Rethinking EEG-Based Disease Diagnosis: Decoupling Instance Representation Learning from Subject-Level Supervision

تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من استجواب مشتبه به واحد، يتعين عليك تجميع القصة بأكملها من مئات الهمسات الصغيرة والمجزأة. هذا هو عالم تشخيص الأمراض القائم على تخطيط كهربائية الدماغ (EEG). إن تخطيط كهربائية الدماغ يشبه ميكروفوناً عالي التقنية يوضع على فروة الرأس، ليسجل "الدردشة" الكهربائية للدماغ. يستخدم الأطباء هذه التسجيلات لرصد علامات الحالات العصبية مثل مرض ألزهايمر أو الاكتئاب. والجزء الصعب هو أن الدماغ لا يصرخ بأسراره دفعة واحدة؛ بل يهمس بها في نبضات قصيرة عبر الزمن.

تقليدياً، حاولت برامج الكمبيوتر (الذكاء الاصطناعي) حل هذه المعضلة عبر معاملة كل همسة كدليل منفصل. فقد كانوا يقطعون التسجيل الطويل إلى شرائح صغيرة مدة كل منها ثانية واحدة، ثم يضعون عليها نفس التصنيف "مريض" أو "سليم"، ويدربون الذكاء الاصطناعي على تخمين التصنيف لكل شريحة على حدة. الأمر يشبه افتراض أن كل كلمة ينطق بها الشخص لها نفس الأهمية في حل اللغز. لكن العيب هنا هو: ماذا لو كانت بعض الهمسات مجرد ضوضاء خلفية، بينما تحمل أخرى المفتاح؟ إذا ارتبك الذكاء الاصطناعي بسبب الضوضاء، فقد يخطئ في فهم القصة بأكملها. تعالج هذه الورقة البحثية هذا الارتباك عبر التساؤل: ماذا لو توقفنا عن إجبار الذكاء الاصطناعي على تخمين التصنيف لكل شريحة صغيرة، وعوضاً عن ذلك علمناه كيف يستمع إلى المحادثة بأكملها أولاً؟

---

المشكلة: فخ "النسخ واللصق"

لفترة طويلة، كانت الطريقة القياسية لتعليم الذكاء الاصطناعي قراءة موجات الدماغ تشبه معلماً كسولاً ينسخ نموذج الإجابة نفسه على كل صفحة من دفتر الطالب. إذا كان المريض يعاني من مرض ما، يُقال للكمبيوتر إن كل ثانية من تسجيل دماغ المريض تثبت أنه مريض. وهذا ما يسمى بـ "التدريب الموروث التصنيف" (inherited-label training).

المشكلة هي أن ليست كل ثانية من مسح الدماغ مفيدة بنفس القدر. قد تكون بعض اللحظات مليئة بإشارات واضحة للمرض، بينما تكون لحظات أخرى مجرد وقت راحة أو أحلام يقظة للدماغ. ومن خلال إجبار الذكاء الاصطناعي على معاملة كل ثانية كنموذج مثالي للمرض، يصاب الكمبيوتر بالارتباك؛ إذ يتعلم التنبؤ بتصنيف شريحة واحدة بدلاً من فهم كيف تعمل جميع الشرائح معاً لتروي القصة الكاملة.

من ناحية أخرى، هناك طريقة تسمى تعلم الأمثلة المتعددة (Multiple Instance Learning - MIL). وهي أكثر ذكاءً، حيث تعامل المريض بأكمله كـ "حقيبة" من شرائح الدماغ وتنظر فقط إلى التشخيص النهائي للحقيبة بأكملها، ولا تفرض تصنيفاً على كل شريحة. ومع ذلك، فإن هذا النهج له عيبه الخاص. ففي مجموعات البيانات الطبية، غالباً ما تمتلك آلاف الشرائح الدماغية ولكن عدد قليل جداً من المرضى. الأمر يشبه محاولة تعلم لغة عن طريق قراءة قاموس يحتوي على خمس كلمات فقط من المحادثات الفعلية. يعاني الذكاء الاصطناعي في تعلم شكل شريحة الدماغ "الجيدة" لأنه لا يملك سوى عدد قليل من المرضى ليتعلم منهم.

الحل: BridgeMIL

قام المؤلفون لهذه الورقة، "تشي-يوان ما" وفريقه، ببناء نظام جديد يسمى BridgeMIL لإصلاح هذه المشكلة مزدوجة الجوانب. لقد أدركوا أنهم بحاجة إلى طريقة لتعليم الذكاء الاصطناي ماهية شريحة الدماغ دون إجباره على تخمين تصنيف المرض لكل شريحة، ثم استخدام هذه المعرفة لحل لغز المريض بالكامل.

لقد فعلوا ذلك في مرحلتين، مثل بناء جسر بين جزيرتين:

المرحلة 1: مرحلة "الاستماع والتعلم"
أولاً، علموا الذكاء الاصطناعي فهم موجات الدماغ دون إظهار تسميات الأمراض له أبداً. استخدموا حيلة ذكية: أخبروا الذكاء الاصطناعي: "مهلاً، شريحة الدماغ من الثانية الماضية والشريحة الموجودة الآن يجب أن تبدو متشابهة لأنهما تنتميان لنفس الشخص". كما قالوا له: "إذا أخذت قطعتين عشوائيتين من تسجيل الشخص نفسه، فيجب أن تتشاركا في بعض السمات المشتركة".

ولضمان عدم تعلم الذكاء الاصطناعي مجرد قول "كل شيء متشابه" (وهي مشكلة تسمى "الانهيار" أو collapse)، أضافوا قواعد خاصة للحفاظ على نشاط وتنوع "عقل" الذكاء الاصطناعي. الأمر يشبه تدريب موسيقي على التعرف على إيقاع أغنية من خلال الاستماع إلى أجزاء مختلفة منها، بدلاً من مجرد حفظ النوتة الموسيقية للأغنية بأكملها. تتيح هذه المرحلة للذكاء الاصطناعي التعلم من جميع شرائح الدماغ المتاحة، وليس فقط من المرضى المصنفين.

المرحلة 2: مرحلة "المحقق"
بمجرد أن يصبح الذكاء الاصطناعي جيداً في فهم شرائح الدماغ، يقومون بـ "نقل" هذه المعرفة إلى مهمة المحقق النهائية. الآن، ينظر الذكاء الاصطناعي إلى جميع شرائح المريض ويستخدم نظام انتباه ذكي لتحديد أي الشرائح هي الأدلة الأكثر أهمية. والأهم من ذلك، أنه يتم تصحيحه فقط بناءً على الإجابة النهائية (هل المريض مريض أم لا؟)، وليس على كل شريحة بمفردها. ولضمان عدم نسيان الذكاء الاصطناعي لما تعلمه في المرحلة الأولى أثناء محاولته حل اللغز النهائي، أضافوا قاعدة "الحفاظ على السمات". تعمل هذه القاعدة كشبكة أمان، تذكر الذكاء الاصطناعي: "لا تغير فهمك لشرائح الدماغ كثيراً، فقط عدّل كيفية وزن أهميتها".

ماذا وجدوا؟

اختبر الفريق نظام BridgeMIL على ثلاث مجموعات بيانات لأمراض الدماغ: ألزهايمر، والاكتئاب، وباركنسون. وقارنوه بطرق "النسخ واللصق" القديمة وطرق "الحقيبة" القياسية.

كانت النتائج مبهرة. حقق BridgeMIL المركز الأول في 14 من أصل 15 سيناريو اختبار مختلف. وفي المتوسط، حقق دقة بلغت 76.57%، وهو ما يزيد بمقدار 4.28 نقطة مئوية عن أفضل طريقة تالية له. وهذه قفزة هائلة في عالم الذكاء الاصطناعي الطبي.

لكن الورقة لم تكتفِ بكلمة "إنه يعمل بشكل أفضل"، بل تعمقت لمعرفة لماذا:

• ليست كل الأدلة متساوية: وجدوا أن الطريقة القديمة لتسمية كل شريحة كانت بالفعل غير موثوقة. فبعض الشرائح كانت رائعة للتشخيص، بينما كانت أخرى مضللة. وقد تعلم BridgeMIL تجاهل الشرائح السيئة.
• المرضى أهم من الشرائح: اختبروا ما يحدث إذا كان لديك عدد أقل من المرضى مقابل عدد أقل من شرائح الدماغ. ووجدوا أن امتلاك عدد أقل من المرضى (Subjects) أثر سلباً على أداء الذكاء الاصطناعي أكثر بكثير من امتلاك عدد أقل من الشرائح. وهذا يشير إلى أنه في المستقبل، سيكون الحصول على مشاركة المزيد من الناس في الدراسات أكثر أهمية من مجرد تسجيل مسحات دماغية أطول.
• تنظيم أفضل: أصبح "عقل" الذكاء الاصطناعي الداخلي أكثر تنظيماً. فقد شكلت أنواع الأمراض المختلفة مجموعات (Clusters) أكثر وضوحاً وانفصالاً، مما جعل من السهل التمييز بينها.

الخلاصة

تشير هذه الورقة إلى أن أفضل طريقة لتعليم الذكاء الاصطناعي تشخيص أمراض الدماغ ليست إجباره على تسمية كل لحظة صغيرة من التسجيل. بدلاً من ذلك، يجب أن نتركه يتعلم "لغة" موجات الدماغ من جميع البيانات المتاحة أولاً، ثم نعلمه كيف يستمع للأدلة المحددة التي تهم التشخيص النهائي. من خلال فصل تعلم إشارات الدماغ عن تسمية المرض النهائية، يبني BridgeMIL جسراً أقوى وأكثر موثوقية لفهم الصحة العصبية. إنه تذكير بأنه في بعض الأحيان، لحل لغز كبير، عليك أن تتوقف عن الهوس بكل كلمة وتشرع في الاستماع إلى القصة بأكملها.