آلزایمر یکی از اختلالاتی است که اثر بسیار بدی بر روی حافظه و توانایی‌های ذهنی بیماران می‌گذارد. این اختلال [که میلیون‌ها نفر را در سرتاسر دنیا درگیر کرده است] را می‌توان با تشخیص زودهنگام، به خوبی کنترل کرد. اما عدم امکان رویت علائمش در مراحل ابتدایی، باعث می‌شود که تشخیص زودهنگام آن با چالش‌های زیادی همراه باشد.
پنج روز پیش، محققانی از دانشگاه‌های مطرح آمریکا به صورت مشترک مدل جدیدی به نام DS-VIT را معرفی کرده‌اند که بر اساس یادگیری عمیق و آنالیز تصاویر MRI مغزی کار می‌کند و اقدام بسیار مهم و بزرگی در تشخیص زودهنگام آلزایمر محسوب می‌شود. این مدل با ترکیب دو عمل segmentation و classification [که در حالت عادی به صورت مجزا صورت می‌گیرند] توانسته است نتایج بهتری را از مطالعات قبلی حاصل کند.
برای این‌که درک ساده‌ای از نحوه‌ی کارکرد این مدل داشته باشید، بیایید با یک استعاره آن‌را بررسی کنیم. تصور کنید که می‌خواهید یک صحنه‌ی جرم را بررسی کنید. تصاویر MRI همان تصاویر صحنه‌ی جرم هستند، اما چیزی که شما به آن نیاز دارید، اولا یک بازرس دقیق است که اطلاعات مهم صحنه‌ی جرم را پیدا کند و ثانیا یک کارآگاه حرفه‌ای است که با استفاده از این اطلاعات جمع‌آوری شده، به اصل ماجرا پی ببرد. این مدل به همین صورت عمل می‌کند. بیایید دقیق‌تر بررسی‌اش کنیم.
این مدل یک بخش به نام FastSurfur دارد که به مانند یک بازپرس بخش‌های مختلف مغز را بررسی (segmentation) می‌کند و کارش عملا جمع‌آوری اطلاعات است. همچنین بخش دیگری به نام ADAPT وجود دارد که با استفاده از اطلاعات جمع‌آوری شده توسط بخش قبلی، تشخیص نهایی (classification) را صادر می‌کند و این همکاری است که باعث بهبود عملکرد مدل و همچنین برتری نتایج‌اش نسبت به مدل‌های قبلی شده است.
در تصویر زیر می‌توانید نحوه‌ی کار این مدل را به صورت دقیق‌تر مشاهده کنید.
و اما یکی دیگر از نوآوری‌های این محققان، افزونه‌ای است با نام RTAB. این افزونه به صورت مداوم تصاویر MRI مربوط به زمان‌های مختلف را بررسی می‌کند و با پایش تغییرات مغز، می‌تواند آلزایمر را حتی ۶ ماه زودتر از روش‌های سنتی پیش‌بینی کند! اتفاقی که تا به امروز امکانش وجود نداشت!
در تصویر زیر هم می‌توانید جزئیات مربوط به نحوه‌ی کارکرد این افزونه را مشاهده کنید.
به طور خلاصه، این مدل توانست ۷٪ دقت بیشتری از مدل‌های قبلی در تشخیص دیابت داشته باشد و به خوبی دو عمل segmentation و classification را برای بهبود نتایج در کنار هم استفاده کند، روش نوآورانه‌ای را برای به‌کارگیری اطلاعات سری‌زمانی بیماران معرفی کند و در نهایت هم پنجره‌ی جدیدی باشد برای پژوهشگرانی که در حال کار بر روی اختلال آلزایمر هستند. امید است که با این پیشرفت‌ها شاهد کاهش حضور هرچه بیشتر این اختلال در جوامع مختلف باشیم.
