A foundation model with multi-variate parallel attention to generate neuronal activity
تقدم هذه الورقة البحثية نموذج MVPFormer، وهو نموذج تأسيسي توليدي للفيزيولوجيا الكهربائية البشرية يستخدم آلية انتباه متوازي متعدد المتغيرات (MVPA) مبتكرة للتعامل بفعالية مع تكوينات القنوات غير المتجانسة، محققاً أداءً هو الأفضل في حالته في مهام اكتشاف النوبات وفك التشفير، مع إطلاق أكبر مجموعة بيانات iEEG متاحة للعموم، وهي SWEC، لدعم الأبحاث المستقبلية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يعتبر الدماغ البشري شبكة واسعة ومعقدة من الإشارات الكهربائية، التي تعمل باستمرار وتتواصل للحفاظ على التفكير والحركة والإحساس. ولفهم كيفية عمل هذه الآلية، وللكشف عن حالات الخلل الوظيفي، غالبًا ما يضع الأطباء أقطابًا كهربائية دقيقة داخل الجمجمة مباشرة. هذا الإجراء، المعروف باسم تخطيط كهربية الدماغ داخل الجمجمة (iEEG)، يلتقط النشاط الكهربائي الخام للدماغ بدقة مذهلة. ومع ذلك، فإن البيانات التي ينتجها يصعب تحليلها بشكل كبير. فخلافًا لجهاز مراقبة القلب القياسي الذي يستخدم مجموعة ثابتة من المستشعرات، فإن إعدادات الـ iEEG فريدة لكل مريض؛ فقد يضع الطبيب عشرين قطبًا كهربائيًا في دماغ شخص ما وثمانين في آخر، اعتمادًا على المواقع المشتبه في نشوء النوبات منها. ويعني هذا التباين أن عدد القنوات ومواقعها المحددة تتغير من شخص لآخر، مما يجعل من شبه المستحيل على النماذج الحاسوبية التقليدية التعلم من مريض واحد وتطبيق تلك المعرفة على المريض التالي. ولسنوات طويلة، شكل هذا الافتقار إلى طريقة عالمية لقراءة هذه الخرائط الكهربائية المتغيرة عائقًا رئيسيًا أمام تطوير أدوات ذكية يمكن أن تساعد الأطباء في تشخيص وعلاج الصرع بشكل أكثر فعالية.
لقد طور فريق من الباحثين الآن نوعًا جديدًا من الذكاء الاصطناعي المصمم خصيصًا لتجاوز هذه العقبة. فقد أنشأوا نظامًا يسمى "MVPFormer"، والذي يعمل كنموذج تأسيسي لنشاط الدماغ البشري. فكر في الأمر كمتعلم عام يمكنه قراءة اللغة الكهربائية للدماغ، بغض النظر عن عدد المستشعرات المتصلة أو مكان وضعها. ويكمن جوهر هذا النظام في طريقة جديدة لمعالجة المعلومات تسمى "الانتباه المتوازي متعدد المتغيرات". فبدلاً من محاولة حشر التخطيط الفريد للأقطاب الكهربائية لكل مريض في شبكة واحدة صلبة، تسمح هذه الطريقة للحاسوب بالنظر إلى البيانات بثلاث طرق منفصلة في آن واحد: فهو يحلل محتوى الإشارة نفسها، وتوقيت الأحداث، والعلاقة المكانية بين القنوات المختلفة. ومن خلال فصل هذه العناصر، يمكن للنموذج تعلم الأنماط الكامنة لنشاط الدماغ دون الحاجة إلى معرفة الموقع الفيزيائي الدقيق لكل قطب كهربائي. فهو يتعلم أن الإشارة من جزء واحد من الدماغ قد تكون مرتبطة بجزء آخر، حتى لو كانت تلك الأجزاء بعيدة عن بعضها، ببساطة من خلال مراقبة كيفية انتقال الموجات الكهربائية وتفاعلها.
ولتعليم هذا النظام، احتاج الباحثون إلى كمية هائلة من البيانات، لكن مجموعات البيانات العامة الكبيرة لهذا النوع المحدد من تسجيلات الدماغ كانت نادرة. واستجابة لذلك، قاموا بنشر مجموعة بيانات "SWEC iEEG"، وهي أكبر مجموعة من نوعها متاحة للجمهور. تحتوي هذه المجموعة على ما يقرب من 10,000 ساعة من التسجيلات من 68 مريضًا مختلفًا، جُمعت على مدار عقد من الزمن في بيئات سريرية. وهي تتضمن آلاف الساعات من نشاط الدماغ الطبيعي بالإضافة إلى مئات النوبات المسجلة. وقد درب الباحثون نموذجهم على جزء من هذه البيانات، حيث علموه التنبؤ بما سيكون عليه شكل الإشارة الكهربائية للدماغ بعد بضع ثوانٍ من الآن. وقد أجبرت عملية التدريب هذه النموذج على فهم الديناميكيات المعقدة لكيفية تطور نشاط الدماغ عبر الزمن. وبمج-الانتهاء من التدريب، اختبروه على مرضى لم يسبق له رؤيتهم من قبل، وطلبوا منه القيام بمهمتين حرجتين: أولاً، اكتشاف حدوث النوبة، وثانيًا، فك تشفير مهام معرفية محددة مثل التعرف على الكلام أو مستوى الصوت.
كانت النتائج مذهلة. فعند تكليف النموذج بتحديد النوبات لدى المرضى الجدد، أدى المهمة بمستوى يضاهي الخبراء البشريين. وفي المجال الطبي، غالبًا ما يختلف الخبراء حول البداية والنهاية الدقيقة للنوبة، لكن توافق النموذج مع الأطباء كان عاليًا بما يكفي لاعتباره أداءً بمستوى الخبراء. لقد نجح في تحديد النوبات عبر مجموعة متنوعة من المرضى، حتى أولئك الذين لديهم إعدادات أقطاب كهربائية وأنماط نوبات مختلفة تمامًا. علاوة على ذلك، تفوق النموذج على الأنظمة الحالية المتطورة التي تعتمد على طرق قديمة لمعالجة البيانات؛ إذ كانت هذه الأنظمة القديمة تفشل تمامًا عند مواجهة المرضى الجدد غير المرئيين لها، لعجزها عن تعميم معرفتها. أما النموذج الجديد، فقد حافظ على دقته، مما أثبت أنه تعلم القواعد الأساسية لنشاط الدماغ بدلاً من مجرد حفظ إعدادات مريض محدد. كما برع في فك تشفير وظائف دماغية أخرى، مثل التمييز بين مستويات صوت مختلفة أو تحديد متى بدأ الشخص في الكلام، متفوقًا على النماذج السابقة في هذه المجالات أيضًا.
كما اختبر الباحثون ما إذا كان هذا النهج الجديد يعمل خارج السياق المحدد لإشارات الدماغ، من خلال تطبيقه على بيانات السلاسل الزمنية القياسية مثل توقعات الطقس وسجلات استهلاك الطاقة. وفي هذه المهام العامة، طابق النموذج أو تجاوز أداء أفضل الأدوات الموجودة، مما يشير إلى أن الطريقة التي طوروها هي أداة قوية ومرنة لتحليل أي بيانات معقدة تتغير بمرور الوقت وتتضمن مصادر متعددة. ومن الأهمية بمكان أن الفريق وجد أن قدرة النموذج على التعلم من البيانات الخام كانت ضرورية؛ حيث كان إصدار النموذج الذي لم يتم تدريبه أولاً على التنبؤ بحالات الدماغ المستقبلية يؤدي بشكل أسوأ بكثير في مهمة اكتشاف النوبات. وهذا يشير إلى أن مرحلة التعلم الأولية للتنبؤ بالحركة التالية للدماغ كانت حيوية لبناء نظام يمكنه حقًا فهم تعقيد الفسيولوجيا البشرية.
ومن خلال إتاحة كل من النموذج ومجموعة البيانات الضخمة للجمهور، قدم الباحثون أساسًا جديدًا لهذا المجال. لقد أثبتوا أنه من الممكن بناء ذكاء اصطناعي يمكنه التنقل في الواقع الفوضوي والمتغير لبيانات الدماغ السريرية دون الحاجة إلى إعداد معياري مثالي لكل مريض على حدة. فالنظام لا يحتاج إلى معرفة الخريطة الدقيقة لأقطاب المريض الكهربائية لفهم ما يحدث؛ بل يتعلم الروابط والأنماط من تلقاء نفسه. ويشير هذا العمل إلى مستقبل يمكن فيه للنماذج الحاسوبية مساعدة الأطباء في الوقت الفعلي، وتقديم رؤى موثوقة لنشاط الدماغ عبر مختلف المرضى، مما قد يؤدي إلى تشخيص أسرع وإدارة أفضل للحالات العصبية. ويمثل نجاح هذا النهج خطوة كبيرة نحو تحويل بيانات الدماغ الخاصة بكل مريض والفوضوية إلى إشارة متماسكة ومفهومة يمكن للآلات قراءتها والتعلم منها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.