يُعتبر مرض الزهايمر (Alzheimer's Disease) واحدًا من أبرز التحديات الصحية التي تواجه العالم اليوم، حيث يُعد من الأسباب الرئيسية للخرف. في موازاة ذلك، تطورت طرق التحليل المعتمدة على التصوير بالرنين المغناطيسي (MRI) بشكل ملحوظ، ولكن غالبية الأساليب الحديثة تعتمد على الشبكات العصبية التلافيفية ثلاثية الأبعاد (3D CNNs)، مما يجعل انتشارها محدودًا في البيئات ذات الموارد القليلة.
الابتكار الجديد
تأتي الدراسات الأخيرة لتقدم لنا نموذجين رئيسيين. الأول هو **محور التحويل** الذي يقوم بتحويل صور MRI من نوع T1 إلى سحب نقاط ثنائية الأبعاد مستندة إلى الأولويات التشريحية (Anatomical Priority Sampling - APS)، مما نتج عنه مجموعة بيانات جديدة تُعرف باسم **ADNI-2DPC**، وهي أول مجموعة بيانات لسحب النقاط المستندة إلى MRI وتصنيفها تشريحيًا.
أما الابتكار الثاني فهو **نموذج NeuroAPS-Net**، الذي يمثل نموذجًا خفيف الوزن في التعلم العميق الهندسي. يتميز ببنيته الفريدة التي تُدمج المعلومات التشريحية عبر ترميز يتمحور حول المناطق (region-aware feature encoding) وتجميع رموز اهتمام المناطق (ROI token aggregation).
تظهر التجارب التي أُجريت على ADNI-2DPC أن NeuroAPS-Net يحقق دقة تصنيف تنافسية، بينما يُقلل أيضًا من وقت المعالجة وذاكرة GPU مقارنةً بأساليب سحب النقاط المتقدمة.
الخاتمة
تعتبر هذه النتائج دليلًا على الإمكانية الكبيرة التي يحملها التعلم المعتمد على سحب النقاط المستندة إلى المعلومات التشريحية كبديل فعال وسهل الفهم مقارنةً بالشبكات العصبية التلافيفية الكاملة (voxel-based CNNs) في تصنيف مرض الزهايمر.
هل تعتقد أن هذا النوع من الابتكارات سيغير طرق علاج وتشخيص مرض الزهايمر في المستقبل؟