📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

عند أحدهم يبدأ المرض بارتجاف في اليد — فنجان يرقص على الصحن وهو يحمله إلى الطاولة. وعند آخر، ترفض القدمان فجأة أن تمشيا باستقامة: تصبح الخطوة قصيرة، متثاقلة، وكأن الأرض فجأة غُطيت بطبقة لزجة. هذان ليسا مرضين مختلفين، بل وجهان لمرض واحد — مرض باركنسون. لكن الأدوية والتوقعات قد تختلف بينهما، لذلك يحتاج الأطباء إلى فهم أي وجه يواجهونه في أقرب وقت ممكن.

قام باحثون من هولندا بجعل الكمبيوتر ينظر إلى أدمغة 45 شخصًا — 24 مصابًا بمرض باركنسون و21 شخصًا سليمًا — عبر جهاز تصوير بالرنين المغناطيسي فائق القوة للتصوير بالرنين المغناطيسي بقوة 7 تسلا. للمقارنة: الأجهزة الطبية العادية في المستشفيات تبلغ قوتها 1.5 أو 3 تسلا. عند قوة 7 تسلا، تصبح الصور مفصلة للغاية بحيث يمكن رؤية بنى دقيقة في عمق الدماغ، حيث تختبئ الآثار المبكرة للمرض. تم تدريب الشبكة العصبية U-Net على تحديد عشرات المناطق المختلفة في هذه الصور تلقائيًا — مثلما يحدد الطفل الخطوط في كتاب التلوين، لكن بدقة تصل إلى أجزاء من المليمتر.

ثم تم استخراج العديد من الأرقام من كل منطقة: كثافة الأنسجة، محتوى الحديد، حركة جزيئات الماء، وهكذا. حصلنا على قائمة طويلة — مثل سجل ضخم بمئات الدرجات لكل مريض. يبدو أنه كلما زادت البيانات، كان ذلك أفضل. لكن عندما تم إطعام هذا السجل بالكامل إلى المصنف — البرنامج الذي يبحث عن الأنماط — كان أداؤه متوسطًا: ميز المريض عن السليم بدقة 69%، وخلط بين أنواع المرض. ثم طبق العلماء اختيار الميزات — وهي طريقة تُبقي فقط على الدرجات الأكثر "تعبيرًا" وتتجاهل الضوضاء. هذا يشبه الموقف الذي تنظر فيه فقط إلى درجات الرياضيات والفيزياء بدلاً من السجل المدرسي الكامل مع التربية البدنية والموسيقى، لمعرفة ما إذا كان الشخص سيصبح مهندسًا. وهذا بالضبط ما تم فعله هنا: من بين مئات المؤشرات، تم اختيار حفنة من المؤشرات الرئيسية — وتوضحت الصورة فجأة.

الاستنتاج الرئيسي ليس أن الآلة أذكى من الطبيب، بل أن المرض يترك في الدماغ آثارًا واضحة وقابلة للقياس، وعددها ليس كبيرًا. فقط بضعة أرقام من صورة واحدة يمكن أن تخبرنا كيف سيتصرف المرض في المستقبل — هل سيسير في طريق الرعاش أم في طريق التيبس. هذه خطوة نحو الحصول على تلميح مباشرة من غرفة التصوير بالرنين المغناطيسي بدلاً من الملاحظات الطويلة وتجربة الأدوية. ذلك الفنجان على الصحن الذي بدأ به كل شيء، ربما قريبًا لن يكون الطريقة الوحيدة لمعرفة ما يحدث في الداخل.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2605.24179

Parkinson's disease (PD) is a highly heterogeneous disease, including which motor symptoms are dominating. Imaging biomarkers that support subtype stratification could also improve biological understanding and study design, and enable personalized treatment strategies. This study evaluates whether deep-learning based automatic brain segmentation, in addition to quantitative maps from 7 Tesla MRI, can highlight differences between Healthy Controls (HC), Postural Instability and Gait Difficulty (PIGD) and Tremor Dominant (TD), and subsequently be used for objective PD stratification. The performance of machine learning classifiers may be improved with feature selection. 21 HC, and 24 people with PD (PwP) were included. The U-Net training was assessed with DSC. Two classification approaches using 5-fold cross-validation were defined across three tasks: (1) HC vs PwP; (2) PIGD vs TD; (3) multiclass, HC vs PIGD vs TD. Approach A used all extracted features. Approach B found the optimal subset of features for the classification tasks. The U-Net achieved mean DSC of 0.86 for all ROIs during training. Approach A: Task 1 best accuracy of 0.69 and best AUC of 0.73. Task 2 accuracy 0.69, AUC 0.90. Task 3 accuracy 0.62, AUC 0.66. Approach B: Task 1 accuracy of 0.82 and AUC of 0.93. Task 2 accuracy 1.00, AUC 1.00. Task 3 accuracy 0.73, AUC 0.91. DL-based segmentation combined with qMRI feature selection improved classification relative to using all features, supporting the potential of interpretable, low-dimensional imaging signatures for PD diagnosis support and phenotype stratification. Larger, multi-site studies are warranted to assess generalizability and stability.