Feature-Optimized Hybrid AI Models for Explainable and Generalizable Epilepsy Prediction

يعتبر الدماغ البشري شبكة واسعة ومعقدة من الإشارات الكهربائية، التي تعمل باستمرار على تنسيق الفكر والحركة والإحساس. وفي معظم الناس، تتدفق هذه الأنشطة الكهربائية في إيقاع منتظم ومستقر. أما بالنسبة لنحو 50 مليون شخص حول العالم يعيشون مع الصرع، فإن هذا الإيقاع يمكن أن يضطرب فجأة وبشكل عنيف، مما يسبب نوبة صرع. وهذه الأحداث ليست مجرد تشنجات جسدية؛ بل هي لحظات خطيرة لا يمكن التنبؤ بها يمكن أن تؤدي إلى الإصابة، والضيق النفسي العميق، وحياة تُعاش في ترقب دائم للحلقة القادمة. ولقد كافح الأطباء لعقود من الزمن للتنبؤ بموعد حدوث هذه العواصف الكهربائية، ويرجع ذلك إلى حد كبير إلى أن الإشارات القادمة من الدماغ فوضوية، وتتغير بسرعة، وتختلف بشكل هائل من شخص لآخر.

في السنوات الأخيرة، توجه العلماء إلى الذكاء الاصطناعي للمساعدة في حل هذا اللغز. يمكن لهذه الأنظمة الحاسوبية فحص كميات هائلة من البيانات، بحثاً عن أنماط قد تغفل عنها الأعين البشرية. ولكن هناك عقبة؛ فغالباً ما تعمل نماذج الذكاء الاصطناي الأكثر قوة مثل "الصناديق السوداء": يمكنها تقديم تنبؤ، لكنها لا تستطيع شرح كيفية وصولها إلى تلك النتيجة. وفي المستشفى، حيث يجب على الطبيب الوثوق بآلة قبل التصرف بناءً على نصيحتها، يمثل هذا النقص في الشفافية عائقاً كبيراً. علاوة على ذلك، فإن العديد من هذه الأنظمة يتم تدريبها على مجموعات صغيرة ومحددة من المرضى، وتفشل عند تطبيقها على أشخاص مختلفين أو مستشفيات مختلفة. لقد كان التحدي يتمثل في بناء نظام ليس دقيقاً فححسب، بل مفهوماً وموثوقاً بما يكفي للعمل في العالم الحقيقي.

تتناول دراسة جديدة أجراها الباحثان شروتي تيلوانت وناندكومار كولكارني من مدرسة الحوسب في جامعة إم آي تي (MIT) للفنون والتصميم والتكنولوجيا في بونه، الهند، هذه المشكلة تحديداً. إن عملهما لا يقدم خوارزمية تعلم آلي واحدة جديدة، بل يقدم مراجعة وتحليلاً شاملاً لكيفية الجمع بين أنواع مختلفة من الذكاء الاصطناعي لإنشاء أداة أفضل للتنبؤ بنوبات الصرع. وقد فحص الباحثان مجموعة واسعة من الدراسات الحالية لمعرفة مدى أداء نماذج حاسوبية مختلفة عندما تُمنح النوع الصحيح من البيانات والنوع الصحيح من التفسير. وقد ركزا على استراتيجية محددة: وهي مزج نقاط القوة في التعلم الآلي التقليدي مع قدرة التعلم العميق على إيجاد الأنماط، مع استخدام تقنيات خاصة لاستخراج المعلومات الأكثر أهمية وشرح النتائج للأطباء.

يتضمن جوهر تحقيقهما ثلاث ركائز أساسية. أولاً، بحثا في كيفية التعامل مع البيانات الخام. فالإشارات الدماغية، المسجلة كتخطيط كهربائية الدماغ (EEGs)، مليئة بالضجيج والتفاصيل غير الضرورية. وقد حلل الباحثان الأساليب التي تعمل كمرشح (فلتر)، حيث تقوم بتجريد البيانات من الفوضى لتترك فقط الميزات الأكثر حيوية التي تشير إلى اقتراب نوبة صرع. ووجدا أن استخدام تقنيات تحسين ذكية، مثل الخوارزميات التي تحاكي الطريقة التي يبحث بها سرب من الطيور عن الطعام أو كيف تصطاد الذئاب في قطيع، يساعد الحاسوب على اختيار أفضل نقاط البيانات. هذه العملية تجعل النماذج أسرع وأكثر دقة، مما يمنعها من الارتباك بسبب المعلومات غير ذات الصلة.

ثانياً، استكشفت الدراسة بنية النماذج نفسها. قارن المؤلفون بين البرامج الحاسوبية البسيطة والأنظمة المعقدة متعددة الطبقات. ووجدوا أنه بينما تكون النماذج البسيطة سهلة الفهم، إلا أنها غالباً ما تفقد الأنماط المتغيرة والدقيقة في موجات الدماغ. وعلى العكس من ذلك، فإن النماذج الأكثر تعقيداً يمكنها إيجاد هذه الأنماط، لكنها غالباً ما تكون صعبة التفسير. والحل الذي اقترحه تحليلهما هو نهج هجين؛ فمن خلال الجمع بين الاثنين، يمكن للباحثين بناء أنظمة تستخدم التعلم العميق للكشف عن الإشارات المعقدة، والتعلم التقليدي لجعل تلك الإشارات أسهل في المعالجة. هذا المزيج يسمح للنظام بالتعامل مع الواقع الفوضوي للبيولوجيا البشرية بشكل أفضل مما يمكن لأي من الطريقتين القيام به بمفرده.

ثالثاً، وهو الأهم للاستخدام السريري، بحث الباحثون في كيفية جعل هذه الأنظمة قابلة للتفسير. فقد راجعوا استخدام الأدوات التي تسلط الضوء على الأجزاء المحددة من البيانات التي أثرت على قرار الحاسوب. على سبيل المثال، إذا توقع نموذج ما حدوث نوبة، يمكن لهذه الأدوات أن تظهر للطبيب أن التوقع استند إلى طفرة محددة في النشاط الكهربائي في جزء معين من الدماغ، بدلاً من كونه مجرد تخمين عشوائي. وتشير الدراسة إلى أن إضافة طبقة الشفافية هذه أمر ضروري لكسب ثقة المهنيين الطبيين؛ فبدونها، حتى أكثر النماذج دقة لن يُرجح استخدامها في بيئة المستشفيات الحقيقية.

كما اطلع الباحثون على مصادر البيانات المستخدمة في هذه الدراسات. فقد راجعوا عدة مجموعات معروفة من تسجيلات الدماغ، مثل مجموعة بيانات CHB-MIT، التي تحتوي على تسجيلات طويلة الأمد من الأطفال، ومجموعة بيانات جامعة بون، التي توفر إشارات مقسمة مسبقاً للتصنيف. وأشاروا إلى أنه رغم قيمة هذه المجموعات، إلا أنها تفتقر غالباً إلى التنوع. فالعديد من النماذج يتم تدريبها على عدد محدود من المرضى، وتواجه صعوبة عند اختبارها على أشخاص من خلفيات أو ظروف تسجيل مختلفة. ويشير المؤلفون إلى أن المسار الأكثر واعداً يتضمن استخدام البيانات متعددة الوسائط، مما يعني الجمع بين إشارات الدماغ وأنواع أخرى من المعلومات، مثل البيانات الجينية أو التصوير الطبي. ومن خلال تغذية الحاسوب بصورة أكثر ثراءً للمريض، يصبح النظام أكثر متانة وقدرة على تعميم نتائج البحث على أشخاص جدد.

وعلى الرغم من هذه التطورات، توضح الورقة البحثية أن المجال ليس مثالياً بعد. فقد حدد الباحثون عدة عقبات كبيرة لا تزال قائمة؛ فإحدى المشكلات الرئيسية هي غياب المعايير الموحدة، حيث تستخدم الدراسات المختلفة طرقاً مختلفة لقياس النجاح، مما يجعل من الصعب مقارنة النتائج مباشرة. كما يوجد نقص في مجموعات البيانات الكبيرة وعالية الجودة التي تشمل مجموعات متنوعة من المرضى، مما يحد من القدرة على تدريب نماذج تعمل للجميع. بالإضافة إلى ذلك، فإن القدرة الحسابية المطلية لتشغيل هذه النماذج الهجينة المتقدمة كبيرة، مما قد يشكل عائقاً أمام العيادات الصغيرة. ويؤكد المؤلفون أنه بينما تتقدم التكنولوجيا، فإن الفجوة بين نموذج حاسوبي يعمل وبين أداة سريرية موثوقة لا تزال قيد الجسر.

تخلص الدراسة إلى أن الطريقة الأكثر فعالية للمضي قدماً لا تكمن في الاعتماد على نوع واحد من التكنولوجيا، بل في دمج تحسين الميزات، وبنيات النماذج الهجينة، والذكاء الاصطناعي القابل للتفسير في إطار عمل واحد. هذا النهج يوازن بين الحاجة إلى الدقة العالية والحاجة إلى الشفافية. ويقترح الباحثون أن العمل المستقبلي يجب أن يركز على إنشاء مجموعات بيانات وبروتوكولات اختبار موحدة لضمان إمكانية مقارنة النماذج وتحسينها بشكل موثوق. كما يسلطون الضوء على إمكانات استخدام الأجهزة القابلة للارتداء والمعدات الطبية المتصلة بالإنترنت لجمع البيانات في بيئات العالم الحقيقي، مما قد يساعد في التغلب على قيود الدراسات الحالية القائمة في المختبرات.

في نهاية المطاف، يعد عمل تيلوانت وكولكارني بمثابة خارطة طريق للجيل القادم من أدوات التنبؤ بالصرع. فهو يشير إلى أنه من خلال الاختيار الدقيق للبيانات الصحيحة، والجمع بين أنواع مختلفة من الذكاء الاصطناعي، وضمان إمكانية فهم النتائج من قبل الأطباء البشريين، فمن الممكن بناء أنظمة قوية وجديرة بالثقة في آن واحد. والهدف ليس مجرد التنبؤ بنوبة الصرع، بل القيام بذلك بطريقة تسمح للممارسين السريريين بالتدخل بسرعة وأمان، مما قد يغير الحياة اليومية للملايين الذين يعيشون حالياً في خوف من المجهول. إن المسار واضح، لكنه يتطلب جهداً مستمراً لصقل هذه الأدوات وضمان عملها لكل مريض، في كل مكان.