Explainable Early Alzheimer's Disease Detection Using a Hybrid Capsule and Vision Transformer-Based Framework with LIME

يعتبر الدماغ البشري مشهداً شاسعاً ومعقداً حيث تتشكل الذكريات وتتكون الشخصيات. وعندما يبدأ مرض يُعرف باسم الزهايمر، فإنه يعمل ببطء على تآكل هذا المشهد، بدءاً من هفوات الذاكرة الطفيفة التي يمكن الخلط بينها وبين الشيخوخة الطبيعية بسهولة. ومع تقدم المرض، فإنه يسبب تدهوراً معرفياً كبيراً، مما يؤثر على قدرة الشخص على التفكير والحديث والاعتناء بنفسه. ولأن الضرر غير قابل للإصلاح، فقد أدرك المجتمع الطبي منذ زمن طويل أن الطريقة الأكثر فعالية لمساعدة المرضى هي اكتشاف المرض في أقرب وقت ممكن، ويفضل أن يكون ذلك قبل ظهور الأعراض الشديدة. وللقيام بذلك، يعتمد الأطباء على صور الدماغ، مثل التصوير بالرنين المغناطيسي، والتي تعمل كخرائط تفصيلية لبنية الدماغ. ومع ذلك، فإن قراءة هذه الخرائط أمر صعب؛ إذ غالباً ما تكون العلامات المبكرة لمرض الزهايمر باهتة ومخفية داخل طيات الدماغ المعقدة، مما يجعل من السهل تفويتها حتى بالنسبة للمتخصصين ذوي الخبرة.

على مدار سنوات، لجأ الباحثون إلى الذكاء الاصطناعي للمساعدة في تفسير هذه الصور، آملين في العثور على أنماط قد تغفل عنها العين البشرية. وغالباً ما تعاني البرامج الحاسوبية التقليدية المستخدمة لهذه المهمة لأنها تعامل الدماغ كصورة مسطحة، متجاهلة العلاقات ثلاثية الأبعاد الحاسمة بين الأجزاء المختلفة. قد تتعرف هذه البرامج على شكل محدد، لكنها تفشل في فهم كيفية اتصال ذلك الشكل بالأنسجة المحيطة به. وقد أدى هذا القصور إلى إبطاء تطوير أدوات موثوقة للكشف المبكر. وتتناول دراسة جديدة من باحثين في جامعة أمريتا فيشوا فيديا بيثام في الهند هذا التحدي من خلال إنشاء نظام متطور جديد يجمع بين نوعين متقدمين من الذكاء الاصطناعي. كان هدفهم هو بناء أداة لا تكتفي بالكشف عن المرض بدقة عالية فحسب، بل تشرح أيضاً منطق تفكيرها للأطباء، مما يسد الفجوة بين الحسابات الحاسوبية المعقدة والثقة البشرية.

طوّر الباحثون إطار عمل هجيناً يدمج بين نهجين متميزين لرؤية الدماغ. يستخدم الجزء الأول من نظامهم ما يعرف بـ "شبكة الكبسولة" (capsule network). تخيل أنك تنظر إلى مبنى؛ قد يرى الحاسوب القياسي نافذة وباباً كعنصرين منفصلين، لكن شبكة الكبسولة تدرك أن هذين الجزءين ينتميان إلى هيكل محدد وتحافظ على علاقتهما المكانية. وفي سياق مسح الدماغ، يسمح هذا للنظام بالحفاظ على الترتيب ثلاثي الأبعاد الدقيق لأنسجة الدماغ، مما يضمن فهم كيفية ترابط المناطق المختلفة مع بعضها البعض. أما الجزء الثاني من النظام فيستخدم "محول الرؤية" (Vision Transformer)، وهي تقنية مصممة للنظر إلى الصورة الكلية. وبينما تركز شبكة الكبسولة على التفاصيل المحلية، يقوم "المحول" بمسح الصورة بأكملها لفهم الاتصالات بعيدة المدى بين مناطق الدماغ المختلفة، وإدراك كيف يمكن أن ترتبط التغييرات في منطقة ما بالتغييرات في منطقة أخرى بعيدة. ومن خلال الجمع بين هاتين الطريقتين، يلتقط النظام كلاً من التفاصيل الدقيقة لبنية الدماغ والسياق الأوسع لكيفية عمل الدماغ ككل.

لاختبار هذا النهج الجديد، قام الباحثون بتغذية النظام بآلاف صور الدماغ من قواعد البيانات الطبية العامة، بما في ذلك صور لمرضى مصابين بالزهايمر، وآخرين يعانون من ضعف إدراكي طفيف، وأفراد أصحاء. تم تدريب النظام على التمييز بين هذه المجموعات، وتعلم كيفية رصد التغيرات الهيكلية الطفيفة التي تشير إلى بداية المرض. كانت النتائج مذهلة؛ فقد حقق إطار العمل الجديد معدل دقة بلغ 98.80 بالمائة، حيث حدد الحالة بشكل صحيح في كل حالة فحصها تقريباً. وقد تفوق هذا الأداء على العديد من الأساليب الرائدة الأخرى المستخدمة حالياً، بما في ذلك النماذج القائمة على التصوير ثلاثي الأبعاد والتقنيات الأخرى للتعلم العميق المعقد. ومن حيث الدقة، كان النظام صحيحاً بنسبة 89.64 بالمائة عندما توقع حالة إيجابية، ونجح في تحديد 80.10 بالمائة من جميع الحالات الفعلية، وهو مقياس حاسم لضمان عدم تفويت أي مريض.

لعل الجانب الأكثر أهمية في هذا العمل ليس فقط الدقة العالية، بل الشفافية التي يوفرها. ففي الطب، لا يمكن للحاسوب أن يقول ببساطة "هذا المريض يعاني من الزهايمر" دون شرح السبب؛ إذ يحتاج الأطباء إلى معرفة أي أجزاء من الدماغ أثرت في القرار. ولحل هذه المشكلة، دمج الباحثون أداة تسمى "LIME"، والتي تعمل بمثابة "كشاف ضوئي" لأفكار الحاسوب. فبعد أن يقوم النظام بإجراء التنبؤ، تقوم أداة LIME بتسليط الضوء على المناطق المحددة في مسح الدماغ التي كانت الأكثر أهمية لهذا القرار. وهذا يخلق تفسيراً بصرياً يمكن للأطباء مراجعته، للتأكد من أن الحاسوب يركز على السمات البيولوجية الصحيحة بدلاً من الضوضاء العشوائية. وتعد هذه الخطوة حيوية لبناء الثقة، حيث تسمح للمتخصصين الطبيين بالتحقق من المنطق وراء التشخيص والشعور بالثقة في استخدام هذه الأداة في البيئات الواقعية.

كما بحثت الدراسة في كيفية أداء النظام عند إزالة مكونات مختلفة، وهي عملية أكدت ضرورة كل جزء. فعندما اختبر الباحثون النظام بدون شبكة الكبسولة، انخفضت قدرته على اكتشاف المرض بشكل كبير، مما أثبت أن فهم التوزيع المكاني للدماغ أمر ضروري. وبالمثل، فإن إزالة "محول الرؤية" قللت من قدرة النظام على رؤية الروابط الأوسع بين مناطق الدماغ. وحتى إدراج أداة التفسير، رغم أنه لم يغير أرقام الدقة الخام، فقد ثبت أنه ضروري لخدمة النموذج الإجمالية في البيئة السريرية. وقد استغرقت العملية برمتها، من مسح الصورة إلى تقديم التشخيص، أقل من أحد عشر ثانية على حاسوب قياسي عالي الأداء، مما يشير إلى إمكانية استخدام هذه التكنولوجيا في المستشفيات المزدحمة دون التسبب في تأخيرات.

وعلى الرغم من أن النتائج واعدة، إلا أن الباحثين يقرون بوجود تحديات قائمة قبل اعتماد هذا النظام على نطاق واسع في العيادات. فتعقيد النموذج يتطلب حواسيب قوية ليست متوفرة بعد في كل مرفق طبي، كما أن الحاجة إلى مجموعات بيانات كبيرة وعالية الجودة تثير تساؤلات حول خصوصية البيانات وتوافرها. علاوة على ذلك، توفر أداة التفسير رؤية محلية لعملية اتخاذ القرار، وهي مفيدة ولكنها لا تستوعب بعد السلوك العالمي الكامل للشبكة. ورغم هذه العقبات، تظهر الدراسة مساراً واضحاً للمضي قدماً؛ فمن خلال الجمع بين الفهم العميق لبنية الدماغ والقدرة على شرح نتائجها الخاصة، يقدم إطار العمل الجديد طريقة موثوقة وقابلة للتفسير لاكتشاف مرض الزهايمر مبكراً. ويمثل هذا خطوة كبيرة نحو مستقبل تعمل فيه التكنولوجيا المتقدمة جنباً إلى جنب مع الأطباء لحماية الصحة الإدراكية للسكان المسنين.