Within-cohort discrimination and cross-cohort transfer of EEG-based ADHD classifiers: An exploratory two-cohort evaluation
تكشف هذه الدراسة الاستكشافية أنه بينما تحقق المصنفات القائمة على تخطيط كهربية الدماغ تمييزاً قوياً داخل المجموعة الواحدة للبالغين المصابين باضطراب نقص الانتباه مع فرط النشاط، إلا أنها تفشل في التعميم على الأطفال وغالباً ما تنتج ترتيبات عكسية عبر المجموعات، مما يسلط الض الضوء على قيود كبيرة في إمكانية نقل القدرة عبر المجموعات بسبب الاختلافات غير المنفصلة في العمر والمهمة والاستحواذ.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
يعتبر الدماغ البشري عضواً كهربائياً معقداً، حيث يطلق باستمرار إشارات يمكن قياسها من فروة الرأس باستخدام أجهزة استشعار. هذه الإشارات، المعروفة باسم تخطيط كهربية الدماغ (EEG)، تُنشئ بصمة كهربائية فريدة لكل شخص. ولعقود من الزمن، أملاً العلماء في استخدام هذه البصمات لتحديد حالات دماغية معينة، مثل اضطراب نقص الانتباه مع فرط النشاط (ADHD). وتتلخص الفكرة في أنه إذا تمكن حاسوب من التعرف على الأنماط الكهربائية لدماغ سليم مقابل دماغ مصاب بـ ADHD، فقد يساعد ذلك الأطباء في نهاية المطاف في إجراء تشخيصات أسرع وأكثر دقة. ومع ذلك، يوجد عائق رئيسي: فالدماغ يتغير بينما نكبر، والطريقة التي نسجل بها هذه الإشارات تتغير اعتماداً على ما يفعله الشخص في تلك اللحظة. فالنمط الذي يوجد لدى طفل يجلس ساكناً قد يبدو مختلفاً تماماً عن النمط الموجود لدى شخص بالغ، أو حتى عن نفس الطفل وهو يؤدي مهمة مختلفة. والسؤال الكبير هو ما إذا كان برنامج الحاسوب المدرب على رصد ADHD لدى مجموعة معينة من الناس يمكنه العمل فعلياً على مجموعة أخرى مختلفة تماماً، أم أنه سيعمل فقط على المجموعة المحددة التي تعلم منها.
لقد وضعت دراسة حديثة اختباراً لهذه المشكلة تحديداً باستخدام مجموعتين مختلفتين تماماً من الناس. جمع الباحثون بيانات من 121 طفلاً كانوا يؤدون مهمة بصرية، ومن 79 شخصاً بالغاً كانوا في حالة راحة مع فتح أعينهم. استخدموا طريقة تعلم حاسوبي قياسية لبناء نموذج يمكنه التمييز بين الأشخاص المصابين بـ ADHD وغير المصابين به، لكنهم فعلوا ذلك بطريقة صارمة للغاية؛ حيث قاموا بتدريب النموذج على مجموعة واحدة، ثم حاولوا استخدامه فوراً على المجموعة الأخرى دون إجراء أي تغييرات أو تعديلات. يشبه هذا تعليم طالب كيفية التعرف على نوع معين من الطيور في غابة ما، ثم الطلب منه تحديد نفس الطائر في غابة مختلفة تماماً، بإضاءة مختلفة وأشجار مختلفة، دون تزويده بدليل جديد.
كانت النتائج مذهلة وكشفت عن انقسام عميق بين ما يحدث داخل مجموعة واحدة وما يحدث عند محاولة الانتقال إلى مجموعة أخرى. عندما اختبر الباحثون النماذج الحاسوبية على البالغين الذين تم تدريبها عليهم، عمل النظام بشكل استثنائي، حيث حدد البالغين المصابين بـ ADHD بدقة تصل إلى 95%، وهو مستوى من الدقة يشير إلى أن الأنماط الكهربائية في مجموعة البالغين كانت متميزة وسهلة التعلم بالنسبة للحاسوب. ومع ذلك، عندما طُبق نفس النموذج الحاسوبي، المدرب على البالغين، على الأطفال، فقد فشل تماماً. في الواقع، صنف النموذج الأطفال المصابين بـ ADHD كما لو كانوا أصحاء، والأطفال الأصحاء كما لو كانوا مصابين بالاضطراب. وكان العكس صحيحاً أيضاً: فالنموذج المدرب على الأطفال أدى أداءً سيئاً عند اختباره على البالغين، حيث صنف المجموعات غالباً بترتيب عكسي لما هو متوقع.
هذه النتيجة ليست مجرد فشل بسيط للتكنولوجيا، بل تسلط الضوء على اختلاف جوهري في كيفية سلوك إشارات الدماغ عبر الأعمار والمهام المختلفة. وجد الباحثون أن السمات الكهربائية المحددة التي جعلت تصنيف البالغين سهلاً كانت مختلفة تماماً عن السمات التي قد تساعد مع الأطفال. ففي مجموعة البالغين، اعتمد الحاسوب بشكل كبير على تردد موجات الدماغ، وهو مقياس لسرعة تذبذب الإشارات، أما في الأطفال، فلم توفر مقاييس التردد نفسها معلومات مفيدة تقرياً. وقد أظهرت الدراسة أنه حتى عندما استخدم الباحثون نفس أجهزة الاستشعار في نفس الموضعين على الرأس وسجلوا لنفس المدة الزمنية تماماً، كانت البيانات الأساسية مختلفة جداً لدرجة أن النموذج المدرب على مجموعة أصبح عديم الفائدة للمجموعة الأخرى.
كما اختبر الباحثون مدى تأثير كمية البيانات المستخدمة في التدريب على النتائج. ووجدوا أن إعطاء الحاسوب المزيد من البيانات من الأطفال لم يحل المشكلة. فحتى عندما غذوا النموذج بكل التسجيلات المتاحة من الأطفال، ظل النموذج المدرب على الأطفال مرتبكاً، رغم أن أداءه تحسن قليلاً ليقترب من التخمين العشوائي بدلاً من البقاء في الأسفل. أما النموذج المدرب على البالغين فقد ظل دقيقاً للغاية بالنسبة للبالغين ولكنه ظل عديم الفائدة بالنسبة للأطفال. وهذا يشير إلى أن المشكلة ليست مجرد نقص في البيانات أو الحاجة إلى وقت تدريب أطول، بل إن طبيعة الإشارة نفسها تتغير جذرياً بين طفل يؤدي مهمة وبالغ في حالة راحة، بحيث لا يمكن تطبيق مجموعة واحدة من القواعد على كليهما.
تخلص الدراسة إلى أن نجاح نموذج الدماغ والحاسوب مرتبط بعمق بالمجموعة المحددة التي بُني من أجلها. فالنموذج الذي يعمل بشكل مثالي لمجتمع معين لا يعمل تلقائياً لمجتمع آخر، حتى لو كان الهدف هو التشخيص الطبي نفسه. ويؤكد الباحثون أن هذا لا يعني أن التكنولوجيا معطلة أو أنه لا يمكن اكتشاف ADHD عبر موجات الدماغ، بل يعني أن الطرق الحالية ليست قوية بما يكفي لسد الفجوة بين الأعمار والأنشطة المختلفة. وتعمل هذه النتائج بمثابة "واقع كاشف" للمجال، حيث تظهر أن الدقة العالية في إعداد معين لا تضمن النجاح في إعداد آخر. وإلى أن يتمكن العلماء من إيجاد طريقة لبناء نماذج تفهم هذه الاختلافات العميقة بين الأطفال والبالغين، أو بين المهام المختلفة، ستظل هذه الأدوات محدودة بالمجموعات المحددة التي صُممت لأجلها، بدلاً من أن تصبح أداة تشخيص عالمية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.