An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals

يُعد الدماغ البشري شبكة شاسعة من الإشارات الكهربائية التي تهمهم باستمرار، وتطلق نبضات في أنماط تتغير مع أفكارنا وعواطفنا وحالاتنا الصحية. لعقود من الزمن، اعتمد الأطباء على المقابلات والملاحظة لتشخيص الحالات النفسية المعقدة مثل الفصام، وهو اضطراب يغير طريقة تفكير الشخص وشعوره وتفاعله مع العالم. وبينما تُعد هذه الأساليب السريرية ضرورية، إلا أنها تفتقر إلى الموضوعية، مما يؤدي غالباً إلى تأخير التشخيص أو التصنيف الخاطئ. وفي السنوات الأخيرة، توجه العلماء إلى تخطيط كهربية الدماغ (EEG)، وهي تقنية غير جراحية تضع مستشعرات على فروة الرأس لتسجيل النشاط الكهربائي للدماغ. وبخلاف فحوصات الدماغ باهظة الثمن، يتميز تخطيط كهربية الدماغ بكونه ميسور التكلفة ومحمولاً، مما يوفر نافذة مباشرة على ديناميكيات الدماغ في الوقت الفعلي. لكن التحدي كان دائماً يكمن في أن هذه الإشارات الكهربائية معقدة ودقيقة للغاية، مما يجعل من الصعب رصد الأنماط المحددة التي تميز الدماغ السليم عن الدماغ المصاب بالمرض.

لقد طور فريق من الباحثين من عدة جامعات في إيران طريقة جديدة لمعالجة هذه المشكلة، حيث ابتكروا نظاماً لا يكتفي بتحديد هذه الأنماط فح، بل يشرح أيضاً كيف وجدها بالضبط. ومن خلال تحليل تسجيلات من 101 شخص — 51 شخصاً تم تشخيصهم بالفصام و50 متطوعاً سليماً — بنى الباحثون إطار عمل يعتمد على التعلم الآلي قادراً على التمييز بين المجموعتين بدقة ملحوظة. ركزت الدراسة على حالتين محددتين: عندما يجلس المشاركون وأعينهم مغلقة، وعندما يجلسون وأعينهم مفتوحة. لم يكتفِ النظام بمجرد التخمين؛ بل قام بغربلة آلاف الأوصاف الرياضية لموجات الدماغ، واختار أكثرها دلالة، واستخدم خوارزمية حاسوبية قوية لاتخاذ قراره. والأهم من ذلك، لم يتوقف الباحثون عند مجرد إجابة "نعم أو لا" بسيطة، بل استخدموا طريقة لتقشير طبقات عملية اتخاذ القرار الحاسوبي، وكشف النقاب عن أي أجزاء محددة من الدماغ وأي أنواع من النشاط الكهربائي كانت الأكثر أهمية للتشخيص.

يكمن جوهر هذا العمل في كيفية تعامل الباحثين مع الحجم الهائل من البيانات التي جمعتها مستشعرات تخطيط كهربية الدماغ. فقد أنتج كل تسجيل كمية ضخمة من المعلومات، تفوق بكثير ما يمكن للحاسوب معالجته بكفاءة دون ارتباك. ولحل هذه المشكلة، استخدم الفريق عملية اختيار تدريجية للعثور على العشرين قياساً الأكثر فائدة من بين الآلاف المتاحة. ولم تكن هذه القياسات مجرد متوسطات بسيطة؛ بل تضمنت أوصافاً معقدة لمدى فوضوية أو انتظام موجات الدماغ، بالإضافة إلى مقدار الطاقة الموجودة في نطاقات سرعة مختلفة من الإشارات. وبمجرد تجهيز هذه المجموعة الأصغر وعالية الجودة من البيانات، اختبر الباحثون عشرة أنواع مختلفة من نماذج التعلم الحاسوبي لمعرفة أي منها يمكنه فصل المرضى عن الأصحاء بأفضل شكل. وقد استخدموا طريقة اختبار صارمة حيث يتم تدريب الحاسوب على بيانات من معظم المشاركين ثم اختباره على شخص واحد لم يره من قبل، مع تكرار هذه العملية لكل مشارك لضمان أن النتائج حقيقية وليست مجرد تخمين محظوظ.

أظهرت النتائج أن النماذج الحاسوبية حققت أفضل أداء عندما كان المشاركون يغلقون أعينهم. وفي حالة الراحة الهادئة هذه، نجحت النماذج الأكثر كفاءة في تحديد الحالة بنسبة 81 بالمائة تقريباً. وكانت النماذج التي حققت أفضل النتائج هي تلك التي تحاكي كيفية تصويت مجموعة من الخبراء على قرار ما، حيث تجمع العديد من الأحكام الصغيرة للوصول إلى استنتاج نهائي. وعندما فتح المشاركون أعينهم، ظلت النماذج قادرة على التمييز بين المجموعات، لكن الدقة انخفضت قليلاً، مما يشير إلى أن النشاط الداخلي للدماغ أثناء الراحة يحمل علامات أوضح للاضطراب من نشاطه أثناء معالجة العالم الخارجي. لم يعتمد الحاسوب على نوع واحد من الإشارات لاتخاذ هذه الأحكام؛ بل وجد أن مزيجاً من القياسات المختلفة كان هو الأفضل. وجاءت أهم الإشارات من مقدمة وجوانب الدماغ، وتحديداً فيما يتعلق بسرعة الموجات وتعقيد أنماطها.

لعل المساهمة الأكثر أهمية لهذه الدراسة هي الشفافية التي تضفيها على العملية. ففي العديد من المحاولات السابقة لاستخدام الحواسيب في التشخيص الطبي، يعمل النظام كـ "صندوق أسود"، يعطي إجابة دون شرح السبب. هنا، استخدم الباحثون أداة لرسم خريطة توضح بدقة السمات التي دفعت قرارات الحاسوب. ووجدوا أن الإشارة الأكثر تأثيراً كانت مقياساً للتعقيد من المنطقة المركزية الأمامية للدماغ. فعندما كانت هذه الإشارة شديدة التعقيد، مال الحاسوب نحو تشخيص الفصام؛ وعندما كانت أبسط، مال نحو التشخيص السليم. وشملت الإشارات الرئيسية الأخرى قوة إيقاعات موجات دماغية محددة في المناطق الصدغية على جانبي الرأس. ويشير هذا الاكتشاف إلى أن الاضطراب لا يتحدد بجزء واحد معطل من الدماغ، بل بمزيج من التغييرات في كيفية معالجة مناطق مختلفة للمعلومات ومدى فوضوية نشاطها الكهربائي.

لقد كان الباحثون حذرين في ملاحظة أنه على الرغم من أداء نظامهم بشكل جيد، إلا أنه تم اختباره على مجموعة محددة من الأشخاص من مركز طبي واحد. وهذا يعني أن النتائج واعدة ولكنها ليست حلاً نهائياً لكل المستشفيات في العالم. وتجادل الدراسة صراحة ضد فكرة أن الاختبارات البسيطة صغيرة النطاق كافية، موضحة أن الدراسات السابقة التي أجريت على عدد قليل جداً من المشاركين غالباً ما أنتجت نتائج متفائلة للغاية لم تصمد عند اختبارها بصرامة أكبر. ومن خلال استخدام مجموعة أكبر من الناس وطريقة اختبار أكثر صرامة، تقدم هذه الدراسة صورة أكثر واقعية لما هو ممكن. كما يثبت العمل أن الجمع بين الاختيار الدقيق لقياسات موجات الدماغ والتعلم الحاسوبي المتقدم يمكن أن يخلق أداة موثوقة للتشخيص. كما يثبت أن هذه الأدوات يمكن جعلها مفهومة، من خلال إظهار العلامات البيولوجية التي يستخدمها الحاسوب للوصول إلى استنتاج. ويفتح هذا النهج مساراً نحو أدوات أكثر موضوعية قائمة على الدماغ، يمكنها يوماً ما مساعدة الأطباء في تشخيص الفصام في وقت مبكر وبدقة أكبر، والانتقال من المقابلات الذاتية إلى فهم أوضح للواقع الكهربائي للدماغ.