С помощью машинного обучения ученые сейчас изучают эти вопросы.
Необычные особенности на снимках головного мозга, которые могут обеспечить более раннюю и точную диагностику.
Одним из примеров является кортикальная сложность, которая, по сути, представляет собой меру того, насколько складчатой и детализированной является поверхность мозга.
Используя метод, называемый анализом фрактальной размерности, исследователи могут оценить, как эта сложность изменяется при заболевании. Недавнее исследование показало, что модели машинного обучения, обученные на этих характеристиках, могут надежно выявлять болезнь Альцгеймера, особенно в сочетании с когнитивным тестированием.
Этот подход может предложить новый способ выявления признаков ухудшения состояния до появления более очевидных структурных повреждений.
Еще одним перспективным направлением является лонгитюдная визуализация, которая предполагает отслеживание изменений в мозге с течением времени, а не изучение одного конкретного снимка.
В одном исследовании с помощью машинного обучения анализировались изменения объема гиппокампа и желудочков головного мозга на нескольких снимках. Это позволило исследователям определить не только наличие болезни Альцгеймера, но и скорость ее прогрессирования, что помогло отличить нормальное старение, легкие когнитивные нарушения от болезни Альцгеймера. [1]
Подобные передовые биомаркеры дают надежду на получение еще более ранних и персонализированных данных, а также потенциально выявлять заболевание на самых ранних стадиях, когда меры вмешательства могут иметь наибольшее значение.
От точности к интерпретируемости и доверии к результатам
Высокая точность важна, но для того, чтобы инструменты машинного обучения действительно помогали в лечении болезни Альцгеймера, они также должны быть понятными и заслуживающими доверия. Именно поэтому исследователи сейчас уделяют столько же внимания тому, как эти модели принимают решения, сколько и тому, насколько хорошо они работают.
Для системы искусственного интеллекта недостаточно просто сказать: «Этот снимок указывает на болезнь Альцгеймера». Врачи и пациенты должны знать, почему.
Новые методы, такие как картирование активации классов, помогают выделить конкретные области мозга, на которых модель фокусируется при прогнозировании. Во многих случаях эти области совпадают с тем, что нам уже известно о болезни Альцгеймера, например, с изменениями в гиппокампе, что повышает уверенность в рассуждениях модели.
В то же время исследователи проявляют осторожность.
Многие исследования основаны на данных, полученных от небольших или тщательно отобранных групп, а это значит, что модель может хорошо работать в одной среде, но не поддаваться обобщению на более разнообразные или реальные популяции. [2, 3, 6]
Именно поэтому внешняя валидация (тестирование моделей на новых данных) и прозрачность в отношении процесса их обучения крайне важны, прежде чем их можно будет безопасно использовать в клинике.
Этот переход к объяснимому искусственному интеллекту означает создание систем, которым врачи могут доверять, а семьи — понимать, чтобы эти инструменты действительно могли поддерживать принятие решений о лечении, а не усложнять их.
Интеграция в клинические протоколы
Для того чтобы машинное обучение действительно изменило подход к лечению болезни Альцгеймера, оно должно вписываться в повседневную реальность диагностики и лечения пациентов. Именно поэтому исследователи сейчас сосредоточены на том, как внедрить эти инструменты в реальную клиническую практику.
Разрабатываются новые системы, которые бесперебойно взаимодействуют с электронными медицинскими картами и программным обеспечением для обработки изображений, позволяя врачам получать доступ к информации, полученной с помощью искусственного интеллекта, непосредственно из уже назначенных ими снимков. Некоторые платформы генерируют легко читаемые шкалы оценки риска, которые помогают неврологам, радиологам и даже врачам общей практики оценить, находится ли пациент на ранней стадии заболевания.
Стадии болезни Альцгеймера. 3-5
В лабораториях ПЭТ и ядерной медицины искусственный интеллект уже помогает выявлять признаки болезни Альцгеймера на снимках головного мозга, измерять аномалии в определенных областях и сравнивать результаты с результатами здоровых людей того же возраста. Эти инструменты разработаны для поддержки и не заменяют врачей, предоставляя второй уровень информации, который может повысить точность диагнозов и способствовать обсуждениям с пациентами. [3, 4]
Вызовы, равенство и будущие направления
Несмотря на значительный прогресс в области машинного обучения для выявления болезни Альцгеймера, в реальном мире сохраняются проблемы, особенно в обеспечении справедливости, точности и доступности этих инструментов для всех.
Одна из главных проблем заключается в том, что результаты сканирования мозга могут сильно различаться в зависимости от больницы, типа сканера или контингента пациентов. Модели, обученные на узких или однородных наборах данных, могут работать не так хорошо при применении к более разнообразным группам. Такое отсутствие репрезентативности подвергает некоторые сообщества (особенно малообеспеченные или исторически маргинализированные группы) риску получения менее точных или предвзятых прогнозов, что может усугубить существующие различия в диагностике и лечении деменции. [5, 6]
Для решения этой проблемы исследователи разрабатывают более совершенные алгоритмы, способные адаптироваться к различным условиям визуализации и особенностям пациентов. Они также создают более крупные и репрезентативные наборы данных, которые лучше отражают весь спектр людей, страдающих болезнью Альцгеймера. [3, 5]
В то же время, наблюдается растущая тенденция к повышению объяснимости, регулированию и сотрудничеству.
Ученые, медицинские работники и разработчики технологий работают вместе, чтобы гарантировать, что модели искусственного интеллекта не только высокоэффективны, но и прозрачны, этичны и клинически безопасны. Цель состоит в том, чтобы, когда эти инструменты попадут в клинику, они работали для всех и действительно способствовали раннему и равноправному доступу к медицинской помощи.
Для пациентов и их семей это означает будущее, в котором ранняя диагностика станет надежной и всеобъемлющей частью подхода к диагностике и лечению болезни Альцгеймера.
Список литературы и дополнительные материалы
- Абератне, И., Куласири, Д., и Самарасингхе, С. (2023). Выявление начала болезни Альцгеймера с использованием нейровизуализации МРТ и ПЭТ: анализ продольных данных и машинное обучение. Исследования нейронной регенерации , 18 (10), 2134. DOI:10.4103/1673- 5374.367840. ссылка
- Баттинени, Г., Чинталапуди, Н., и Амента, Ф. (2024). Машинное обучение на основе магнитно-резонансной томографии для классификации прогрессирования болезни Альцгеймера: систематический обзор и метаанализ. JMIR Aging, 7, . ссылка
- Бевилаква, Р. и др. (2023). Радиомика и искусственный интеллект для диагностики и мониторинга болезни Альцгеймера: систематический обзор исследований в этой области. Журнал клинической медицины, 12 ссылка
- Маронгиу, А. и др. (2025). Искусственный интеллект в ПЭТ-визуализации болезни Альцгеймера: обзорная статья. Brain Sciences, 15, ссылка
- Аванг, М.К. и др. (2025). Последние достижения в прогнозировании болезни Альцгеймера на основе нейровизуализации с использованием методов глубокого обучения в электронном здравоохранении: систематический обзор. Health Science Reports, 8, ссылка
- Ли, С., Цю, Ю., Чжоу, Дж., и Се, З. (2021). Применение и проблемы методов машинного обучения в многоисточниковом анализе данных о болезни Альцгеймера. Current Genomics, 22 (8), 564. ссылка
- Сенер, Б. и др. (2025). Улучшение ранней диагностики болезни Альцгеймера с помощью выбора срезов МРТ и методов глубокого обучения. Научные отчеты , 15 (1), 29260. ссылка
- Мирабнахразам, Г. и др. (2022). Шкала оценки деменции на основе мультимодальной нейровизуализации и геномики с использованием машинного обучения для прогнозирования будущего перехода к болезни Альцгеймера. Журнал болезни Альцгеймера ссылка
- Цзян, С. и др. (2024). Модели машинного обучения для диагностики болезни Альцгеймера с использованием сложности коры головного мозга. Frontiers in Aging Neuroscience, 16, ссылка
Автор: Ankit Singh
