News - بینش مجهز به هوش مصنوعی بازسازی مغز پس از سکته را فاش می‌کند

در پژوهشی پیشگام که در The Lancet Digital Health مورد توجه قرار گرفته است، دانشمندان از مؤسسه تصویربرداری عصبی و انفورماتیک مارک و مری استیونز (Stevens INI) در دانشگاه USC پدیده‌ای را کشف کرده‌اند که در آن مغزهای آسیب دیده ناشی از سکته ممکن است خود را بازسازماندهی کنند و ویژگی‌های ساختاری جوان در مناطق آسیب ندیده را به منظور سازگاری پس از آسیب نشان دهند. این مطالعه بین‌المللی که توسط گروه کار بازیابی از سکته ENIGMA آغاز شده است، به بررسی اسکن‌های مغزی بیش از 500 بازمانده از سکته مغزی از 34 مکان تحقیقاتی در سراسر هشت کشور مختلف پرداخت. تیم با بهره‌گیری از مدل‌های یادگیری عمیق که برای تجزیه و تحلیل وسیعی از تصاویر MRI آموزش دیده شده بودند، "سن مغز" مناطق مختلف مغزی پس از سکته را ارزیابی کرد تا تاثیر ساختاری و الگوهای بازیابی را مورد بررسی قرار دهد. دکتر هوسونگ کیم، استادیار تحقیق نورولوژی در مدرسه پزشکی کک دانشگاه USC، خاطر نشان کرد: «وقوع سکته‌های بزرگتر به طور معمول موجب می‌شود که نیمکره آسیب دیده مغز پیر به نظر برسد، اما جالب است که ممکن است طرف مقابل جوان‌تر به نظر برسد. این مشاهده نشان دهنده سازگاری جبرانی مغز با احیای شبکه‌های قابل زنده‌گانی به منظور بازیابی عملکرد از دست رفته است.» استفاده از شبکه عصبی همگرای گراف کاملاً جدید، تیم 18 منطقه مهم مغزی را از داده‌های MRI به منظور تعیین سن بیولوژیکی ارزیابی کرد. تفاوت‌های بین این پیش بینی‌ها و سن‌های واقعی، که به تفاوت پیش‌بینی شده سن مغز (brain-PAD) شناخته می‌شود، به عنوان نشانگرهای سلامت عصبی و الگوهای بازیابی عمل می‌کنند. پیوند دادن این معیارها با امتیازات عملکرد موتور به یک کشف شگفت‌انگیز انجامید: حتی در طول شش ماه بعد از توان‌بخشی، بازماندگان سکته که با چالش‌های حرکتی قابل توجهی مواجه بودند، سن مغزی جوان‌تر از حد انتظار در نواحی مخالف با ناحیه آسیب‌دیده، به خصوص در شبکه فرونتوپارییتال - که برای عملیات حرکتی مهم است، نشان دادند. «تحقیقات ما نشان می‌دهد که عواقب شدید سکته مغزی ممکن است بخش‌های سالم مغز، به ویژه آن‌هایی که در مقابل ناحیه آسیب‌دیده هستند، را برای جبران نقص‌های حرکتی تحریک کند»، دکتر کیم توضیح داد. «شبکه فرونتوپارییتال که در برنامه‌ریزی و هماهنگی حرکتی نقش دارد، ویژگی‌های جوان شده‌ای را نشان داد و نشانگر منعطفیت عصبی بود نه بازیابی کامل عملکرد. این بعد از انعطاف‌پذیری عصبی تا کنون از دیدگاه فناوری‌های تصویربرداری سنتی فرار کرده بود.» این پژوهش اساسی که تحت عنوان ENIGMA انجام گرفته است، داده‌های عصبی از سراسر جهان را برای غنی‌سازی درک دینامیک مغز در بیماری‌های مختلف متراکم می‌کند. هماهنگی داده‌های MRI و معیارهای بالینی از گروه‌های مختلف به تشکیل بزرگترین مجموعه تصویربرداری عصبی سکته مغزی جهان منجر شده است. آرتور دبلیو توگا، مدیر INI استیونز، تأکید کرد: «مشارکت داده‌های بازماندگان سکته مغزی در سراسر جهان با استفاده از هوش مصنوعی به ما امکان می‌دهد تا الگوهای بازسازماندهی پیچیده مغز را که مطالعات کوچکتر ممکن است به آن پی نبرند، کشف کنیم. این الگوهای پیری متنوع در مغزهای مزمن پس از سکته می‌تواند به استراتژی‌های توانبخشی شخصی‌سازی شده کمک کند.» برنامه‌ها برای ادامه این مطالعه به صورت طولی و پی‌گیری تحول سن مغز و بازسازماندهی از مراحل حاد تا گاه‌شناسی بازیابی سکته در جریان هستند. پزشکان انتظار دارند مداخلات خاص به بیمار که بر اساس سازگاری‌های عصبی فردی طراحی شده‌اند، به طور بالقوه چشم‌اندازهای بازیابی را سریع‌تر بهبود بخشند. مطالعه تحت عنوان «پیش‌بینی یادگیری عمیق سن منطقه‌ای مغز مبتنی بر MRI، انعطاف‌پذیری عصبی مقابل با نقص‌های حرکتی شدید در سکته مزمن را آشکار می‌کند: مطالعه جهانی ENIGMA»، با حمایت مالی از سوی کمک مالی NIH R01 NS115845 و با مشارکت همکاران بین‌المللی از دانشگاه بریتیش کلمبیا، دانشگاه موناش، دانشگاه اموری و دانشگاه اسلو انجام شد. برای اطلاعات بیشتر درباره این مطالعه یا پیشرفت‌های مرتبط با تحقیقات ENIGMA، به وب‌سایت https://enigma.ini.usc.edu مراجعه کنید.