ولتعظيم قيمة بيانات التصوير بالرنين المغناطيسي السريري، اقترح فريق جامعة كوليدج لندن نموذج MindGlide لتحقيق تقدير كمي لآفات التصلب المتعدد

التصلب المتعدد (MS) هو مرض مزمن يسبب الإعاقة ويتميز بآفات التهابية مزيلة للميالين في المادة البيضاء للجهاز العصبي المركزي. ويستهدف في الغالب الشباب ومتوسطي العمر، لذلك يطلق عليه أيضًا اسم "القاتل الخفي للشباب". وبحسب الإحصائيات ذات الصلة، يتأثر بهذا المرض أكثر من 2.8 مليون شخص حول العالم. في آسيا، يعاني ما يقرب من 1 إلى 5 أشخاص من كل 100 ألف شخص من مرض التصلب العصبي المتعدد، وأصبح المرض ثاني أكبر سبب للإعاقة بين الشباب ومتوسطي العمر في الصين بعد الصدمات النفسية. في عام 2018، أدرجت الصين المرض ضمن "القائمة الأولى للأمراض النادرة".

تعتبر المؤشرات الحيوية لتصوير الرنين المغناطيسي للدماغ ذات أهمية بالغة في العلاج السريري والبحث في مرض التصلب العصبي المتعدد، على سبيل المثال، من خلال استخدام عمليات مسح متعددة للرنين المغناطيسي التبايني لالتقاط تطور المرض. ومع ذلك، تتطلب التباينات المتعددة أنواعًا مختلفة من معدات المسح المتخصصة، وهو أمر يستغرق وقتًا طويلاً ويتطلب عمالة مكثفة ومكلفًا، والعديد من المستشفيات لا تتوفر فيها هذه الشروط. ومن ثم، فإن كيفية تبسيط تحليل التصوير بالرنين المغناطيسي تصبح هي المفتاح لحل المشكلة، وخاصة من خلال حساب حجم الدماغ باستخدام التباين الفردي، والذي لا يمكن أن يقلل فقط من الحاجة إلى الحصول على التباين المتعدد، بل يقلل أيضًا من تكلفة التجارب السريرية.

وبناءً على ذلك، قام فريق بحثي من كلية لندن الجامعية بتطوير أداة تسمى MindGlide.يمكن استخراج المعلومات الأساسية من فحوصات التصوير بالرنين المغناطيسي التي تم الحصول عليها أثناء رعاية مرضى التصلب المتعدد.على سبيل المثال، التغيرات الدقيقة مثل تلف مناطق الدماغ، ضمور الدماغ واللويحات. تثبت MindGlide أن عمليات مسح التصوير بالرنين المغناطيسي التقليدية تفتقر إلى التباين المثالي للتصوير.لا يزال هناك إمكانية لاكتشاف آفات جديدة وأضرار خفية في أنسجة المخ.ومن المتوقع أيضًا أن يساعد ذلك الطاقم الطبي على تحسين قدرتهم على تفسير وتقييم تأثيرات العلاج لمرضى التصلب المتعدد.

نُشر البحث ذو الصلة في مجلة Nature Communications تحت عنوان "تمكين رؤى جديدة من المسوحات القديمة من خلال إعادة استخدام أرشيفات التصوير بالرنين المغناطيسي السريري لأبحاث التصلب المتعدد".

أبرز الأبحاث:

*يتيح استخراج العديد من المؤشرات الحيوية ذات الصلة السريرية للتصوير بالرنين المغناطيسي من تباين واحد للتصوير بالرنين المغناطيسي، ويتفوق MindGlide على أحدث التقنيات في العديد من المجالات الرئيسية

* يمكن تحقيق تقسيم الأنسجة وتقدير كمية الآفات بشكل مفيد سريريًا حتى مع بيانات التصوير بالرنين المغناطيسي المحدودة والتباينات الفردية التي لا تُستخدم عادةً لهذه المهام

عنوان الورقة:
https://go.hyper.ai/fDEgm

يجمع مشروع المصدر المفتوح "awesome-ai4s" أكثر من 100 تفسير لورقة AI4S ويوفر أيضًا مجموعات بيانات وأدوات ضخمة:

https://github.com/hyperai/awesome-ai4s

مجموعة البيانات: يتم جمع كافة البيانات من مرضى التصلب المتعدد

ومن أجل التحقق من موثوقية وصلاحية النموذج، استخدمت الدراسة مجموعات مختلفة من بيانات التدريب ومجموعات بيانات التحقق الخارجية، وكانت البيانات بالكامل من مرضى التصلب المتعدد.تم دعم الدراسة من خلال قاعدة بيانات التحالف الدولي للتصلب المتعدد التقدمي التابع لمعهد مونتريال للأعصاب.تم استخراج بيانات التدريب ذات الصلة، بشكل أساسي من تجربة MS-stat، وتجربة ORATORIO، بالإضافة إلى مجموعات بيانات الرعاية الروتينية لمرضى التصلب المتعدد المتكرر لدى الأطفال والتي تم الحصول عليها من ثلاثة مستشفيات في المملكة المتحدة ومجموعتي بيانات مفتوحة المصدر لتجزئة الآفات (MS-30 وISBI).

*تقوم MindGlide بمعالجة صور الرنين المغناطيسي، بما في ذلك عمليات المسح ثنائية وثلاثية الأبعاد، باستخدام تباين التصوير بالرنين المغناطيسي وكثافات الأنسجة ذات الصلة (المرجحة بـ T1، والمرجحة بـ TI، وكثافة البروتون (PD)، واستعادة الانعكاس السائل المخفف T2 (FLAIR)) المستخدمة بشكل شائع في أرشيفات المستشفيات.

خلال مرحلة التدريب النموذجي،قام الباحثون بتدريب MindGlide باستخدام مجموعة بيانات مكونة من 8550 صورة حقيقية وصناعية.ومن بينها، تم جمع ما مجموعه 4247 صورة مسح بالرنين المغناطيسي الحقيقي (بما في ذلك 2092 صورة مرجحة بـ TI و2155 صورة FLAIR) من 2871 مريضًا (بما في ذلك 1082 مريضًا بالتصلب المتعدد الانتكاسي المتكرر (RRMS)، و1453 مريضًا بالتصلب المتعدد التقدمي الثانوي (SPMS) و336 مريضًا بالتصلب المتعدد التقدمي الأولي (PPMS)).تم الحصول على المسوحات باستخدام 592 جهاز تصوير بالرنين المغناطيسي احترافي في مجالات مغناطيسية بقوة 1.5 و 3 تسلا.ثم قام الباحثون بإنشاء 4303 مسحًا اصطناعيًا إضافيًا لتوسيع التدريب.

خلال مرحلة التحقق من صحة النموذج، استخدم الباحثون مجموعة تحقق خارجية.تم اختبار MindGlide للاستخدام العالمي في الفئة العمرية 14-64 عامًا، بما في ذلك تجربتان سريريتان لمرض التصلب المتعدد التقدمي ومجموعة حقيقية من مرضى التصلب المتعدد الانتكاسي المتكرر لدى الأطفال.وشملت مجموعة بيانات التحقق الخارجي 1001 مريض (699 في تجربة PPMS، و141 في تجربة SPMS، و161 في تجربة RRMS) تم الحصول عليها من 186 جهاز تصوير بالرنين المغناطيسي.

في،تتضمن مجموعة بيانات PPMS 11015 فحصًا بالرنين المغناطيسي(2,756 TI-weighted، 2,754 T2-weighted، 2,749 FLAIR، 2,756 PD)، كانت جميع الشرائح بسمك 3 مم (1 مم × 1 مم × 3 مم)؛تتضمن مجموعة بيانات SPMS 763 مسحًا(378 مرجحة بـ TI، 385 مرجحة بـ T2)، مع سماكات شرائح مختلفة (1 مم × 1 مم × 1 مم لـ T1 المرجح؛ 3 مم × 1 مم × 1 مم لـ T2 المرجح)؛تتضمن مجموعة بيانات RRMS للأطفال 1478 فحصًا(523 T1-weighted، 475 T2-weighted، 480 FLAIR)، بما في ذلك سمك الشريحة المختلفة.

هندسة النموذج: شبكة عصبية ملتوية ثلاثية الأبعاد فعالة

تم تطوير MindGlide على أساس "nnU-Net"، وهي شبكة عصبية ملتوية ثلاثية الأبعاد (CNN) تعتمد على بنية U-Net.لديه القدرة على تكوين نفسه تلقائيًا، وبالتالي تجاوز عملية ضبط المعلمات الفائقة المكلفة. من خلال التدريب، يمكن لـ MindGlide تقسيم المادة الرمادية في الدماغ، ومناطق المادة البيضاء، وآفات التصلب المتعدد في وقت واحد، وبالتالي التكيف مع تغييرات التصوير بالرنين المغناطيسي الحقيقية وحل مشاكل القطع الأثرية في برامج معالجة الصور التقليدية. ويظهر الهيكل العام والاستراتيجية في الشكل أدناه.

بالنسبة لمعالجة الصور مسبقًا لتدريب النموذج، استخدم الباحثون خط أنابيب معالجة مسبقة بسيطًا قام أولاً بتطبيع دقة الصورة إلى فوكسلات متساوية الخواص مقاس 1 مم ثم تم تصميمها وفقًا لـ nnU-Net. ثم قام الباحثون باستخراج رقعة فوكسل بحجم 128 × 128 × 64 باستخدام تقنية النافذة المنزلقة لتحسين الذاكرة والكفاءة الحسابية أثناء التدريب.

يتضمن تعزيز البيانات بشكل أساسي توسيع تنوع بيانات التدريب بشكل مصطنع من خلال التعديلات العشوائية، وتعزيز القدرة على تعميم النموذج، والحد من الإفراط في التجهيز.استخدم الباحثون تقنيتين لتوسيع قدرتها على التكيف: تشويه الهندسة وكثافة الصورة للمسح الحقيقي وتوليد مسح اصطناعي.كما هو موضح في الشكل (أ)، يتم استخدام التوزيع العشوائي للمجال لتوليد اختلافات في الكثافة وإعداد نماذج لتباينات التصوير بالرنين المغناطيسي المختلفة.

تم إنشاء البيانات الاصطناعية باستخدام SynthSeg الإصدار 2.0، واستخدم الباحثون MONAI الإصدار 1.2.0 للتعزيز أثناء التدريب، ثم قاموا بإنشاء مسوحات اصطناعية لتباينات مختلفة مباشرة من تسميات مجموعة بيانات التدريب. يوضح الشكل (أ) مثالاً للبيانات الاصطناعية المولدة، ويوضح الشكل (ب) تدريب MindGlide باستخدام البيانات الحقيقية والبيانات المعززة.

وفي تقارير ذات صلة، استخدمت وسائل الإعلام بيانات بديهية لإظهار قدرات هذا النموذج. وذكر أنالآن، مع MindGlide، أصبحت عمليات المسح المعقدة التي كان أخصائيو الأشعة العصبية يستغرقون أسابيع لتفسيرها يدويًا تستغرق من 5 إلى 10 ثوانٍ فقط لكل صورة.وهذا يسمح باكتساب قيمة جديدة من الصور التي كانت غير قابلة للتحليل في السابق ومن فحوصات التصوير بالرنين المغناطيسي الروتينية، مما يوفر أساسًا أكثر موثوقية لاختبار تأثيرات العلاجات المختلفة على تطور المرض في التجارب السريرية والرعاية الروتينية.

النتائج التجريبية: تُظهر المقارنة متعددة الأبعاد تفوق MindGlide

لتقييم تأثير التحقق لـ MindGlide، قام الباحثون بمقارنته بالتقنيات الحديثة الموجودة، وهي WMH-SynthSeg و SAMSEG.يمكن للأول أن يقوم بتجزئة الإشارات العالية للمادة البيضاء والهياكل التشريحية للدماغ من مسوحات ذات دقة وتباينات مختلفة في وقت واحد، بينما يمكن للثاني أن يقوم بتجزئة الآفات والهياكل الدماغية بشكل قوي تحت تباينات مختلفة من التصوير بالرنين المغناطيسي.

أولاً، قارنت التجربة مدى اتساق الثلاثة مع تقسيم الآفات والإعاقة التي وصفها الخبراء البشريون، كما هو موضح في الشكل أدناه. كان الاتفاق بين MindGlide والآفات الحقيقية المسمىة يدويًا أعلى.كان متوسط درجة Dice هو 0.606، وكان SAMSEG هو 0.504، وكان WMH-Synthseg هو 0.385.

فضلاً عن ذلك،في مجموعة بيانات PPMS، فإن الارتباط بين حمل الآفة المستمد من MindGlide والقيمة العددية لمقياس حالة الإعاقة الموسعة (EDSS) أعلى أيضًا من الارتباط بالتقنيات الموجودة.

وبعد ذلك، أجرى الباحثون التحقق الطولي من تأثير علاج الآفة من خلال تجارب متعددة، والتي أظهرت فعالية MindGlide في الكشف عن تأثيرات العلاج. على سبيل المثال، في تجارب SPMS وPPMS، كان حجم الآفة التراكمي في مجموعة العلاج أقل من حجم الآفة في مجموعة الدواء الوهمي؛ وفي مجموعة الأطفال، نجح MindGlide في اكتشاف تغييرات مختلفة في حجم الآفة في مجموعات العلاج المختلفة، كما هو موضح في الشكل أدناه.

في اختبار تأثير العلاج على فقدان أنسجة المخ،وأظهرت MindGlide أن معدل فقدان حجم المادة الرمادية في القشرة المخية في مجموعة العلاج كان أقل بشكل ملحوظ من المعدل في مجموعة الدواء الوهمي.الشكل التالي يوضح أمثلة مختلفة للتجزئة المتناقضة.

بعد ذلك، قام الباحثون بمقارنة تأثيرات العلاج باستخدام MindGlide مع أدوات التجزئة الأخرى والآفات الحقيقية في تجربة سريرية لـ PPMS.تظهر النتائج التجريبية أن MindGlide قريبة جدًا من الحقيقة الأساسية. على النقيض من ذلك، تبالغ SAMSEG في تقدير تأثير العلاج، في حين تقلل WHM-Synthseg من تقدير تأثير العلاج، مما يشير إلى أن MindGlide يتمتع بدقة أعلى في تقدير حجم الآفة.

يوضح الشكل أدناه التقييمات الثلاثة لحجم الدماغ الإقليمي.وأظهرت النتائج أن مقاييس MindGlide أظهرت تأثيرات علاجية أفضل بين مجموعات العلاج مقارنة بالمقاييس التي تم الحصول عليها من SAMSEG الطولي أو WHM-Synthseg.

بالإضافة إلى ذلك، في مجموعة بيانات الرعاية السريرية الروتينية، قام الباحثون بفحص WMH-Synthseg و MindGlide بصريًا ووجدوا أن الأول أظهر معدل فشل كبير، خاصة عندما تجاوز سمك المسح 5 مم.من بين 433 تباينًا تم تقييمها بصريًا، فشل WMH-Synthseg في تقسيم 65 مسحًا، بينما فشل MindGlide في 6 فقط.يظهر المثال أدناه.

ومن بينها، يوضح الشكل (ب) شريحة سمكها 7 مم في مجموعة بيانات الرعاية السريرية الروتينية (RRMS) حيث تفشل عملية تقسيم WMH-Synthseg. يرجع ذلك إلى أن معظم أدوات التجزئة مصممة لاستخدام اتجاهات اكتساب أعلى أو أدنى، في حين يسمح MindGlide بتجزئة الصور المكتسبة في أي اتجاه.

في المجمل،يتفوق MindGlide على الطرق الحالية في العديد من الجوانب ويمكنه استخراج العديد من المؤشرات الحيوية من تباين التصوير بالرنين المغناطيسي واحد، مما يمكنه مراقبة تأثير العلاج بشكل فعال وهو مناسب لمجموعة متنوعة من السيناريوهات السريرية.توفير دعم قوي لأبحاث التصلب المتعدد واتخاذ القرارات السريرية.

لقد أصبح الذكاء الاصطناعي أداة مهمة في أبحاث التصلب المتعدد

في السنوات الأخيرة، أدى التطور السريع للذكاء الاصطناعي إلى تسريع تطبيقه في الأمراض العصبية، وبفضل آلية عمله الفريدة وطرقه الفعالة، فقد قدم أفكارًا جديدة للمجتمع الطبي لإجراء أبحاث التصلب المتعدد من خلال الذكاء الاصطناعي. ومن قبيل المصادفة، تحاول العديد من المختبرات استخدام الذكاء الاصطناعي للتغلب على مرض التصلب العصبي المتعدد، وهي مشكلة كبيرة تهدد صحة الإنسان.

على سبيل المثال، نشرت مجموعة البحث التابعة للبروفيسور فانغ ليو من جامعة تورنتو مقالاً في مجلة Science Advances بعنوان "الإثارة السامة التي يسببها AMPA والتي تستهدف الجزيئات الصغيرة لها تأثيرات علاجية في نماذج الفئران لمرض التصلب المتعدد". لقد تغلبت هذه الدراسة على وجهات النظر النظرية التقليدية وطورت مركبًا جزيئيًا صغيرًا رائدًا.يعمل عن طريق استهداف آلية جديدة لتنظيم السمية الإثارية التي يتوسطها مستقبل AMPA.استخدمت هذه الدراسة الذكاء الاصطناعي لفحص الجزيئات الصغيرة التي تستهدف الوحدة الفرعية GluA 2 لمستقبل AMPA افتراضيًا، الأمر الذي لم يسد الفجوة في التطوير الدولي لمثل هذه الأدوية فحسب، بل والأهم من ذلك، قدم فكرة جديدة تمامًا لعلاج التصلب المتعدد.

عنوان الورقة:

https://www.science.org/doi/10.1126/sciadv.adj6187

بالإضافة إلى ذلك، اقترحت دراسة نشرت في NeuroImage أيضًا أداة جديدة مفتوحة المصدر لتقسيم آفات المادة البيضاء و41 بنية عصبية تشريحية في وقت واحد في فحوصات التصوير بالرنين المغناطيسي لمرضى التصلب المتعدد.تعتمد هذه الطريقة على النموذج التوليدي SAMSEG المذكور أعلاه وهي قادرة على التكيف مع بروتوكولات المسح والتصوير المختلفة، ويمكنها تقييم الضمور دون تقسيم الآفات مسبقًا.التغلب على بعض القيود الموجودة في الأدوات. نُشرت المقالة ذات الصلة تحت عنوان "طريقة التكيف التبايني لتقسيم الدماغ بالكامل وتقسيم الآفة في التصلب المتعدد في وقت واحد".
عنوان الورقة:

https://www.sciencedirect.com/science/article/pii/S1053811920309563?via%3Dihub

وتكشف كل هذه الإنجازات العلمية والتكنولوجية والاكتشافات المتطورة عن قيمة الذكاء الاصطناعي في أبحاث التصلب المتعدد. ورغم أن الطريق لا يزال طويلاً، فإنهم يمنحون الناس الأمل أيضاً. وكما يأمل الدكتور فيليب جوبل، المؤلف الأول للمقالة المذكورة أعلاه، فإن استخدام الذكاء الاصطناعي لإجراء التجارب السريرية لحل حالات المرضى قد يصبح حقيقة واقعة في السنوات الخمس إلى العشر المقبلة.