إن الدماغ البشري عبارة عن شبكة شاسعة ونابضة من الإشارات الكهربائية، التي تطلق نبضاتها باستمرار في إيقاعات تتغير بتغير أفكارنا وذكرياتنا وصحتنا. وعندما تبدأ هذه الآلية الدقيقة في الفشل، كما يحدث في مرض ألزهايمر، يتغير نمط تلك الهمهمات الكهربائية بطرق محددة وقابلة للقياس. لعقود من الزمن، اعتمد الأطباء على آلات ثابتة وباهظة الثمن مثل أجهزة التصوير بالرنين المغناطيسي (MRI) لرصد هذه التغييرات، ولكن مثل هذه الأدوات غالبًا ما تكون مكلفة ومرهقة للغاية من أجل الفحص واسع النطاق. وهناك بديل أكثر سهولة في الوصول متمثل في تخطيط كهربائية الدماغ، أو الـ EEG، وهو وسيلة تسجل النشاط الكهربائي للدماغ من خلال غطاء من المستشعرات يوضع على فروة الرأس. وبينما يتميز تخطيط كهربائية الدماغ بكونه محمولاً ومنخفض التكلفة، إلا أن الإشارات التي يلتقطها فوضوية للغاية وتختلف اختلافًا جذريًا من شخص لآخر، مما يجعل تفسيرها صعبًا دون كمية هائلة من البيانات المصنفة التي لا توجد ببساطة للعديد من الحالات العصبية.

هذا هو التحدي الذي سعى الباحثان تشانوو بارك وتشانوو كيم من جامعة كوريا لحله. فقد طورا طريقة جديدة لتعليم الحواسيب كيفية فهم اللغة المعقدة لموجات الدماغ دون الحاجة إلى معلم يصنف كل مثال على حدة. نهجهما، الذي يسمونه "Delta2Gamma"، يعامل الإشارة الكهربائية للدماغ ليس كتدفق واحد مشوش من البيانات، بل كمجموعة من خمس آلات موسيقية متميزة، تعزف كل منها نوتة مختلفة. ومن خلال فصل الإشارة إلى هذه النطاقات الترددية المحددة - والتي تتراوح من موجات "دلتا" البطيئة والثقيلة إلى موجات "جاما" السريعة والحادة - سمح الفريق للذكاء الاصطناعي بتعلم الخصائص الفريدة لكل إيقاع بشكل مستقل. وقد أثبتت هذه الطة فعالية ملحوظة: فعند اختبارها على مجموعة من الأشخاص المصابين بمرض ألزهايمر ومجموعات ضابطة من الأصحاء، حدد النظام المرض بدقة تقارب 93 بالمائة، وهي قفزة نوعية تشير إلى مستقبل يمكن فيه أن يصبح فحص الخرف بسيطًا وروتينيًا مثل الفحص الطبي السريع.

الفكرة الجوهرية وراء هذا الاختراق هي أن الدماغ لا يتحدث بصوت واحد. ففي حالات الشيخوخة الصحية، يميل النشاط الكهربائي للدماغ إلى التباطؤ، مع زيادة في موجات "دلتا" و"ثيتا" الأبطأ وانخفاض في موجات "ألفا" و"بيتا" و"جاما" الأسرع. كانت المحاولات السابقة لتحليل بيانات تخطيط كهربائية الدماغ تحاول غالبًا ضغط كل هذه المعلومات في تمثيل واحد، مما يؤدي فعليًا إلى دمج الأصوات المتميزة لهذه الإيقاعات المختلفة معًا. أدرك الباحثون أنه من خلال إبقاء هذه الترددات منفصلة، يمكنهم الحفاظ على القرائن المحددة التي تشير إلى المرض. لقد بنوا نظامًا يقوم أولاً بتقسيم تسجيل تخطيط كهربائية الدماغ الخام إلى خمسة مسارات متوازية، مسار لكل نطاق ترددي. ثم تتم معالجة كل مسار بواسطة شبكة عصبية مخصصة له، وهي نوع من البرامج الحاسوبية المصممة للتعرف على الأنماط، مما يسمح للنظام بتعلم "البصمة" الفريدة لكل إيقاع دون أن تتداخل مع بعضها البعض.

لتدريب هذا النظام، واجه الباحثون عقبة شائعة في الذكاء الاصطناعي الطبي: وهي وجود عدد قليل جدًا من تسجيلات الدماغ ذات التشخيصات المؤكدة لاستخدامها كدليل. وبدلاً من الاعتماد على مكتبة كبيرة من الأمثلة المصنفة، استخدموا تقنية تسمى "التعلم الخاضع للإشراف الذاتي". تخيل أنك تري طالبًا صورتين مختلفتين قليلاً لنفس الشيء وتطلب منه أن يدرك أنهما الشيء نفسه، حتى لو كانت إحدى الصورتين أكثر سطوعًا أو ضبابية قليلاً. طبق الباحثون نفس المنطق على موجات الدماغ؛ فقد أخذوا تسجيلًا واحدًا لتخطيط كهربائية الدماغ وأنشأوا نسختين مختلفتين قليلاً منه عن طريق إضافة كميات صغيرة من الضجيج أو حجب أجزاء من الإشارة. ثم كُلِّف الكمبيوتر بمهمة التعرف على أن هاتين النسختين المعدلتين تنتميان إلى نفس الدماغ الأصلي، مع تعلم تجاهل التغييرات العشوائية التي أحدثتها التعديلات. ومن خلال هذه العملية، تعلم النموذج التركيز على الأنماط المستقرة وذات المعنى للنشاط الكهربائي للدماغ بدلاً من الضجيج العشوائي الذي غالبًا ما يعيب هذه التسجيلات.

كان الابتكار الحاسم في تصميمهم هو استخدام "درجة حرارة تكيفية" لكل نطاق ترددي. بلغة تعلم الآلة، تتحكم درجة الحرارة هذه في مدى صرامة مقارنة الكمبيوتر بين الإشارات المختلفة. وجد الباحثون أن ليست كل إيقاعات الدماغ سهلة التعلم أو مهمة للتشخيص بنفس القدر. ومن خلال السماح للنظام بتعديل صرامة مقارناته تلقائيًا لكل نطاق، ضمنوا ألا تطغى الموجات الأبطأ والأكثر هيمنة على الموجات الأسرع والأكثر دقة. هذا التوازن الديناميكي يعني أن النموذج يمكنه التعلم من الطيف الكامل لنشاط الدماغ، مما يعطي الوزن المناسب لموجات "دلتا" البطيئة التي غالبًا ما تحمل أقوى علامات الخرف، مع الاستمرار في الانتباه إلى موجات "جاما" الأسرع المرتبطة بالوظائف المعرفية العليا.

عندما اختبر الفريق نموذجهم على مجموعة بيانات تضم 88 مشاركًا، بما في ذلك المصابين بألزهايمر، وأشكال أخرى من الخرف، وأصحاء، كانت النتائج مذهلة. باستخدام طريقة اختبار صارمة حيث يتم تدريب النظام على جميع المشاركين باستثناء شخص واحد ثم اختباره على ذلك الفرد الواحد المستبعد، حقق النموذج دقة بلغت 92.4 بالمائة. وقد تفوق هذا الأداء بشكل كبير على الأساليب الرائدة الأخرى، بما في ذلك النماذج التقلية الخاضعة للإشراف التي تعتمد على البيانات المصنفة، والأساليب الجديدة الخاضعة للإشراف الذاتي التي لا تفصل بين النطاقات الترددية. ووجد الباحثون أيضًا أن قدرة النموذج على التمييز بين الأدمغة السليمة والمصابة بالمرض تتحسن مع زيادة طول الإشارة المسجلة، مما يؤكد أن النظام يستفيد من الحصول على وقت أطول لمراقبة إيقاعات الدماغ الطبيعية.

كما كشفت الدراسة أن الأجزاء المختلفة من النظام كانت تتعلم أدوارًا متميزة ومتكاملة. فركزت المكونات المسؤولة عن الموجات الأبطأ على عدد قليل من السمات الرئيسية، بينما وزعت الأجزاء التي تتعامل مع الموجات الأسرع انتباهها بشكل أوسع. وهذا يشير إلى أن النموذج لم يكن يحفظ البيانات فحسب، بل كان يلتقط بالفعل الطبيعة المعقدة والمتعددة الطبقات لكيفية تأثير ألزهايمر على الدماغ. فقد تماشى الموجات البطيئة، التي أظهرت أقوى القدرة التشخيصية، مع ما يعرفه الأطباء بالفعل عن المرض، ومع ذلك وجد النظام قيمة في الموجات الأسرع أيضًا، مما خلق صورة أكثر اكتمالًا لحالة المريض. ومن خلال الجمع بين هذه الرؤى المنفصلة، حقق النموذج مستوى من الدقة لم يستطع نهج موحد واحد أو مجرد دمج للأدوات الموجودة الوصول إليه.

يُظهر هذا العمل أن المفتاح لإطلاق إمكانات تخطيط كهربائية الدماغ للفحص واسع النطاق للخرف قد يكمن في احترام التنوع الطبيعي لإشارات الدماغ. فبدلاً من فرض جميع البيانات في قالب واحد، يتبنى إطار عمل "Delta2Gamma" تعقيد المشهد الكهربائي للدماغ، حيث يعامل كل نطاق ترددي كقطعة حيوية من اللغز. ويدل نجاح هذا النهج على أنه مع توفر الأدوات المناسبة، يمكننا تحويل الإشارات المتغيرة والضوضائية للدماغ البشري إلى مؤشر واضح وموثوق للصحة، مما يفتح مسارًا للكشف المبكر يكون ميسور التكلفة وقابلًا للتوسع. ومع شيخوخة السكان وتزايد الطلب على فحص الخرف، يمكن لأساليب مثل هذه أن تغير كيفية مراقبتنا لصحة الدماغ، منتقلة بنا بعيدًا عن التشخيصات المكلفة والمرتبطة بالمستشفيات نحو مستقبل يمكن فيه رصد العلامات الدقيقة للمرض مبكرًا، ببساطة وفعالية.