به گزارش پایگاه اطلاع‌رسانی بنیان، مطالعه‌ای جدید که در سال 2025 در نشریه Nature Communications منتشر شده، چارچوبی مبتنی بر هوش مصنوعی را معرفی کرده که با استفاده از داده‌های چندوجهی از 12,185 نفر در هفت گروه مختلف، وضعیت نشانگرهای زیستی آمیلوئید بتا (Aβ) و تائو (τ) را برای تشخیص بیماری آلزایمر پیش‌بینی می‌کند. این پژوهش، که توسط وارونا جاسوداناند و همکارانش انجام شده، با بهره‌گیری از داده‌های دموگرافیک، تاریخچه پزشکی، ارزیابی‌های عصب‌شناختی، نشانگرهای ژنتیکی و تصویربرداری مغزی، مدلی مبتنی بر الگوریتم ترانسفورمر توسعه داده که می‌تواند جایگزینی مقرون‌به‌صرفه برای تصویربرداری PET باشد. این مدل با دستیابی به AUROC 0.79 برای آمیلوئید و 0.84 برای تائو، توانایی بالایی در پیش‌بینی وضعیت این نشانگرها نشان داده و با یافته‌های پس از مرگ و الگوهای رسوب تائو همخوانی دارد. این چارچوب می‌تواند غربالگری بیماران برای درمان‌های ضدآمیلوئید و آزمایش‌های بالینی را تسهیل کند.

اهمیت تشخیص زودهنگام آلزایمر
بیماری آلزایمر با تجمع پلاک‌های آمیلوئید بتا و گره‌های تائو مشخص می‌شود که سال‌ها پیش از ظهور علائم آغاز می‌شوند. تصویربرداری PET، اگرچه دقیق است، به دلیل هزینه بالا و دسترسی محدود، در عمل بالینی رایج نیست. این مطالعه با استفاده از داده‌های در دسترس‌تر مانند MRI، ارزیابی‌های عصب‌شناختی و اطلاعات دموگرافیک، روشی غیرتهاجمی برای پیش‌بینی وضعیت آمیلوئید و تائو ارائه می‌دهد که می‌تواند تشخیص زودهنگام را بهبود بخشد و امکان مداخله به‌موقع را فراهم کند.

عملکرد مدل و انعطاف‌پذیری
مدل ترانسفورمر این مطالعه با استفاده از داده‌های هفت گروه (NACC، A4، OASIS3، AIBL، FHS، ADNI، HABS) آموزش دیده و در مجموعه‌های خارجی آزمایش شده است. این مدل با AUROC 0.84 برای پیش‌بینی تائو و 0.79 برای آمیلوئید، عملکرد قوی‌ای حتی در صورت نبود برخی ویژگی‌ها نشان داد. این انعطاف‌پذیری به دلیل استراتژی ماسک‌گذاری تصادفی ویژگی‌ها امکان‌پذیر شده که مدل را برای داده‌های ناقص واقعی مقاوم می‌کند. این قابلیت برای کلینیک‌هایی با منابع محدود بسیار ارزشمند است.

همخوانی با الگوهای زیستی
تحلیل‌های این مطالعه نشان داد که پیش‌بینی‌های مدل با شدت پاتولوژی‌های پس از مرگ (مانند مراحل Thal، Braak و CERAD) همخوانی دارد. احتمال پیش‌بینی‌شده برای آمیلوئید و تائو با افزایش شدت نشانگرهای پاتولوژیک افزایش یافت. همچنین، مدل الگوهای رسوب تائو در نواحی تمپورال و پاریتال را به‌خوبی بازتاب داد، که با مراحل پیشرفت آلزایمر (مانند مراحل Braak) هم‌راستاست. این همخوانی تأیید می‌کند که مدل می‌تواند پیشرفت زیستی بیماری را به‌طور دقیق نشان دهد.

کاربردهای بالینی و آزمایشی
این چارچوب می‌تواند در غربالگری بیماران برای درمان‌هایی مانند دونانماب، که در بیماران با بار تائو کمتر مؤثرتر است، نقش کلیدی ایفا کند. پیش‌بینی‌های مدل با مراحل زیستی بیماری (A-T-، A+T-، A+MTL+، A+NEO+) همخوانی دارد و می‌تواند به انتخاب دقیق‌تر بیماران برای آزمایش‌های بالینی کمک کند. این رویکرد همچنین هزینه‌های غربالگری را کاهش می‌دهد و دسترسی به تشخیص پیشرفته را در مناطق کم‌منابع بهبود می‌بخشد.

اهمیت داده‌های چندوجهی
افزودن داده‌های MRI و ارزیابی‌های عصب‌شناختی به مدل، دقت پیش‌بینی تائو را از 0.53 به 0.84 افزایش داد. حذف برخی ویژگی‌ها مانند امتیازات CDR تأثیر کمی بر دقت داشت، که نشان‌دهنده توانایی مدل در استفاده از داده‌های موجود بدون وابستگی به یک نوع خاص است. تحلیل Shapley نشان داد که داده‌های تصویربرداری و APOE-ε4 تأثیر قابل‌توجهی بر پیش‌بینی‌ها دارند، اما مدل حتی بدون این داده‌ها عملکرد خوبی حفظ می‌کند.

محدودیت‌ها و جهت‌گیری‌های آینده
اگرچه این مدل عملکرد قوی‌ای دارد، اما به دلیل عدم تعادل در داده‌های تائو، نرخ مثبت کاذب بالاتری در پیش‌بینی تائو مشاهده شد. تحقیقات آینده باید بر بهبود پیش‌بینی‌های منطقه‌ای تائو و اعتبارسنجی در جمعیت‌های متنوع‌تر، به‌ویژه از نظر نژادی و قومیتی، تمرکز کنند. یکپارچه‌سازی نشانگرهای پلاسمایی مانند p-tau 217 می‌تواند دقت را افزایش دهد. همچنین، توسعه ابزارهای مبتنی بر این مدل برای استفاده در کلینیک‌ها نیازمند رابط‌های کاربری ساده و آموزش پزشکان است.

پتانسیل تحول در مراقبت‌های بهداشتی
این چارچوب با توانایی پیش‌بینی غیرتهاجمی وضعیت آمیلوئید و تائو، می‌تواند به استانداردسازی غربالگری آلزایمر کمک کند. استفاده از داده‌های در دسترس مانند MRI و ارزیابی‌های عصب‌شناختی، این مدل را برای محیط‌های بالینی با منابع محدود مناسب می‌سازد. با کاهش وابستگی به PET، این روش می‌تواند هزینه‌های تشخیص را کاهش داده و دسترسی به درمان‌های هدفمند را افزایش دهد.

نتیجه‌گیری: گامی به سوی تشخیص غیرتهاجمی
این چارچوب مبتنی بر هوش مصنوعی، با ادغام داده‌های چندوجهی، راهکاری نوین برای پیش‌بینی وضعیت آمیلوئید و تائو ارائه می‌دهد. با کاهش وابستگی به تصویربرداری PET گران‌قیمت، این مدل می‌تواند غربالگری زودهنگام و انتخاب بیماران برای درمان‌ها و آزمایش‌های بالینی را بهبود بخشد. همخوانی پیش‌بینی‌ها با پاتولوژی‌های پس از مرگ و الگوهای زیستی، پتانسیل این روش را برای تحول در تشخیص و مدیریت آلزایمر نشان می‌دهد. با ادامه تحقیقات، اعتبارسنجی گسترده‌تر و توسعه رابط‌های کاربری، این چارچوب می‌تواند به استانداردی برای تشخیص غیرتهاجمی تبدیل شود و به میلیون‌ها نفر در سراسر جهان کمک کند تا از پیشرفت آلزایمر پیشگیری کنند.
پایان مطلب/.