nterpretable Alzheimer’s Disease Detection from CHAT Transcripts Using Criterion-Guided LLM Prompting and In-Context Learning

يحمل الصوت البشري ما هو أكثر من مجرد الكلمات؛ فهو يحمل خريطة للعقل. لعقود من الزمن، استمع الباحثون إلى كلام المصابين بمرض الزهايمر، بحثاً عن تحولات طفيفة في كيفية اختيارهم للكلمات، وكيفية توقفهم، وكيفية نسج قصصهم معاً. غالباً ما تظهر هذه التغييرات قبل أن يصبح فقدان الذاكرة واضحاً، مما يوفر نافذة محتملة للكشف المبكر. تقليدياً، كان العثور على هذه الأنماط يتطلب بناء برامج حاسوبية معقدة تحتاج إلى تعليمها عبر آلاف الأمثلة المصنفة، وهي عملية كانت بطيئة ومكلفة وصعبة الشرح للأطباء في كثير من الأحيان. وقد شهد المجال مؤخراً تحولاً نحو استخدام النماذج اللغوية الكبيرة، وهي أنظمة ذكاء اصطناعي قوية تدربت على كميات هائلة من النصوص. وخلافاً للبرامج القديمة، يمكن لهذه النماذج فهم السياق والتفكير في المشكلات دون الحاجة إلى إعادة تدريبها على كل مهمة جديدة، شريطة توجيهها بشكل صحيح. وكان التحدي يكمكم في كيفية جعل هذه الأدوات العامة المخصصة تستمع إلى التفاصيل السريرية المحددة والمربكة للكلام، وترجمتها إلى تشخيص موثوق.

لقد طور فريق من الباحثين طريقة جديدة لاستخدام أدوات الذكاء الاصطناعي هذه للكشف عن مرض الزهايمر من النصوص المفرغة للمحادثات، محققين دقة عالية دون تعليم الذكاء الاصطناعي أي شيء جديد. وبدلاً من إجبار الحاسوب على التعلم من الصفر، صمموا دليلاً خطوة بخطوة يحاكي كيفية تحليل الخبير البشري لكلام المريض. تبدأ العملية بالنص الخام للمحادثة، والذي غالباً ما يحتوي على رموز غريبة يستخدمها اللغويون لتمييز التوقفات، والتكرارات، والأصوات غير الواضحة. قام الباحثون أولاً بتحويل هذه الرموز إلى جمل إنجليزية بسيطة، محولين الملاحظات التقنية مثل "توقف قصير" أو "تكرار" إلى نص مقروء يمكن للذكاء الاصطناعي فهمه بشكل طبيعي. كانت هذه الخطوة حاسمة، حيث حولت البيانات من تنسيق مشفر إلى قصة يمكن للآلة قراءتها بالفعل.

بمجرد إعداد النص، طلب النظام من الذكاء الاصطناعي أن يعمل كمراقب سريري، حيث قام بتفكيك التحليل إلى ثلاثة أسئلة محددة. أولاً، نظر في المفردات: هل كان المتحدث يستخدم كلمات دقيقة لتسمية الأشياء، أم كان يعتمد على مصطلحات غامضة مثل "شيء" أو "هذا الشيء"؟ ثانياً، فحص تدفق الكلام بحثاً عن علامات المعاناة، مثل التكرارات المتكررة، أو التصحيحات الذاتية، أو الصمت الطويل. ثالثاً، تحقق من القصة الإجمالية: هل ظل المتحدث في الموضوع وربط أفكاره منطقياً، أم أن السرد انحرف وتفكك؟ ومن خلال الإجابة على هذه الأسئلة الثلاثة، بنى الذكاء الاصطناعي حجة منطقية لقراره النهائي، بدلاً من مجرد تخمين تسمية معينة. ولمساعدة الذكاء الاصطناعي في اتخاذ القرار الصحيح، قدم له الباحثون أيضاً بعض الأمثلة لمحادثات سابقة غطت مجموعة واسعة من الصعوبات، من الحالات الواضحة جداً إلى الحالات المربكة، مما ضمن أن يرى الذكاء الاصطناعي الصورة الكاملة لما يبدو عليه المرض في الكلام.

كانت نتائج هذا النهج مذهلة. فعند اختباره على مجموعة معيارية مكونة من 48 محادثة مسجلة، حدد النظام الحالة بشكل صحيح في 85.4 بالمائة من الحالات، متفوقاً على الأساليب السابقة التي اعتمدت على تدريب الحاسوب ببيانات مصنفة. والأهم من ذلك، أن النظام لم يكتفِ بإعطاء إجابة بنعم أو لا؛ بل قدم تفسيراً واضحاً لقراره، مستشهداً بالترددات المحددة أو الكلمات الغامضة التي أدت إلى استنتاجه. هذه الشفافية حيوية للاستخدام الطبي، لأنها تسمح للأطباء برؤية المنطق وراء التشخيص. ومع ذلك، كشفت الدراسة أيضاً عن قصور كبير: اعتمد نجاح النظام كلياً على جودة النص. فعندما حاول الباحثون استخدام نصوص تم إنشاؤها تلقائياً بواسطة برامج تحويل الكلام إلى نص، انخفضت الدقة بشكل حاد. فشلت الأنظمة الآلية في التقاط التوقفات والتكرارات ذاتها التي احتاج إليها الذكاء الاصطناعي لرصد المرض، مما أثبت أن الملاحظات المفرغة بشرياً تظل ضرورية لعمل هذه الطريقة في الوقت الحالي.

وجد الباحثون أن الطريقة التي وجهوا بها الذكاء الاصطناعي كانت أهم من حجم الذكاء الاصطناعي نفسه. فمجرد طلب تخمين التشخيص في خطوة واحدة أدى إلى دقة أقل بكثير. لقد كان التفكير خطوة بخطوة، جنباً إلى جنب مع الأمثلة المختارة بعناية، هو ما أطلق العنان لقدرة النظام على اكتشاف العلامات الدقيقة للتدهور المعرفي. تشير الدراسة إلى أنه مع وجود المطالبات الصحيحة وفهم واضح للمعايير السريرية، يمكن للذكاء الاصطناعي أن يكون أداة قوية وشفافة للكشف المبكر، حتى دون الحاجة إلى تدريب معقد. وبينما تتطلب الطريقة الحالية كلاماً مفرغاً بشرياً، فإن نجاح هذا النهج يشير إلى مستقبل يمكن فيه للذكاء الاصطناعي مساعدة الأطباء في تحديد مرض الزهايمر في وقت مبكر وبشكل أكثر موثوقية، بشرط أن تكون البيانات المدخلة دقيقة بما يكفي لحمل ثقل التشخيص.