Deep Learning for Automated Tic Detection and Prediction in Tourette Syndrome Using Electromyography and Video

متلازمة توريت هي حالة عصبية تتميز بحركات أو أصوات مفاجئة وغير إرادية تسمى "اللزّمات" (tics). بالنسبة للأشخاص الذين يعيشون مع هذا الاضطراب، يمكن أن تتراوح هذه اللزمات من رمشة عين سريعة إلى هز كتف معقد أو نوبة صوتية. وبينما تعد الحالة معروفة جيداً، فإن قياسها بدقة في بيئة سريرية لا يزال أمراً صعباً. يعتمد الأطباء حالياً على المرضى أو مقدمي الرعاية لتذكر عدد مرات حدوث اللزمات خلال الأسبوع الماضي، أو يشاهدون مقاطع فيديو قصيرة تم تسجيلها في العيادة. وكلتا الطريقتين غير كاملتين؛ فذاكرة الإنسان معرضة للخطأ، وقد تفتقر الزيارة القصيرة للعيادة إلى الصورة الكاملة لتجربة المريض اليومية. ولأن اللزمات تتقلب في شدتها ويمكن كبتها مؤقتاً، فإن رصدها بشكل موضوعي يتطلب أداة يمكنها المراقبة والاستماع باستمرار دون تعب.

يتجه الباحثون بشكل متزايد نحو التكنولوجيا لحل هذه المشكلة، باستخدام أجهزة استشعار لتسجيل نشاط العضلات وكاميرات لتسجيل الحركة. أحد هذه الجهود يأتي من فريق في جامعة فلوريدا، الذي سعى لبناء نظام حاسوبي قادر على رصد اللزمات في الوقت الفعلي. أرادوا معرفة ما إذا كان الذكاء الاصطناائي يمكنه تعلم التمييز بين راحة الشخص، وتحريك عضلاته عن قصد، ووقوع لزمة، باستخدام الإشارات الكهربائية من عضلاته فقط ومقاطع الفيديو لجسمه. كان هدفهم هو إنشاء طريقة موثوقة لمراقبة الحالة، مما قد يساعد الأطباء في نهاية المطاف على تعديل العلاجات أو حتى تحفيز العلاجات تلقائياً عندما توشك لزمة على الحدوث.

جمع الفريق بيانات من ستة عشر بالغاً تم تشخيص إصابتهم بمتلازمة توريت. زار كل شخص العيادة عدة مرات على مدار ثلاثة أشهر، وخلال تلك الزيارات سجل الباحثون نشاط عضلاتهم باستخدام ثمانية مستشعرات صغيرة وضعت على أذرعهم وأعناقهم. وفي الوقت نفسه، قامت كاميرا عالية الدقة بتصوير حركاتهم. ولضمان تعلم الكمبيوتر الدروس الصحيحة، قام أربعة خبراء بمراجعة لقطات الفيديو وحددوا بالضبط متى حدثت اللزمة، ومتى كان الشخص في حالة راحة، ومتى كان يتحرك طواعية. ثم قام الباحثون بتغذية هذه البيانات المقترنة — إشارات العضلات وتسميات الفيديو — في ثلاثة أنواع مختلفة من النماذج الحاسوبية المصمم للتعرف على الأنماط. واختبروا هذه النماذج بطريقتين: أولاً، بسؤالها عن تحديد ما يحدث في اللحظة الحالية، وثانياً، بسؤالها عن التنبؤ بما سيحدث في اللحظة التالية.

كان جزء رئيسي من الدراسة يتضمن اختبار مقدار الوقت الذي يحتاجه الكمبيوتر لرؤية شيء ما قبل أن يتمكن من اتخاذ قرار. خمن الباحثون في البداية أنه نظرًا لأن اللزمات قصيرة جداً، فإن الكمبيوتر سيعمل بشكل أفضل إذا نظر إلى شرائح زمنية قصيرة جداً، ربما ثانية واحدة فقط. اختبروا نوافذ زمنية مدتها ثانية واحدة، وخمس ثوانٍ، وعشر ثوانٍ. كانت النتائج مفاجئة لهم. فعندما كانت المهمة هي اكتشاف لزمة تحدث بالفعل، عمل الكمبيوتر بشكل أفضل عندما نظر إلى نافذة زمنية مدتها خمس ثوانٍ. استطاع النموذج تحديد اللزمات بمعامل مساحة تحت المنحنى (AUC) قدره 0.79 في هذا الإطار الزمني الأطول، مما يشير إلى أن التوقيع الكهربائي للزمة يتكشف على مدار بضع ثوانٍ ويستفيد من بعض السياق ليتم التعرف عليه بوضوح. في المقابل، عندما حاول الكمبيوتر التنبؤ بلزمة قبل حدوثها، عمل بشكل أفضل مع أقصر نافذة زمنية، وهي ثانية واحدة. وهذا يشير إلى أن علامات التحذير من لزمة قادمة هي حديثة وعابرة للغاية، مما يتطلب من النظام التركة على الماضي القريب بدلاً من تاريخ أطول.

وجدت الدراسة أن النماذج الحاسوبية كانت بشكل عام أفضل في رصد اللزمة أثناء حدوثها منها في التنبؤ بها قبل حدوثها. ووصل النموذج الأكثر نجاحاً في الكشف، والذي استخدم نوعاً معيناً من الشبكات العصبية المصممة للبيانات الزمنية، إلى معامل مساحة تحت المنحنى (AUC) قدره 0.79. ورغم أن هذه نتيجة قوية، إلا أن الباحثين أشاروا إلى أن النظام ليس مثالياً بعد. فقد واجهت النماذج صعوبة أكبر في التنبؤ باللزمات المستقبلية، وتفاوت أداؤها اعتماداً على طول النافذة الزمنية التي حللتها. كما لاحظ الفريق أن النماذج الحاسوبية تعلمت بشكل أفضل عندما تم تدريبها على بيانات حيث تم مطابقة إشارات العضلات مع تسميات الفيديو من الخبراء، بدلاً من الاعتماد على إشارات العضلات وحدها.

كان الباحثون حذرين في الإشارة إلى حدود عملهم. فقد جاءت البيانات من مجموعة محددة من المرضى الذين خضعوا بالفعل لجراحة التحفيز العميق للدماغ، مما قد يجعل إشاراتهم العضلية مختلفة عن إشارات عامة السكان. كما أن المستشعرات وضعت على الأذرع والرقبة، مما يعني أن النظام لا يمكنه اكتشاف اللزمات الصوتية أو اللزمات الوجهية التي لا تشمل تلك العضلات المحددة. علاوة على ذلك، لم يتفق الخبراء الذين وضعوا العلامات على بيانات الفيديو تماماً حول متى تبدأ اللزمة ومتى تنتهي، مما يدخل قدراً من عدم اليقين في عملية التدريب. وبالرغم من هذه القيود، توفر الدراسة معياراً واضحاً لما هو ممكن. فهي تشير إلى أنه من أجل اكتشاف اللزمة، يحتاج النظام إلى بضع ثوانٍ من البيانات ليكون متأكداً، ولكن من أجل التنبؤ بها، يجب أن يستجيب فوراً لأحدث الإشارات.

يمهد هذا العمل الطريق لأدوات مستقبلية يمكنها مراقبة متلازمة توريت بشكل مستمر وموضوعي. وبدلاً من الاعتماد على الذاكرة أو زيارات العيادة القصيرة، يمكن لنظام مبني على هذه النتائج أن يتتبع حالة الشخص على مدار أيام أو أسابيع، مما يوفر صورة كاملة لأعراضه. وبينما لا تزال النماذج الحالية غير جاهزة للاستخدام اليومي، إلا أن الدراسة تثبت أن الجمع بين مستشعرات العضلات وتحليل الفيديو والذكاء الاصطناعي يقدم مساراً واعداً. ومن خلال فهم المدة الزمنية التي يحتاجها الكمبيوتر بالضبط لرؤية اللزمة وكيف تختلف عن الحركة الإرادية، يمكن للعلماء البدء في تصميم أنظمة تساعد في إدارة الحالة بشكل أكثر فعالية، والاقتراب من مستقبل يمكن فيه تعديل العلاج بناءً على بيانات الوقت الفعلي بدلاً من التقديرات.