MVMGNN: Multi-View Masked Graph Neural Network for Alzheimer’s Disease Diagnosis using Structural MRI

إن الدماغ البشري عبارة عن شبكة واسعة ومعقدة حيث تتواصل مليارات الخلايا للحفاظ على التفكير والذاكرة والحركة. وعندما تبدأ هذه الشبكة في التآكل، كما يحدث في مرض ألزهايمر، فإن الضرر غالبًا ما يبدأ بشكل طفيف، مغيرًا شكل وحجم مناطق معينة في الدماغ قبل فترة طويلة من فقدان الشخص للقدرة على التعرف على أحبائه. لعقود من الزمن، اعتمد الأطباء على التصوير بالرنين المغناطني الهيكلي، أو sMRI، لالتقاط صور مفصلة لتشريح الدماغ، بحثًا عن هذه العلامات المبكرة للانكماش. ومع ذلك، فإن صورة واحدة لهيكل الدماغ غالبًا ما لا تكون كافية للإمساك بالمرض في مراحله المبكرة والأكثر قابلية للعلاج. يكمن التحدي في كيفية تفسير هذه الصور: فالدماغ ليس مجرد مجموعة من الأجزاء المعزولة، بل هو شبكة معقدة حيث تحمل العلاقة بين منطقة وأخرى قدرًا من المعلومات يعادل أهمية المناطق نفسها. غالبًا ما تعامل الطرق التقليدية بيانات الدماغ كقائمة بسيطة من القياسات أو تعتمد على طريقة واحدة فقط لرسم الخرائط، مما قد يؤدي إلى تفويت الإشارات المكملة الدقيقة والمخفية في البنية المعقدة للعقل.

لقد طور فريق من الباحثين من جامعة تشينغتشو للصناعات الخفيفة ومؤسسات أخرى نهجًا جديدًا لحل هذا اللغز، حيث أنشأوا نظامًا يتعلم رؤية الدماغ من خلال عدسات متعددة في آن واحد. طريقتهم، التي تسمى MVMGNN، تتعامل مع الدماغ كـ "رسم بياني حي" (graph) حيث تمثل المناطق المختلفة عُقَدًا متصلة بحواف. وبدلاً من إجبار الكمبيوتر على اختيار طريقة واحدة فقط لرسم هذه الروابط، يقوم النظام ببناء خريطتين متميزتين لنفس الدماغ. تعتمد الخريطة الأولى على القرب الفيزيائي، حيث تربط مناطق الدماغ التي تقع بجوار بعضها البعض داخل الجمجمة، تمامًا مثل الجيران في مدينة. أما الخريطة الثانية فتعتمد على التشابه، حيث تربط بين المناطق التي تشترك في أنسجة وأشكال متشابهة، حتى لو كانت متباعدة. ومن خلال الجمع بين هذين المنظورين، يلتقط النموذج صورة أغنى وأكثر اكتمالًا لصحة بنية الدماغ مما حققته الطرق السابقة.

إن الابتكار يتجاوز مجرد النظر إلى الدماغ من زاويتين؛ فهو يعلم النظام أيضًا كيفية تجاهل الضجيج. ففي أي مجموعة بيانات معقدة، توجد تفاصيل زائدة وروابط ضعيفة يمكن أن تشتت الكمبيوتر، تمامًا مثل التشويش في إشارة الراديو. وللتعامل مع هذا، قدم الباحثون آلية "قناع" (masking). تخيل مرشحًا (فلتر) يقوم تلقائيًا بتعتيم الأجزاء غير ذات الصلة من الصورة مع تسليط الضوء على التفاصيل الأكثر أهمية. يقوم هذا النظام بالشيء نفسه لبيانات الدماغ، حيث يتعلم كيفية كبح الميزات غير المفيدة والروابط الضعيفة داخل كل خريطة مع تضخيم الإشارات التي تهم حقًا للتشخيص. إنه يعمل كمنخل، يضمن مرور الأنماط الهيكلية الأكثر إفادة فقط للتحليل.

بمجرد أن يقوم النظام بتصفية البيانات، يجب عليه تقرير كيفية وزن المعلومات من الخريطتين المختلفتين. فقد يظهر دماغ المريض علامات واضحة للمرض في التخطيط الفيزيائي ولكنه يبدو طبيعيًا من حيث الملمس، أو العكس. وقد حل الباحثون هذه المشكلة باستخدام وحدة "دمج بوابي" (gated fusion)، وهي صانع قرار ذكي يتكيف مع كل مريض على حدة. فبدلاً من تطبيق قاعدة صارمة على الجميع، يقوم هذا النموذج بتقييم النمط الخاص لدماغ فرد واحد ويعدل بشكل ديناميكي مدى الأهمية التي يجب إعطاؤها لكل خريطة. إذا كان التخطيط الفيزيائي يوفر الإشارة الأقوى لشخص معين، فإن النظام يعتمد عليه؛ وإذا كان تشابه الملمس هو الأكثر دلالة، فإنه يحول تركيزه. تسمح هذه المرونة للنموذج بأن يظل قويًا حتى عندما لا تتوافق البيانات من المنظورات المختلفة بشكل مثالي.

وعند اختباره على مجموعة كبيرة من فحوصات الدماغ من مبادرة تصوير ألزهايمر العصبي، والتي شملت ما يقرب من ألف شخص، أثبت النظام الجديد فعالية عالية. فقد نجح في التمييز بين الأدمغة السليمة، وتلك التي تعاني من ضعف إدراكي طفيف، وتلك التي تعاني من مرض ألزهايمر الكامل بدقة أكبر من الأساليب الحالية. وفي مهمة التمييز بين الأدمغة السليمة وتلك المصابة بألزهايمر، حقق النظام دقة تقترب من 90 بالمائة، وهي قفزة نوعية مقارنة بالتقنيات السابقة. كما أظهر قوة خاصة في تحديد المراحل المبكرة والغامضة من المرض، حيث تكون الاختلافات بين الدماغ السليم والدماغ الذي يعاني من ضعف طفيف ضبابية وصعبة الكشف.

ولعل الأهم من الدقة هو وضوح منطق النظام. نظرًا لأن النموذج يستخدم "القناع" لاختيار ميزات محددة، فقد استطاع الباحثون النظر داخل "الصندوق الأسود" ورؤية الأجزاء التي كان الكمبيوتر يركز عليها بالضبط. وقد جاءت النتائج متوافقة مع المعرفة الطبية: فقد سلط النظام الضوء باستمرار على الحصين والفصوص الصدغية، وهي مناطق معروفة بأنها من أولى المناطق التي تتعرض للتلف في مرض ألزهايمر. كما حدد روابط محددة بين هذه المناطق كانت حاسمة للتشخيص. تشير هذه الشفافية إلى أن النموذج لا يخمن بناءً على أنماط عشوائية، بل يتعلم هياكل ذات معنى بيولوجي تعكس المسار الفعلي للمرض.

كما اختبر الباحثون نظامهم على مجموعات منفصلة تمامًا من البيانات من قواعد بيانات عامة أخرى لمعرفة مدى صموده في بيئات مختلفة. وقد حافظ النموذج على أدائه، مما أثبت أن قدرته على التعلم من وجهات نظر متعددة وتصفية الضجيج ليست مجرد طريقة تعمل على مجموعة محددة من المرضى، بل هي استراتيجية موثوقة يمكن تعميمها على مجموعات سكانية جديدة. وبينما ركزت الدراسة حصريًا على فحوصات الرنين المغناطني الهيكلي ولم تدمج بعد مع أنواع أخرى من البيانات الطبية مثل المعلومات الجينية أو فحوصات PET، فإن النتائج توفر أساسًا قويًا للعمل المستقبلي. ومن خلال إظهار أن النهج متعدد الرؤى المقترن بالتصفية الذكية يمكن أن يكشف عن الأنماط المخفية في بنية الدماغ، يقدم هذا البحث مسارًا واعدًا نحو اكتشاف أكثر دقة ومبكرًا لمرض ألزهايمر، مما قد يمنح المرضى والأطباء مزيدًا من الوقت للتدخل قبل حدوث ضرر لا يمكن إصلاحه.