End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence

إن الدماغ البشري ليس مجرد مجموعة ثابتة من الأجزاء، بل هو شبكة ديناميكية متدفقة حيث تنتقل المعلومات باستمرار بين مناطق مختلفة. ولفهم كيفية عمل الدماغ، وكيفية تعثره أثناء الإصابة، ينظر العلماء إلى ثلاثة أنواع من الاتصالات: الاتصال الهيكلي (Structural connectivity) وهو التوصيلات المادية، مثل الطرق نفسها؛ والاتصال الوظيفي (Functional connectivity) الذي يقيس مدى تكرار اشتعال مناطق مختلفة في نفس الوقت، بشكل يشبه أنماط حركة المرور التي تتزامن بالصدفة؛ أما الاتصال الفعال (Effective connectivity) فيذهب إلى أبعد من ذلك، حيث يتساءل عن أي منطقة هي التي ترسل الإشارة فعلياً إلى الأخرى، مؤسساً بذلك علاقة سبب ونتيجة في تدفق المعلومات. وبالنسبة للمرضى الذين يعانون من السكتة الدماغية، حيث يتم حظر تدفق الدم إلى جزء من الدماغ، تتعطل هذه الشبكات. ونادراً ما يكون الضرر مجرد فجوة بسيطة في الأنسجة؛ بل إنه يمتد كالموجات عبر النظام بأكته، مغيراً كيفية انتقال المعلومات من جانب واحد من الدماغ إلى الجانب الآخر. ويعد فهم هذه التغيرات المحددة في الاتجاه والتوقيت أمراً بالغ الأهمية لتشخيص شدة السكتة الدماغية والتنبؤ بكيفية تعافي المريض، ومع ذلك، غالباً ما تجد الأدوات التقليدية صعوبة في رسم خرائط هذه التدفقات المعقدة أحادية الاتجاه بدقة.

في دراسة جديدة، طور باحثون من جامعة AGH في كراكوف ومركز "سانو" للطب الحسابي (Sano Center for Computational Medicine) مساراً كاملاً لرسم خرائط هذه التدفقات السببية واستخدامها للتمييز بين الأدمغة السليمة وتلك المتضررة من السكتة الدماغية. بدأ الفريق ببيانات التصوير بالرنين المغناطيسي لـ 104 مرضى سكتة دماغية و26 متطوعاً سليماً. التقطت هذه الفحوصات نشاط الدماغ بمرور الوقت، مقسماً إلى 100 منطقة متميزة. وبدلاً من استخدام الطرق القياسية التي تفترض غالباً وجود علاقة بسيطة ثنائية الاتجاه بين المناطق، استخدم الباحثون تقنية حسابية متخصصة تسمى "الحوسبة الخزانية" (reservoir computing). يعامل هذا النهج نشاط الدماغ كنظام معقد يعتمد على الزمن، مما يسمح للكمبيوتر بتعلم كيف تؤثر الإشارة في منطقة ما على الإشارة في منطقة أخرى، مما يعيد بناء اتجاه تدفق المعلومات بفعالية. وكانت النتيجة عبارة عن خريطة تفصيلية لـ "الاتصال الفعال" لكل شخص، ممثلة كرسم بياني موجه حيث تظهر الأسهم بالضبط أي مناطق الدماغ هي التي تقود نشاط المناطق الأخرى.

بمجرد إنشاء هذه الخرائط، قام الباحثون بتغذيتها في نوع من الذكاء الاصطناعي المصمم لتحليل الشبكات، والمعروف باسم "الشبكة العصبية التلافيفية الرسومية" (graph convolutional neural network). كان الهدف هو معرفًة ما إذا كان بإمكان الكمبيوتر تعلم التمييز بين شبكات أدمغة مرضى السكتة الدماغية والمتطوعين الأصحاء بناءً على هذه الخرائط الاتجاهية فقط. وقد نجح النظام في تحديد المجموعات بدقة ترجمت إلى درجة 0.69 على مقيست الأداء القياسي. ورغم أن هذا قد يبدو متواضعاً، إلا أنه يمثل تحسناً كبيراً عن الطرق السابقة التي اعتمدت على تقنيات إحصائية قديمة، مثل "سببية غرانجر" (Granger causality)، والتي حققت درجات أقل. وأظهرت الدراسة صراحة أن نهج الحوسبة الخزانية الجديد نجح في التقاط تفاصيل الشبكات المختلة في الدماغ بشكل أفضل من الطريقة التقليدية، لا سيما في الكشف عن كيفية انكسار التوازن بين نصفي الدماغ الأيسر والأيمن لدى المرضى.

ولعل الجزء الأكثر قيمة في هذا العمل لم يكن مجرد التصنيف، بل القدرة على تفسير سبب اتخاذ الكمبيوتر لقراراته. باستخدام أداة تسمى LIME، استطاع الباحثون النظر داخل "عملية التفكير" الخاصة بالذكاء الاصطناعي لمعرفة أي الاتصالات المحددة في الدماغ كانت الأكثر أهمية لتحديد السكتة الدماغية. واكتشفوا أن العلامات الأكثر دلالة على الاضطراب لدى المرضى وُجدت في الشبكات المسؤولة عن الانتباه، سواء في أعلى أو أسفل أنظمة الانتباه في الدماغ. وفي المقابل، تم تحديد الأصحاء من خلال سلامة شبكات الرؤية واللغة لديهم. ويتماشى هذا الاكتشاف مع ما هو معروف عن أعراض السكتة الدماغية، مثل "الحبسة الكلامية" (aphasia)، حيث يضعف معالجة اللغة. وتشير الدراسة إلى أن موقع السكتة الدماغية يهم للغاية؛ فالمرضى الذين يعانون من ضرر في الجانب الأيمن من الدماغ أظهروا انكساراً أكثر حدة في التواصل المتماثل بين نصفي الدماغ، ويرجع ذلك على الأرجح إلى أن نصف الكرة الأيمن أقل انخراطاً في الكلام ويعاني أكثر من الآثار المترتبة على الإصابة.

ويؤكد الباحثون أن هذا إطار عمل متكامل (end-to-end framework)، مما يعني أنه يأخذ صور الرنين المغناطيسي الخام ويحولها إلى تشخيص واضح وقابل للتفسير دون الحاجة إلى خبراء بشريين لتتبع كل اتصال يدوياً. وعلى الرغم من أن مجموعة البيانات كانت متباينة، حيث وقعت حالات السكتة الدماغية في أماكن مختلفة عبر الدماغ، فقد تمكن النظام من إيجاد خيط مشترك للاضطراب. ولا تدعي الدراسة أنها حلت مشكلة تشخيص السكتة الدماغية، ولا تشير إلى أن هذه الأداة جاهزة للاستخدام الفوري في المستشفى. بدلاً من ذلك، هي توضح مساراً قابلاً للتطبيق، وتظهر كيف يمكن للجمع بين النمذجة السببية المتقدمة والذكاء الاصطناعي القابل للتفسير أن يكشف عن الميكانيكا الخفية لإصابات الدماغ. ومن خلال تحويل بيانات التصوير العصبي المعقدة إلى خريطة مرئية للاتصالات المختلة، يقدم هذا العمل طريقة جديدة لفهم كيفية فشل الدماغ، مما قد يؤدي إلى طرق أفضل لتصنيف المرضى وتصميم علاجات مخصصة لهم في المستقبل.