پایش خودکار روند پیشرفت بیماری مولتیپل اسکلروزیس با تحلیل مقایسه ای MRIهای طولی در بیماران مناطق حاشیه نشین: رویکردی مبتنی بر یادگیری ماشین برای بهبود و ارتقاء سلامت جسمانی

مولتیپل اسکلروزیس (MS) یک بیماری مزمن خودایمنی است که به تخریب پوشش میلین نورون ها منجر می شود و می تواند ناتوانی های جدی در سیستم عصبی مرکزی ایجاد کند. تصویربرداری رزونانس مغناطیسی (MRI) به عنوان ابزار اصلی برای تشخیص و پایش پیشرفت بیماری شناخته می شود. با توجه به چالش های موجود در تحلیل دستی تصاویر MRI، به ویژه در مناطق کم برخوردار و دارای منابع بهداشتی و سلامتی محدود، استفاده از تکنیک های یادگیری عمیق به عنوان یک راهکار خودکار و موثر در تحلیل این تصاویر مورد توجه قرار گرفته است. این مطالعه به بررسی و تحلیل سیستماتیک ۲۵ مقاله بین المللی منتشر شده بین سال های ۲۰۲۰ تا ۲۰۲۴ می پردازد که تکنیک های مختلف یادگیری عمیق، از جمله شبکه های عصبی کانولوشنی (CNN)، مدل های هیبریدی و ترنسفورمرها را برای تحلیل طولی MRI بیماران MS مورد استفاده قرار داده اند (Akbari, Jafari, & Bahrami, ۲۰۲۳; Alizadeh, Farhadi, & Karimi, ۲۰۲۳; Bachmann, Soleimani, & Ma, ۲۰۲۵). نتایج نشان می دهد که مدل VIT(Vision Transformer) به عنوان مدل منتخب، نسبت به سایر روش ها قابلیت پیاده سازی در محیط های بالینی دارای مراکز درمانی محدود و کم برتری دارد (Li, Mehdipour, & Zhang, ۲۰۲۴; Zhou, Ma, & Karimi, ۲۰۲۴). از سوی دیگر، مطالعات اخیر ترکیب ViT با معماری های کلاسیک مانند U-Net یا DeepLab را برای بهبود عملکرد مدل در تشخیص و تقسیم بندی ضایعات مغزی پیشنهاد داده اند که می تواند پایه ای مناسب برای توسعه ابزارهای پایش دقیق تر بیماری باشد. همچنین استفاده از روش های یادگیری نیمه نظارتی و تقابلی در این ترکیب ها باعث کاهش نیاز به داده های برچسب خورده و افزایش دقت پیش بینی شده است (Feng et al., ۲۰۲۳; Zhang et al., ۲۰۲۳). این چارچوب ها می توانند در مراکز درمانی فاقد زیرساخت های پیشرفته، راهکاری موثر برای پایش دقیق MS فراهم آورند و کیفیت خدمات سلامت در مناطق محروم و حاشیه نشین را ارتقاء دهند.

کلیدواژه ها:

مولتیپل اسکلروزیس ، تصویربرداری رزونانس مغناطیسی ، یادگیری عمیق ، تحلیل طولی ، U-Net++