💬 NLP

Neuro-Oracle: A Trajectory-Aware Agentic RAG Framework for Interpretable Epilepsy Surgical Prognosis

تقدم الورقة البحثية Neuro-Oracle، وهو إطار عمل استرجاع معزز توليدي (RAG) وكيلِيّ ثلاثي المراحل يستفيد من متجهات مسار التصوير بالرنين المغناطو لقبل وبعد الجراحة الطولية لاسترجاع حالات جراحية مماثلة وتوليد تنبؤات مفسرة لنوبات الصرع، مما يظهر أداءً فائقاً على النماذج المرجعية الثابتة مع توفير مبررات سريرية مهيكلة وخالية من الهلوسة.

المؤلفون الأصليون: Aizierjiang Aiersilan, Mohamad Koubeissi

نُشر 2026-04-17

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Aizierjiang Aiersilan, Mohamad Koubeissi

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

إليك شرح لورقة بحث Neuro-Oracle، مترجم إلى لغة بسيطة ويومية باستخدام التشبيهات.

🧠 المشكلة الكبرى: تخمين مستقبل جراحة الصرع

تخيل أن لديك صديقاً يعاني من صرع حاد. هو يفكر في إجراء جراحة في الدماغ لإيقاف النوبات. يحتاج الطبيب للإجابة على أصعب سؤال: "هل ستنجح هذه الجراحة بالنسبة لك؟"

حالياً، ينظر الأطباء إلى صورة رنين مغناطيسي واحدة (صورة ثلاثية الأبعاد للدماغ) تم التقاطها قبل الجراحة. الأمر يشبه محاولة التنبؤ بكيفية قيادة سيارة في المستقبل من خلال النظر إلى صورة واحدة لها وهي مركونة في المرآب. أنت تفقد القصة الكاملة لكيفية تغير السيارة بمرور الوقت.

أيضاً، نماذج الذكاء الاصطناعي للتعلم العميق عادة ما تعطي فقط إجابة بـ "نعم" أو "لا" مع نسبة مئوية (مثلاً: "احتمال نجاح 80%"). لكن الأطباء لا يريدون مجرد رقم؛ هم يريدون معرفة لماذا. إنهم بحاجة إلى سبب يمكنهم الوثوق به.

🚀 الحل: Neuro-Oracle

قام المؤلفون ببناء نظام ذكاء اصطناعي جديد يسمى Neuro-Oracle. فكر فيه ليس كبلورة سحرية، بل كـ محقق طبي فائق الذكاء يستخدم ثلاث أدوات خاصة لحل القضية.

الأداة 1: كاميرا "السفر عبر الزمن" (المسار - The Trajectory)

بدلاً من النظر إلى صورة واحدة فقط، ينظر Neuro-Oracle إلى صورتين: واحدة قبل الجراحة وأخرى بعدها.

التشبيه: تخيل أن لديك صورة "قبل" لحديقة وصورة "بعد". الذكاء الاصطناعي العادي ينظر إلى صورة "بعد" ويخمن كيف كانت التربة. أما Neuro-Oracle فينظر إلى الفرق بين الاثنين. إنه يحسب بدقة كيف تغيرت الحديقة.
كيف يعمل: يقوم بضغط هذا "التغيير" في رمز صغير مكون من 512 رقماً (متجه المسار - trajectory vector). هذا الرمز يلتقط القصة الفريدة لكيفية تعافي دماغ ذلك المريض تحديداً أو تغيره بعد عملية القطع.

الأداة 2: "المكتبة الطبية الضخمة" (الاسترجاع - Retrieval)

بمجرد أن يحصل الذكاء الاصطناعي على "رمز التغيير"، فإنه لا يخمن فحداً. بل يذهب إلى مكتبة رقمية ضخمة من المرضى السابقين.

التشبيه: يشبه الأمر محققاً يدخل إلى مكتبة ويقول: "أرني أكثر 5 حالات تشابهاً مع هذه الحالة".
كيف يعمل: يبحث الذكاء الاصطناعي في أرشيفه عن مرضى تغيرت أدمغتهم بطريقة مشابهة جداً. يجد 5 أشخاص خضعوا لجراحات مشابهة وتغيرت أدمغتهم بشكل مشابه. ثم ينظر إلى ما حدث لهم. هل توقفوا عن الإصابة بالنوبات؟ أم استمرت لديهم؟

الأداة 3: "المترجم الخبير" (وكيل النماذج اللغوية الكبيرة - The LLM Agent)

هذا هو الجزء السحري. لا يقوم الذكاء الاصطناعي بمجرد عدّ أصوات المرضى الخمسة المتشابهين. بل يستخدم نموذجاً لغوياً قوياً ("وكيل استدلالي") لكتابة تقرير.

التشبيه: تخيل طبيباً حكيماً ومسالاً قرأ آلاف الملفات الطبية. تقدم له الحالات الخمس المتشابهة، فيقول لك: "حسناً، المريض (أ) كان في سن الأربعين وكان لديه تغيير مشابه في الدماغ، وقد تحسن حاله بشكل رائع. المريض (ب) كان في سن الستين وكان لديه تغيير مشابه، لكن حالته لم تكن جيدة. بناءً على عمرك والتغيرات المحددة في دماغك، إليك رأيي المهني..."
النتيجة: يخرج النظام تفسيراً باللغة الطبيعية (مثل ملاحظة طبية) بدلاً من مجرد رقم. إنه يخبرك لماذا يعتقد أن الجراحة ستنجح أو تفشل، بناءً على أدلة حقيقية من أشخاص مشابهين.

🏆 ماذا وجدوا؟

اختبر الباحثون هذا النظام على مجموعة بيانات عامة تضم 268 مريضاً. إليك التفاصيل:

النظر إلى "التغيير" أفضل من النظر إلى "الصورة":
- نماذج الذكاء الاصطناعي القديمة (التي تنظر إلى مسح واحد فقط) كانت مثل طالب يخمن في الامتحان. لقد أصابت في حوالي 79% من الحالات.
- نماذج "السفر عبر الزمن" الجديدة (التي تنظر إلى التغيير) أصابت حوالي 90% من المرات. لقد أدركوا أن كيفية تغير الدماغ هي دليل ضخم.
"المحقق" مقابل "ساحر الرياضيات":
- بنى الفريق نسختين.
  - ساحر الرياضيات (M6): نموذج رياضي بحت يقوم فقط بحساب الاحتمالات. كان الأكثر دقة (90.5% AUC) ولكنه لم يقدم أي تفسير. إنه "صندوق أسود".
  - المحقق (Neuro-Oracle / M5): هذه النسخة استخدمت طريقة "المكتبة + المترجم". كانت أقل دقة قليلاً (86.7%) ولكنها لم تبتدع أي معلومات خاطئة أبداً (صفر هلوسة). لقد قدمت سبباً مكتوباً واضحاً لكل توقع.
- لماذا يهم هذا: في الجراحة، قد يفضل الطبيب إجابة أقل دقة قليلاً ولكن يمكنه فهمها والتحقق منها، على إجابة مثالية لا يمكنه تفسيرها.

⚠️ العقبة (القيود)

الورقة البحثية صريحة جداً بشأن حدودها:

مشكلة "الوكيل" (Proxy Problem): لم يكن لدى الباحثين بيانات فعلية حول "هل توقف المريض عن الإصابة بالصرع؟" للجميع. لذا، استخدموا طريقاً مختصراً: خمنوا النتيجة بناءً على مكان إجراء الجراحة (مثلاً: "جراحة الفص الصدغي عادة ما تنجح؛ الأنواع الأخرى عادة لا تنجح").
الخطر: قد يكون الذكاء الاصطناعي يتعلم قول: "أوه، هذا الدماغ يبدو كأنه خضع لجراحة الفص الصدغي" بدلاً من "هذا الدماغ يبدو صحياً".
الهدف: يعترف المؤلفون أن هذا إثبات مفهوم. لقد بنوا المحرك ليظهروا أن فكرة "المسار + المكتبة + المترجم" تعمل. وبمجرد حصولهم على بيانات حقيقية حول ما إذا كان المرضى قد توقفوا فعلياً عن الإصابة بالصرع، يمكنهم دمج ذلك في النظام، ليصبح النظام "عرافاً طبياً" حقيقياً.

🌟 الخلاصة

Neuro-Oracle هو طريقة جديدة لاستخدام الذكاء الاصطناعي في الطب تعطي الأولوية لـ الشفافية. بدلاً من كونه صندوقاً أسود يقول "احتمال 90%"، فإنه يعمل كفريق من الباحثين الذين:

يقيسون بدقة كيف تغير دماغك.
يجدون 5 أشخاص تغيرت أدمغتهم بنفس الطريقة.
يكتبون تقريراً يشرح ما حدث لهؤلاء الأشخاص الخمسة وما يعنيه ذلك بالنسبة لك.

إنها خطوة نحو ذكاء اصطناعي لا يكتفي بالحساب، بل يشرح.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "Neuro-Oracle: إطار عمل RAG وكيل ذكي يعتمد على تتبع المسار لتفسير التنبؤ الجراحي لمرضى الصرع."

1. بيان المشكلة

يعد التنبؤ بنتائج ما بعد الجراحة لنوبات الصرع لدى المرضى الذين يعانون من مقاومة الأدوية تحديًا سريريًا كبيرًا. تعاني نهج التعلم العميق الحالية من ثلاث عيوب رئيسية:

المدخلات الساكنة (Static Inputs): تعتمد على مسوحات زمنية واحدة قبل العملية، متجاهلة التغيرات المورفولوجية الطولية (مثل ترقق القشرة التدريجي) التي تحدث بين حالتي ما قبل وما بعد الجراحة.
ندرة البيانات وفرط التخصيص (Overfitting): مجموعات البيانات الجراحية صغيرة (غالبًا أقل من 300 مريض)، مما يجعل المصنفات عالية القدرة عرضة لفرط التخصيص.
نقص القابلية للتفسير: تُخرج المصنفات القياسية درجات احتمالية دون مبررات سريرية يمكن التحقق منها، مما يحد من اعتمادها في دعم القرار الجراحي.
محدودية البيانات: تستخدم الدراسة مجموعة بيانات EPISURG العامة، والتي تفتقر إلى درجات خلو النوبات (تصنيف Engel) كحقائق أرضية. بناءً على ذلك، استخدم المؤلفون ملصقًا سريريًا وسيطًا يعتمد على نوع الجراحة (الاستئصال الصدغي = "مواتٍ"؛ الاستئصال غير الصدغي/استئصال نصف الكرة المخية = "أقل مواتاة")، مع الإقرار بأن هذا قد يؤدي إلى تعلم النموذج لأنماط الاستئصال التشريحي بدلاً من الاعتلال المرضي التنبئي الحقيقي.

2. المنهجية: إطار عمل Neuro-Oracle

Neuro-Oracle هو إطار عمل ثلاثي المراحل مصمم لترميز التغيرات الطولية، واسترجاع الحالات التاريخية المماثلة، وتوليد تنبؤات قابلة للتفسير باستخدام نموذج استرجاع معزز بالتوليد (RAG).

المرحلة الأولى: ترميز المسار التبايني (Contrastive Trajectory Encoding)

البنية: يقوم مشفر تبايني سيامي ثلاثي الأبعاد (يعتمد على MONAI 3D ResNet-50) بمعالجة صور الرنين المغناطيسي (T1) المزدوجة لما قبل العملية ( $X_{t0}$ ) وما بعد العملية ( $X_{t1}$ ).
المعالجة المسبقة: يتم تسجيل الصور بصلابة (6 درجات حرية) لمواءمة الفضاءات الإحداثية، وتجنب التسجيل التحولي للحفاظ على تغيرات الحجم الموضعية.
الترميز: تستخرج الشبكة نواقل السمات ( $v_{t0}, v_{t1}$ ). يتم إسقاط ناقل الفرق عبر طبقة MLP إلى ناقل مسار ذي 512 بُعدًا ( $\Delta v$ ).
هدف التدريب: يتم تدريب النموذج باستخدام مزيج من فقد التباين الخاضع للإشراف (لتجميع النتائج المتشابهة) وفقد التركيز (Focal Loss) (لمعالجة عدم التوازن في الفئات بنسبة 4:1).

المرحلة الثانية: أرشيف السكان واسترجاع المسار

بناء الأرشيف: يتم ترميز جميع المرضى في التدريب إلى فهرس FAISS باستخدام نواقل المسار ذات الـ 512 بُعدًا الخاصة بهم.
الاسترجاع: بالنسبة لمريض استعلام جديد، يقوم النظام باسترجاع أعلى $k$ (حيث k=5) من المسارات التاريخية المماثلة بناءً على تشابه جيب التمام (الضرب الداخلي للمتجهات الموحدة).
التصفية: يتم تطبيق قاعدة استدلالية لفجوة العمر ( $\delta = 15$ عامًا) لتصفية الجيران المسترجعين الذين لديهم تباينات عمرية كبيرة، لضمان الصلة الديموغرافية.

المرحلة الثالثة: وكيل الاستدلال المعاير للنماذج اللغوية الكبيرة (LLM)

الوكيل: يعمل نموذج Llama-3-8B-Instruct مكمم (بصيغة 4-bit NF4) كمحرك للاستدلال.
الصياغة (Prompting): يتلقى الوكيل البيانات الوصفية لمريض الاستعلام وملفات تعريف الجيران المسترجعين (العمر، الجنس، النتيجة). ويُطلب منه إصدار رمز حكم (SUCCESS أو FAILURE) متبوعًا بجملة تبرير واحدة.
معايرة الاحتمالية: يكون احتمال التنبؤ النهائي ( $p_{Oracle}$ ) مزيجًا مرجحًا من تصويت أغلبية الجيران ( $p_{neighbor}$ ) وحكم النموذج اللغوي الثنائي ( $p_{LLM}$ ):
$p_{Oracle} = 0.60 \times p_{neighbor} + 0.40 \times p_{LLM}$
هذا يوازن بين الأدلة الهندسية والاستدلال الدلالي.

3. المساهمات الرئيسية

بنية مدركة للمسار: أول تطبيق لمشفر تبايني سيامي ثلاثي الأبعاد لاستخلاص التغيرات المورفورية من قبل ومن بعد العملية وتحويلها إلى متجه مسار قابل للاسترجاع للتنبؤ بمرض الصرع.
RAG وكيل للتشخيص السريري: تقديم نظام Visual RAG حيث يقوم وكيل LLM بتوليد تنبؤات باللغة الطبيعية مستندة إلى أدلة صور طبية ثلاثية الأبعاد مسترجعة، بدلاً من الاعتماد على مصنف ثابت.
القابلية للتفسير دون تضحية: يحقق الإطار أداءً مشابهًا للنماذج التمييزية البحتة مع توفير تبريرات طبيعية قابلة للتدقيق، مع عدم رصد أي حالات هلوسة خلال بروتوكول التدقيق.
قابلية إعادة الإنتاج مفتوحة المصدر: تعتمد الدورة الكاملة على مجموعات بيانات عامة (EPISURG) وأدوات مفتوحة المصدر (MONAI, FAISS, HuggingFace).

4. النتائج التجريبية

تم التقييم على مجموعة بيانات EPISURG (N=268) باستخدام التحقق المتقاطع الطبقي خماسي الطيات.

الأداء مقابل النماذج المرجعية:
- النماذج المرجعية الساكنة: حقق نموذج ResNet-50 أحادي النقطة الزمنية مساحة تحت المنحنى (AUC) قدرها 0.793.
- مصنفات المسار: تفوقت الطرق التي تستخدم متجه المسار ( $\Delta v$ ) بشكل ملحوظ على النماذج الساكنة. حقق التمثيل المتنوع السيامي (M6) أعلى AUC بلغ 0.905.
- Neuro-Oracle (M5): حقق AUC قدره 0.867، وهو ما يطابق نموذج 3D-ViT الساكن ومصنف k-NN للمسار، مع توفير القابلية للتفسير.
الحساسية: أظهرت طرق المسار حساسية أعلى بكثير للفئة الأقلية (النتائج الأقل مواتاة) مقارلة بالنموذج الساكن ResNet-50 (0.396 مقابل ~0.80+).
دراسات الاستئصال (Ablation Studies):
- إزالة المشفر المدرب (التهيئة العشوائية) أدى إلى انخفاض AUC إلى 0.488 (مستوى الصدفة)، مما يؤكد أن متجه المسار يحمل إشارة تمييزية.
- تقليل الاسترجاع إلى $k=1$ أدى إلى انخفاض AUC إلى 0.741، مما يبرز فائدة التصويت متعدد الجيران.
مقاييس التدقيق:
- صفر هلوسة: لم ينتج النموذج اللغوي أي مخرجات تحتوي على معلومات خارج نافذة السياق المقدمة.
- الالتزام بفلتر العمر: بلغت نسبة الالتزام بقاعدة تصفية فجوة العمر 73.9% في الاستدلال المولد.

5. الأهمية والقيود

التأثير السريري: يسد Neuro-Oracle الفجوة بين الذكاء الاصطناٍء عالي الأداء والثقة السريرية. من خلال توفير "سلسلة أدلة قابلة للتتبع" (الجيران المتشابهين المسترجعين + استدلال LLM)، فإنه يعالج مشكلة "الصندوق الأسود".
المقايضة: بينما يمتلك النموذج التمييزي البحت (M6) AUC أعلى قليلاً (0.905 مقابل 0.867)، إلا أن Neuro-Oracle يُعتبر أكثر قابلية للنشر لأن استدلاله شفاف وقابل للتدقيق.
القيود:
- الملصقات الوسيطة: يتنبأ النموذج بنوع الجراحة كوسيط لخلو النوبات، مما يعني أنه قد يتعلم سمات الاستئصال التشريحي بدلاً من الاعتلال المرضي الصرعي الحقيقي.
- حجم العينة: صغر حجم مجموعة البيانات (N=268) من مركز واحد يحد من تعميم النتائج والقدرة الإحصائية للمقارنات الثنائية.
- العمل المستقبلي: يتطلب الربط بسجلات حقيقية لنتائج تصنيف Engel والاختبار عبر مراكز وأجهزة مسح متعددة.

الخلاسة: يثبت Neuro-Oracle أن ترميز التغيرات المورفولوجية الطولية في متجه مسار، مقترنًا بالاستدلال القائم على RAG، يوفر نهجًا قويًا وقابلاً للتفسير وعالي الأداء للتنبؤ الجراحي لمرضى الصرع، مما يضع معيارًا جديدًا للذكاء الاصط์ئي الطبي القابل للتفسير.