STCA-Net: A Spatiotemporal Cross-Attention Network with Multi-Scale Depthwise Separable Convolutions for Epileptic EEG Seizure Classification

إن الدماغ البشري عبارة عن شبكة شاسعة ونابضة من الإشارات الكهربائية، تعمل باستمرار على تنسيق الأفكار والحركة والإحساس. وعندما يختل هذا الإيقاع الدقيق بسبب نوبات مفاجئة وكثيفة من النشاط، ينتج عن ذلك نوبة صرع، وهي سمة مميزة لمرض الصرع الذي يصيب الملايين من الناس حول العالم. لعقود من الزمن، اعتمد الأطباء على تخطيط كهربائية الدماغ، أو ما يعرف بـ EEG، للاستماع إلى هذه الهمسات الكهربائية. تعتمد هذه التقنية غير الجراحية على وضع مستشعرات على فروة الرأس لتسجيل تقلبات الجهد في الدماغ بمرور الوقت. ومع ذلك، فإن تحويل هذه الخطوط المتعرجة والمعقدة إلى تشخيص واضح هو مهمة بطيئة وتتطلب جهداً كبيراً. فهي تتطلب متخصصاً يقوم بفرز ساعات من البيانات يدوياً، بحثاً عن أنماط دقيقة تميز النوبة عن نشاط الدماغ الطبيعي أو الأحداث العصبية الأخرى. وهذه العملية ليست مستهلكة للوقت فحسب، بل هي أيضاً عرضة للخطأ البشري، حيث قد يفسر خبراء مختلفون الإشارة نفسها بشكل مختلف.

ولحل هذه المشكلة، توجه العلماء إلى الذكاء الاصطناعي، حيث قاموا بتعليم الحواسيب كيفية التعرف على هذه الأنماط تلقائياً. استخدمت المحاولات المبكرة مرشحات رقمية بسيطة، بينما وظفت الجهود الأحدث "التعلم العميق"، وهو نوع من برامج الكمبيوتر التي تتعلم من خلال الأمثلة. هذه البرامج جيدة في رصد الأشكال المحلية في البيانات، مثل الارتفاع المفاجئ، لكنها غالباً ما تجد صعوبة في فهم كيفية ارتباط تلك الأشكال بالقصة الأوسع التي تتكشف بمرور الوقت. قد ترى نوتة موساسية واحدة ولكنها تخفق في إدراك اللحن الكامل. ويكمن التحدي في بناء نظام يمكنه استيعاب التفاصيل الحادة والمباشرة للنوبة، والسياق الإيقاعي الأطول الذي تحدث فيه، كل ذلك مع القيام بذلك بسرعة كافية لتكون مفيدة في بيئة العالم الحقيقي.

قام فريق من الباحثين من المعهد الهندي لمعلومات تكنولوجيا المعلومات في ناغبور بتطوير نهج جديد لهذه المشكلة، حيث ابتكروا نموذجاً حاسوبياً متخصصاً يسمى STCA-Net. كان هدفهم هو بناء نظام يعمل كطبيب أعصاب ماهر، قادر على الاستماع إلى القصة الكهربائية للدماغ من زاويتين مختلفتين في آن واحد: التفاصيل المحلية السريعة، والاتجاهات طويلة المدى البطيئة. وبدلاً من إجبار الكمبيوتر على الاختيار بين النظر إلى اللحظة الراهنة أو الجدول الزمني الأوسع، يسمح تصميمهم للنظام بأن يجعل هذين المنظورين يتحدثان مع بعضهما البعض. وقد اختبروا هذا النموذج على مجموعة معروفة من تسجيلات الدماغ من جامعة بون، والتي تحتوي على آلاف المقاطع التي تمثل نشاط الدماغ السليم، وحالات ما قبل النوبة، والنوبات الفعلية.

إن جوهر ابتكارهم هو بنية ثنائية المسارات، مما يعني أن الكمبيوتر يعالج البيانات عبر مسارين منفصلين قبل دمجهما. يركز أحد المسارات على الأنماط المحلية الفورية؛ حيث يستخدم سلسلة من المرشحات (الفلاتر) ذات أحجام مختلفة لمسح الإشارة، بحثاً عن أشكال محددة مثل الارتفاعات الحادة أو الموجات الإيقاعية التي قد تشير إلى بدء نوبة. هذا الجزء من النظام مصمم ليكون فعالاً، حيث يقوم بتجريد الإشارة من التعقيد غير الضروري لكي يعمل بسرعة. أما المسار الآخر فينظر إلى القصة الأطول؛ ولأن تحليل تسلسل طويل من البيانات دفعة واحدة مكلف حاسوبياً، يقوم هذا الجزء من النموذج أولاً بتكثيف المعلومات، وتقليص الجدول الزمني إلى أهم نقاطه الأساسية. ثم يستخدم آلية تسم تسمح له بفهم كيفية ارتباط الأجزاء البعيدة من الإشارة ببعضها البعض، مما يلتقط السياق الأوسع لنشاط الدماغ.

ومع ذلك، فإن الابتكار الحقيقي يحدث عندما يلتقي هذان المساران. ففي العديد من الأنظمة السابقة، كانت المعلومات من المسارات المحلية وطويلة المدى تُدمج ببساطة، مثل وضع كومتين منفصلتين من الملاحظات جنباً إلى جنب. لكن نموذج STCA-Net الجديد يقوم بشيء أكثر ديناميكية؛ فهو يجبر تدفقات المعلومات على التفاعل وتطوير بعضها البعض. إذ تتاح للتفاصيل المحلية فرصة للمساهمة في فهم الاتجاهات طويلة المدى، كما يساعد السياق طويل المدى في توضيح معنى الارتفاعات المحلية. هذا التبادل المتبادل يسمح للنظام ببناء صورة أغنى وأكثر دقة لما يحدث في الدماغ مما لو بقيت هذان المنظوران منفصلين.

عندما وضع الباحثون هذا النظام الجديد قيد الاختبار، كانت النتائج مذهلة. فبالنسبة لمهمة التمييز البسيطة بين النوبة ونشاط الدماغ الطبيعي، حقق النموذج دقة بلغت 97.58 بالمائة. وعندما أصبحت المهمة أكثر صعوبة، حيث تطلبت فرز البيانات إلى ثلاث فئات مختلفة، ظل النظام يعمل بموثوقية عالية، حيث وصل إلى دقة 93.09 بالمائ^ة. أما الاختبار الأكثر تحدياً فقد تضمن فرز البيانات إلى خمس فئات متميزة، وهي مهمة دقيقة تحاكي تعقيد التشخيص السريري الحقيقي، وهنا حقق النموذج دقة بلغت 75.64 بالمائة. ورغم أن هذا الرقم أقل من الاختبارات الأبسط، إلا أنه يمثل تحسناً كبيراً عن أفضل طريقة سابقة، والتي سجلت 72.50 بالمائة في المهمة نفسها. كما وجد الباحثون أن النموذج لم يكن مجرد تخمين؛ حيث أكدت الاختبارات الإحصائية أن أداءه المتفوق كان نتيجة حقيقية لتصميمه، وليس مجرد مصادفة في البيانات.

ولفهم السبب وراء نجاح النموذج بهذا الشكل، أجرى الفريق سلسلة من التجاروهات حيث قاموا بإزالة أجزاء معينة من النظام واحداً تلو الآخر. واكتشفوا أن القدرة على النظر إلى الإشارة بمقاييس متعددة من التفاصيل كانت أمراً حاسماً، وكذلك طريقة تكثيف الجدول الزمني الطويل. لكن الزيادة الأكبر جاءت من آلية الدمج التفاعلي؛ فعندما استبدلوا التبادل التفاعلي بدمج بسيط جنباً إلى جنب، انخفضت الدقة بشكل ملحوظ. وهذا أثبت أن مفتاح نجاحهم لم يكن فقط في امتلاك طريقتين مختلفتين للنظر إلى البيانات، بل في السماح لهاتين الطريقتين بالتأثير في بعضهما البعض وتحسينهما لبعضهما البعض.

النظام بأكمله مدمج بشكل لافت، حيث يحتوي على أقل من 47,000 إعداد قابل للضبط، وهو رقم صغير بالنسبة لنموذج ذكاء اصطناعي حديث. وتعني هذه الكفاءة أنه يمكن تشغيله محتملاً على أجهزة الكمبيوتر القياسية دون الحاجة إلى أجهزة ضخمة ومكلفة. ويؤكد الباحثون أنه بينما يؤدي نموذجهم أداءً جيداً على مجموعة البيانات المحددة التي استخدموها، فإن الهدف النهائي هو إنشاء أدوات يمكن أن تعمم نتائجها على مرضى جدد وأنواع مختلفة من التسجيلات. وهم يخططون لاختبار نهجهم على مجموعات بيانات أخرى في المستقبل لمعرفة ما إذا كان النظام يمكنه التعامل مع التنوع الأكبر الموجود في العالم الحقيقي. وفي الوقت الحالي، يقف STCA-Net كدليل على أنه من خلال السماح لأجزاء مختلفة من الدماغ الاصطناعي بالتواصل مع بعضها البعض، يمكننا بناء أدوات تستمع إلى الدماغ البشري بوضوح ودقة أكبر من أي وقت مضى.