ความก้าวหน้าทางเทคนิค: การสอน AI ให้รู้จักกฎของพลศาสตร์ของไหล

โดยทั่วไปแล้ว MRI สามารถแสดงให้เห็นว่าสีย้อมที่ใช้ติดตามกำลังแพร่กระจายไปทั่วสมอง แต่มันไม่สามารถวัดความเร็วของการแพร่กระจายนั้นได้ เมื่อการเคลื่อนที่เกิดขึ้นในระดับไม่กี่ไมครอนต่อวินาที เพื่อเอาชนะข้อจำกัดนี้ นักวิจัยได้สร้างโครงข่ายประสาทเทียมและฝึกฝนมันด้วยวิดีโอ MRI แบบไทม์แลปส์ที่บันทึกการกระจายตัวของสีย้อมผ่านเนื้อเยื่อสมอง นวัตกรรมสำคัญคือการป้อนข้อมูลให้ AI ไม่ใช่แค่ข้อมูลภาพ แต่ยังรวมถึงสมการพื้นฐานของพลศาสตร์ของไหล (fluid dynamics) อีกด้วย

แนวทางนี้รู้จักกันในชื่อ 'โครงข่ายประสาทเทียมที่เรียนรู้กฎฟิสิกส์' (Physics-informed neural networks) หรือ 'การวัดความเร็วด้วยปัญญาประดิษฐ์' (Artificial intelligence velocimetry - AIV) ซึ่งบังคับให้การคาดการณ์ของแบบจำลองต้องเป็นไปตามกฎของฟิสิกส์ การทำเช่นนี้ทำให้ AI สามารถอนุมานค่าสองค่าที่ไม่สามารถเข้าถึงได้มาก่อนจากการเคลื่อนที่ของสีย้อม นั่นคือความเร็วเฉพาะที่ของของเหลว และความสามารถในการซึมผ่านของเนื้อเยื่อสมองโดยรอบ เทคนิคนี้ต่อยอดมาจากงานวิจัยก่อนหน้านี้ของทีมเดียวกันที่ใช้ AIV ในการวัดปริมาณความดัน แรงเฉือนผนังหลอดเลือด และความเร็วสามมิติในช่องว่างรอบหลอดเลือดของหนู

การค้นพบ: ระบบกำจัดของเสียแบบสองความเร็ว

การสร้างภาพด้วยพลังของ AI เผยให้เห็นความแตกต่างอย่างชัดเจนว่าระบบกลิมฟาติกเคลื่อนย้ายของเหลวอย่างไร ขึ้นอยู่กับตำแหน่งในสมอง ดังนี้

• การไหลเร็วที่ผิวสมอง: ในบริเวณเปิดกว้าง เช่น ช่องว่างใต้เยื่อหุ้มสมองชั้นกลาง (subarachnoid space) ระหว่างกะโหลกศีรษะกับสมอง น้ำหล่อสมองไขสันหลังจะเคลื่อนที่ด้วยความเร็วระดับไม่กี่ไมครอนต่อวินาที ทำหน้าที่กวาดล้างของเสียไปตามทางหลวงหลอดเลือดแดงหลักได้อย่างมีประสิทธิภาพ
• การไหลช้าในเนื้อเยื่อส่วนลึก: เมื่อของเหลวซึมเข้าสู่เนื้อสมองส่วนพาเรงคิมา (parenchyma) ซึ่งเป็นเนื้อเยื่อที่ใช้งานได้จริง ของเหลวจะไหลเอื่อยๆ ในอัตราที่ ช้ากว่าการไหลที่ผิวสมองประมาณ 50 เท่า

การทำงานแบบสองความเร็วนี้สมเหตุสมผลในเชิงชีววิทยา พื้นผิวด้านนอกของสมองทำหน้าที่เป็นเครือข่ายการกระจายของเหลวที่มีประสิทธิภาพสูง ในขณะที่เนื้อเยื่อส่วนลึกมีความต้านทานต่อการไหลสูง ทำให้ของเหลวซึมผ่านช่องว่างระหว่างเซลล์เล็กๆ อย่างช้าๆ งานสร้างแบบจำลองก่อนหน้านี้ของกลุ่มของเคลลีย์ได้ชี้ให้เห็นแล้วว่า การมีช่องว่างรอบหลอดเลือดที่มีความต้านทานต่ำควบคู่กับเนื้อสมองที่มีความต้านทานสูง เป็นเงื่อนไขเดียวที่สามารถขับเคลื่อนการไหลของระบบกลิมฟาติกได้ด้วยแรงดันที่ต่างกันเพียงเล็กน้อย และทำให้ของเหลวกระจายไปทั่วเปลือกสมองได้ดี การวัดด้วย AI ในครั้งนี้จึงเป็นหลักฐานโดยตรงในสิ่งมีชีวิต (in vivo) ที่ยืนยันโครงสร้างดังกล่าว

ไกลกว่าความเร็ว: การวัดความสามารถในการซึมผ่านของเนื้อเยื่อ

ตัวแปรสำคัญที่ซ่อนอยู่ในงานวิจัยระบบกลิมฟาติกคือ 'ความสามารถในการซึมผ่านของเนื้อเยื่อ' (tissue permeability) ซึ่งบ่งบอกว่าเนื้อเยื่อสมองยอมให้ของเหลวไหลผ่านได้ง่ายเพียงใด กรอบการทำงาน AI แบบฟิสิกส์สารสนเทศใหม่นี้ สามารถอนุมานค่าการซึมผ่านได้พร้อมๆ กัน โดยการสังเกตว่าสีย้อมกระจายตัวอย่างไร และกำหนดขอบเขตคำตอบด้วยกฎการอนุรักษ์มวล การเปลี่ยนแปลงของค่าการซึมผ่านของเนื้อเยื่อสมอง อาจเป็นตัวบ่งชี้เริ่มต้นของพยาธิสภาพ เพราะหากเนื้อเยื่อต้านทานการไหลของของเหลวมากขึ้น การชะล้างของเสียก็จะหยุดชะงัก ความสามารถในการวัดคุณสมบัตินี้โดยไม่ต้องผ่าตัดจากภาพ MRI อาจเปิดหน้าต่างใหม่ไปสู่ระยะเริ่มต้นของโรคความเสื่อมทางระบบประสาทได้

ข้อจำกัดในปัจจุบัน: ช่องว่างระหว่างหนูกับคน

สิ่งสำคัญที่ต้องทราบคือ การวัดทั้งหมดจนถึงขณะนี้ทำในแบบจำลองสัตว์ โดยเฉพาะอย่างยิ่งในหนู เพื่อสร้างค่าพื้นฐานอ้างอิง การถ่ายภาพสมองมนุษย์มีความท้าทายเพิ่มขึ้นอีกมาก ทั้งขนาดที่ใหญ่กว่า ระยะเวลาในการสแกนนานกว่า และความจำเป็นต้องใช้สารติดตามที่ปลอดภัยสำหรับใช้ในคลินิก คณะนักวิจัยกำลังพยายามปรับใช้วิธีนี้สำหรับมนุษย์อย่างจริงจัง แต่การก้าวข้ามขั้นตอนนี้ยังอยู่ระหว่างดำเนินการ

ความเป็นไปได้ทางการแพทย์ที่กำลังจะมาถึง

แม้จะมีข้อจำกัดเหล่านี้ แต่ความเป็นไปได้ทางคลินิกในระยะยาวนั้นก็น่าทึ่ง ความสามารถในการวัดการทำงานของระบบกลิมฟาติกได้โดยตรงจากการสแกน MRI ธรรมดา อาจเปลี่ยนโฉมหน้าวงการประสาทวิทยาได้ในวันหนึ่ง

• การคัดกรองโรคอัลไซเมอร์: ระบบกลิมฟาติกมีหน้าที่กำจัดโปรตีนอะไมลอยด์-เบตาระหว่างการนอนหลับ หากวิธี AI นี้สามารถนำมาใช้ในมนุษย์ได้ ก็อาจใช้วัดได้ว่าผู้ป่วยอัลไซเมอร์มีการไหลเวียนของเหลวในสมองที่บกพร่องหรือไม่ หรืออาจใช้คัดกรองบุคคลที่มีสุขภาพดีตั้งแต่อายุยังน้อย เพื่อดูการชะล้างที่ไม่มีประสิทธิภาพ ก่อนที่คราบโปรตีนจะก่อตัวขึ้น
• การบาดเจ็บทางสมอง (TBI) และการกระทบกระเทือน: การกระทบกระเทือนทางสมองสามารถรบกวนพลศาสตร์ของของไหลในสมอง แต่ปัจจุบันยังไม่มีวิธีวัดผลกระทบนั้นได้โดยตรง กรอบการวัดความเร็วด้วย AI อาจเป็นเครื่องมือเชิงปริมาณในการประเมินว่าการไหลของระบบกลิมฟาติกถูกกระทบหรือไม่ หลังจากได้รับบาดเจ็บที่ศีรษะ
• การวิจัยความชรา: การชะล้างของระบบกลิมฟาติกลดลงตามธรรมชาติเมื่ออายุมากขึ้น ซึ่งมีส่วนทำให้ความสามารถทางความคิดถดถอย การเปรียบเทียบความเร็วการไหลในสมองของคนอายุน้อยกับคนสูงอายุโดยตรง อาจเผยให้เห็นกลไกทางกายภาพที่อยู่เบื้องหลังการถดถอยนี้ และนำไปสู่แนวทางการรักษาได้

วิธีการนี้ยังสามารถปรับใช้ได้นอกเหนือจากการถ่ายภาพ กลุ่มวิจัยได้ขยายการสร้างแบบจำลองเพื่อศึกษาการไหลที่ขึ้นกับเวลา สำหรับการจำลองการฉีดสารติดตามและการส่งยาในเครือข่ายระบบกลิมฟาติกแล้ว ซึ่งบ่งบอกถึงการประยุกต์ใช้ในอนาคตเพื่อนำทางการรักษาไปยังสมอง

AI ที่เรียนรู้กฎฟิสิกส์ได้เปิดโอกาสให้นักวิจัยได้เห็นการทำงานของระบบท่อระบายของเสียในสมองเป็นครั้งแรก แม้ว่าการใช้งานในคลินิกจะยังอีกหลายปี แต่แผนที่การไหลแบบสองความเร็วนี้ได้มอบรากฐานเชิงปริมาณเพื่อการทำความเข้าใจว่าสมองรักษาความสะอาดของตัวเองได้อย่างไร และจะเกิดอะไรขึ้นเมื่อระบบนั้นล้มเหลว

ความก้าวหน้าทางเทคนิค: การสอน AI ให้รู้จักกฎของพลศาสตร์ของไหล

โดยทั่วไปแล้ว MRI สามารถแสดงให้เห็นว่าสีย้อมที่ใช้ติดตามกำลังแพร่กระจายไปทั่วสมอง แต่มันไม่สามารถวัดความเร็วของการแพร่กระจายนั้นได้ เมื่อการเคลื่อนที่เกิดขึ้นในระดับไม่กี่ไมครอนต่อวินาที เพื่อเอาชนะข้อจำกัดนี้ นักวิจัยได้สร้างโครงข่ายประสาทเทียมและฝึกฝนมันด้วยวิดีโอ MRI แบบไทม์แลปส์ที่บันทึกการกระจายตัวของสีย้อมผ่านเนื้อเยื่อสมอง นวัตกรรมสำคัญคือการป้อนข้อมูลให้ AI ไม่ใช่แค่ข้อมูลภาพ แต่ยังรวมถึงสมการพื้นฐานของพลศาสตร์ของไหล (fluid dynamics) อีกด้วย

แนวทางนี้รู้จักกันในชื่อ 'โครงข่ายประสาทเทียมที่เรียนรู้กฎฟิสิกส์' (Physics-informed neural networks) หรือ 'การวัดความเร็วด้วยปัญญาประดิษฐ์' (Artificial intelligence velocimetry - AIV) ซึ่งบังคับให้การคาดการณ์ของแบบจำลองต้องเป็นไปตามกฎของฟิสิกส์ การทำเช่นนี้ทำให้ AI สามารถอนุมานค่าสองค่าที่ไม่สามารถเข้าถึงได้มาก่อนจากการเคลื่อนที่ของสีย้อม นั่นคือความเร็วเฉพาะที่ของของเหลว และความสามารถในการซึมผ่านของเนื้อเยื่อสมองโดยรอบ เทคนิคนี้ต่อยอดมาจากงานวิจัยก่อนหน้านี้ของทีมเดียวกันที่ใช้ AIV ในการวัดปริมาณความดัน แรงเฉือนผนังหลอดเลือด และความเร็วสามมิติในช่องว่างรอบหลอดเลือดของหนู

การค้นพบ: ระบบกำจัดของเสียแบบสองความเร็ว

การสร้างภาพด้วยพลังของ AI เผยให้เห็นความแตกต่างอย่างชัดเจนว่าระบบกลิมฟาติกเคลื่อนย้ายของเหลวอย่างไร ขึ้นอยู่กับตำแหน่งในสมอง ดังนี้

• การไหลเร็วที่ผิวสมอง: ในบริเวณเปิดกว้าง เช่น ช่องว่างใต้เยื่อหุ้มสมองชั้นกลาง (subarachnoid space) ระหว่างกะโหลกศีรษะกับสมอง น้ำหล่อสมองไขสันหลังจะเคลื่อนที่ด้วยความเร็วระดับไม่กี่ไมครอนต่อวินาที ทำหน้าที่กวาดล้างของเสียไปตามทางหลวงหลอดเลือดแดงหลักได้อย่างมีประสิทธิภาพ
• การไหลช้าในเนื้อเยื่อส่วนลึก: เมื่อของเหลวซึมเข้าสู่เนื้อสมองส่วนพาเรงคิมา (parenchyma) ซึ่งเป็นเนื้อเยื่อที่ใช้งานได้จริง ของเหลวจะไหลเอื่อยๆ ในอัตราที่ ช้ากว่าการไหลที่ผิวสมองประมาณ 50 เท่า

การทำงานแบบสองความเร็วนี้สมเหตุสมผลในเชิงชีววิทยา พื้นผิวด้านนอกของสมองทำหน้าที่เป็นเครือข่ายการกระจายของเหลวที่มีประสิทธิภาพสูง ในขณะที่เนื้อเยื่อส่วนลึกมีความต้านทานต่อการไหลสูง ทำให้ของเหลวซึมผ่านช่องว่างระหว่างเซลล์เล็กๆ อย่างช้าๆ งานสร้างแบบจำลองก่อนหน้านี้ของกลุ่มของเคลลีย์ได้ชี้ให้เห็นแล้วว่า การมีช่องว่างรอบหลอดเลือดที่มีความต้านทานต่ำควบคู่กับเนื้อสมองที่มีความต้านทานสูง เป็นเงื่อนไขเดียวที่สามารถขับเคลื่อนการไหลของระบบกลิมฟาติกได้ด้วยแรงดันที่ต่างกันเพียงเล็กน้อย และทำให้ของเหลวกระจายไปทั่วเปลือกสมองได้ดี การวัดด้วย AI ในครั้งนี้จึงเป็นหลักฐานโดยตรงในสิ่งมีชีวิต (in vivo) ที่ยืนยันโครงสร้างดังกล่าว

ไกลกว่าความเร็ว: การวัดความสามารถในการซึมผ่านของเนื้อเยื่อ

ตัวแปรสำคัญที่ซ่อนอยู่ในงานวิจัยระบบกลิมฟาติกคือ 'ความสามารถในการซึมผ่านของเนื้อเยื่อ' (tissue permeability) ซึ่งบ่งบอกว่าเนื้อเยื่อสมองยอมให้ของเหลวไหลผ่านได้ง่ายเพียงใด กรอบการทำงาน AI แบบฟิสิกส์สารสนเทศใหม่นี้ สามารถอนุมานค่าการซึมผ่านได้พร้อมๆ กัน โดยการสังเกตว่าสีย้อมกระจายตัวอย่างไร และกำหนดขอบเขตคำตอบด้วยกฎการอนุรักษ์มวล การเปลี่ยนแปลงของค่าการซึมผ่านของเนื้อเยื่อสมอง อาจเป็นตัวบ่งชี้เริ่มต้นของพยาธิสภาพ เพราะหากเนื้อเยื่อต้านทานการไหลของของเหลวมากขึ้น การชะล้างของเสียก็จะหยุดชะงัก ความสามารถในการวัดคุณสมบัตินี้โดยไม่ต้องผ่าตัดจากภาพ MRI อาจเปิดหน้าต่างใหม่ไปสู่ระยะเริ่มต้นของโรคความเสื่อมทางระบบประสาทได้

ข้อจำกัดในปัจจุบัน: ช่องว่างระหว่างหนูกับคน

สิ่งสำคัญที่ต้องทราบคือ การวัดทั้งหมดจนถึงขณะนี้ทำในแบบจำลองสัตว์ โดยเฉพาะอย่างยิ่งในหนู เพื่อสร้างค่าพื้นฐานอ้างอิง การถ่ายภาพสมองมนุษย์มีความท้าทายเพิ่มขึ้นอีกมาก ทั้งขนาดที่ใหญ่กว่า ระยะเวลาในการสแกนนานกว่า และความจำเป็นต้องใช้สารติดตามที่ปลอดภัยสำหรับใช้ในคลินิก คณะนักวิจัยกำลังพยายามปรับใช้วิธีนี้สำหรับมนุษย์อย่างจริงจัง แต่การก้าวข้ามขั้นตอนนี้ยังอยู่ระหว่างดำเนินการ

ความเป็นไปได้ทางการแพทย์ที่กำลังจะมาถึง

แม้จะมีข้อจำกัดเหล่านี้ แต่ความเป็นไปได้ทางคลินิกในระยะยาวนั้นก็น่าทึ่ง ความสามารถในการวัดการทำงานของระบบกลิมฟาติกได้โดยตรงจากการสแกน MRI ธรรมดา อาจเปลี่ยนโฉมหน้าวงการประสาทวิทยาได้ในวันหนึ่ง

• การคัดกรองโรคอัลไซเมอร์: ระบบกลิมฟาติกมีหน้าที่กำจัดโปรตีนอะไมลอยด์-เบตาระหว่างการนอนหลับ หากวิธี AI นี้สามารถนำมาใช้ในมนุษย์ได้ ก็อาจใช้วัดได้ว่าผู้ป่วยอัลไซเมอร์มีการไหลเวียนของเหลวในสมองที่บกพร่องหรือไม่ หรืออาจใช้คัดกรองบุคคลที่มีสุขภาพดีตั้งแต่อายุยังน้อย เพื่อดูการชะล้างที่ไม่มีประสิทธิภาพ ก่อนที่คราบโปรตีนจะก่อตัวขึ้น
• การบาดเจ็บทางสมอง (TBI) และการกระทบกระเทือน: การกระทบกระเทือนทางสมองสามารถรบกวนพลศาสตร์ของของไหลในสมอง แต่ปัจจุบันยังไม่มีวิธีวัดผลกระทบนั้นได้โดยตรง กรอบการวัดความเร็วด้วย AI อาจเป็นเครื่องมือเชิงปริมาณในการประเมินว่าการไหลของระบบกลิมฟาติกถูกกระทบหรือไม่ หลังจากได้รับบาดเจ็บที่ศีรษะ
• การวิจัยความชรา: การชะล้างของระบบกลิมฟาติกลดลงตามธรรมชาติเมื่ออายุมากขึ้น ซึ่งมีส่วนทำให้ความสามารถทางความคิดถดถอย การเปรียบเทียบความเร็วการไหลในสมองของคนอายุน้อยกับคนสูงอายุโดยตรง อาจเผยให้เห็นกลไกทางกายภาพที่อยู่เบื้องหลังการถดถอยนี้ และนำไปสู่แนวทางการรักษาได้

วิธีการนี้ยังสามารถปรับใช้ได้นอกเหนือจากการถ่ายภาพ กลุ่มวิจัยได้ขยายการสร้างแบบจำลองเพื่อศึกษาการไหลที่ขึ้นกับเวลา สำหรับการจำลองการฉีดสารติดตามและการส่งยาในเครือข่ายระบบกลิมฟาติกแล้ว ซึ่งบ่งบอกถึงการประยุกต์ใช้ในอนาคตเพื่อนำทางการรักษาไปยังสมอง

AI ที่เรียนรู้กฎฟิสิกส์ได้เปิดโอกาสให้นักวิจัยได้เห็นการทำงานของระบบท่อระบายของเสียในสมองเป็นครั้งแรก แม้ว่าการใช้งานในคลินิกจะยังอีกหลายปี แต่แผนที่การไหลแบบสองความเร็วนี้ได้มอบรากฐานเชิงปริมาณเพื่อการทำความเข้าใจว่าสมองรักษาความสะอาดของตัวเองได้อย่างไร และจะเกิดอะไรขึ้นเมื่อระบบนั้นล้มเหลว