Explainable Automated Pain Level Classification Using a Deep Neural Network with EEG Signals
تقدم هذه الورقة البحثية PainNet-ST، وهو نموذج تعلم عميق جديد قابل للتفسير يقوم بتحويل إشارات تخطيط كهربائية الدماغ (EEG) الخام إلى خرائط طبوغرافية متعددة الأطياف لتحقيق دقة رائدة تصل إلى 92.28% في تصنيف شدة الألم لثلاث فئات، مع تعزيز الثقة السريرية من خلال تصورات الذكاء الاصطناعي القابل للتفسير (XAI) ثنائية الطبقة.
الألم تجربة شخصية عميقة، وهو إشارة تحذير تخبر الجسم بأن شيئاً ما ليس على ما يرام. وبالنسبة للأطباء والممرضين، فإن قياس هذه الإشارة اعتمد لفترة طويلة على طلب وصف المريض لها، وغالباً باستخدام مقياس بسيط من صفر إلى عشرة. وبينما يعمل هذا بشكل جيد مع الكثيرين، إلا أنه يفشل تماماً مع أولئك الذين لا يستطيعون الكلام، مثل الرضع، أو المرضى في العناية المركزة، أو المصابين بالخرف. في هذه الحالات، يصبح الألم لغزاً، مما يؤدي إلى علاجات تكون إما ضعيفة جداً أو قوية بشكل غير ضروري. لطالما أمل العلماء أن يحمل الدماغ نفسه الإجابة. ومن خلال وضع مستشعرات على فروة الرأس للاستماع إلى الثرثرة الكهربائية للدماغ، يعتقد الباحثون أن بإمكانهم إيجال مقياس موضوعي للألم، مقياس لا يعتمد على الكلمات. ومع ذلك، فإن إشارات الدماغ معقدة وصاخبة للغاية، مما يجعل من الصعب فصل نمط الألم المحدد عن ضوضاء الخلفية الناتجة عن الأفكار والحركة اليومية.
لقد طور فريق من الباحثين الآن طريقة جديدة للاستماع إلى إشارات الدماغ هذه، حيث أنشأوا نظاماً يمكنه التمييز تلقائياً بين مستويات الألم المنخفضة والمتوسطة والعالية. لقد بنوا برنامجاً حاسوبياً يعمل كمراقب مدرب تدريباً عالياً، قادراً على رصد أنماط دقيقة في نشاط الدماغ قد يغفل عنها البشر. وبدلاً من سؤال المريض عن تقييمه للألم، ينظر هذا النظام إلى الموجات الكهربائية الخام المسجلة من فروة الرأس. وقد اختبر الباحثون طريقتهم على بيانات من 223 متطوعاً سليماً تلقوا نبضات ليزر صغيرة ومتحكم بها في أيديهم. صُممت هذه النبضات لتحفيز استجابة للألم دون التسبب في إصابة فعلية. وكان الهدف هو معرفة ما إذا كان بإمكان الكمبيوتر تحديد شدة الألم التي شعروا بها بناءً على رد فعل الدماغ تجاه الليزر وحده.
يعمل النظام الذي أنشؤوه، والذي أطلقوا عليه اسم PainNet-ST، من خلال النظر إلى نشاط الدماغ بطريقتين في آن واحد: عبر سطح الرأس وعبر الزمن. تخيل الدماغ كمشهد طبيعي شاسع تضيء فيه مناطق مختلفة عندما يضرب الألم. يقوم الكمبيوتر أولاً برسم خريطة للأجزاء الأكثر نشاطاً في فروة الرأس، مع التركيز على المناطق المركزية والخلفية حيث تكون إشارات الألم في أقوى حالاتها. ثم يراقب كيفية تغير هذه الإشارات في أجزاء من الثانية التي تلي نبضة الليزر، باحثاً عن نمط موجي محدد يرتفع وينخفض في إيقاع يمكن التنبؤ به. يسمح هذا النهج المزدوج للنظام بفهم مكان معالجة الألم وكيف يتطور لحظة بلحظة. ولضمان أن النظام لا يقوم فقط بحفظ أدمغة الأشخاص الذين تم تدريبه عليها، اختبره الباحثون على أشخاص جدد تماماً لم يسبق له رؤيتهم من قبل. وهذه خطوة حاسمة، لأنها تثبت أن النظام يمكنه التعرف على الألم لدى أي شخص، وليس فقط في مجموعة معينة من المتطوعين.
كانت النتائج مذهلة. فعندما حلل الكمبيوتر إشارات الدماغ، حدد مستوى الألم بشكل صحيح في 92.28% من الحالات. ويمثل هذا تحسناً كبيراً عن الطرق السابقة، التي كانت غالباً ما تعاني للتمييز بين شدات الألم المختلفة أو تفشل عند اختبارها على أشخاص جدد. كان النظام بارعاً بشكل خاص في رصد المستويات العالية من الألم، وهو أمر حيوي لضمان حصول المرضى في الحالات الحرجة على المساعدة التي يحتاجونها. كما ارتكب أخطاء قليلة جداً في تحديد الحالات التي لا يكون فيها ألم موجود، مما يعني أنه لن يثير إنذارات كاذبة لدى الأطباء بعلاجات غير ضرورية. وللتأكد من أن النظام ليس مجرد "صندوق أسود" يتخذ القرارات دون سبب، أضاف الباحثون طبقة من الشفافية؛ حيث بنوا ميزة تسلط الضوء بدقة على الأجزاء التي استخدمها الكمبيوتر من الدماغ واللحظات الزمنية التي استخدمها لاتخاذ قراره. وقد أكد هذا أن النظام كان ينظر بالفعل إلى العلامات البيولوجية المعروفة للألم، مما يمنح الأطباء الثقة في أن النتائج موثوقة وقائمة على علم حقيقي.
يمثل هذا العمل خطوة كبيرة للأمام في جعل تقييم الألم موضوعياً وموثوقاً. ومن خلال إثبات أن الكمبيوتر يمكنه تعلم التعرف على الألم من إشارات الدماغ وحدها، فتح الباحثون الباب أمام أدوات يمكن أن تساعد يوماً ما أولئك الذين لا يستطيعون التحدث عن أنفسهم. وبينما تم اختبار النظام الحالي في بيئة محكومة مع متطوعين أصحاء، فإن النتائج تشير إلى إمكانية تكييف هذه التكنولوجيا في نهاية المطاف للاستخدام في المستشفيات الواقعية. إن القدرة على قياس الألم بدون كلمات يمكن أن تغير طريقة رعاية الفرق الطبية للمرضى الأكثر ضعفاً، مما يضمن علاج الألم بنفس الدقة والرعاية التي تحظى بها أي حالة طبية أخرى. وتظهر الدراسة أنه مع الأدوات المناسبة، يمكن ترجمة لغة الدماغ الخفية إلى معلومات واضحة وقابلة للتنفيذ من أجل الشفاء.
إليك ملخص تقني مفصل للورقة البحثية بعنوان "تصنيف مستوى الألم الآلي القابل للتفسير باستخدام الشبكة العصبية العميقة مع إشارات تخطيط كهربائية الدماغ (EEG)".
بيان المشكلة
يعتمد تقييم الألم الحالي بشكل كبير على مقاييس التقرير الذاتي الذاتية (مثل المقياس البصري التناظري)، والتي تعد غير فعالة للفئات غير القادرة على الكلام (مثل مرضى الخرف أو المرضى في العناية المركزة) وعرضة لعدم الدقة السريرية التي تؤدي إلى الإفراط في العلاج أو نقص العلاج. وبينما يوفر تخطيط كهربائية الدماغ (EEG) بديلاً فسيولوجياً موضوعياً، فإن أنظمة التصنيف الآلية الحالية تواجه قيوداً كبيرة:
تحيز هندسة الميزات: تعتمد النهج التقليدية على ميزات مصممة يدوياً غالباً ما تهمل التوزيعات المكانية المعقدة والديناميكيات الزمنية المتأصلة في إشارات الـ EEG الخام.
مشكلات التعميم: تستخدم العديد من النماذج التحقق المعتمد على الموضوع (تقسيم البيانات عشوائياً)، مما يؤدي إلى تسرب البيانات حيث تتعلم النماذج الأنماط الخاصة بكل موضوع بدلاً من بصمات الألم العالمية. ينتج عن ذلك أداء ضعيف مع المواضيع غير المرئية (الجدد).
نقص التصنيف متعدد المستويات: تركز معظم الدراسات الحالية على الكشف الثنائي عن الألم (ألم مقابل لا ألم) بدلاً من التصنيف الحبيبي للشدة (منخفض، متوسط، مرتفع).
فجوة التفسير: غالباً ما تعمل نماذج التعلم العميق كـ "صناديق سوداء"، وتفتقر إلى القابلية للتفسير المطلوبة لبناء الثقة السريرية.
المنهجية
يقترح المؤلفون PainNet-ST، وهي شبكة عصبية تلافيفية (CNN) مكانية-زمانية مبتكرة مدمجة مع الذكاء الاصطناعي القابل للتفسير (XAI) والتحسين البايزي.
1. مجموعة البيانات والمعالجة المسبقة:
مصدر البيانات: تستخدم الدراسة مجموعة بيانات OpenNeuro ds005280، التي تحتوي على تسجيلات EEG عالية التوقيت لـ 223 شخصاً سليماً تم تحفيزهم بواسطة الجهود المستحثة بالليزر (LEPs) عند ثلاثة مستويات من الشدة (منخفض: 3.0 جول، متوسط: 3.5 جول، مرتفع: 4.0 جول).
المعالجة المسبقة: تم تحويل إشارات الـ EEG الخام إلى خرائط طبوغرافية متعددة الأطياف (صور ثنائية الأبعاد تمثل القطب × الزمن).
الترشيح: مرشح تمرير حزمة (1–40 هرتز) لإزالة الضوضاء وإزاحة التيار المستمر؛ وتمت إزالة القنوات غير الدماغية (EOG, ECG).
التقطيع (Epoching): تقسيمات زمنية مرتبطة بالتحفيز من -0.2 ثانية إلى 2.0 ثانية بالنسبة لبداية المحفز، مع التركيز على مركب N2-P2 (0.15 ثانية – 0.4 ثانية).
التطبيع (Normalization): تم تطبيق تطبيع الدرجة المعيارية (Z-score) داخل كل طية (fold) لمنع تسرب البيانات.
التعزيز (Augmentation): تم تطبيق الإزاحة الزمنية، وإضافة ضوضاء غاوسية، وتغيير الحجم على بيانات التدريب.
استراتيجية التحقق: تم استخدام التحقق المتبادل ذو المجموعات الطبقية المستقل عن الموضوع (Subject-Independent Stratified Group 5-Fold Cross-Validation) الصارم. يضمن ذلك ظهور بيانات أي موضوع واحد حصرياً إما في مجموعة التدريب أو مجموعة الاختبار، وليس في كليهما.
2. بنية النموذج (PainNet-ST): يستخدم النموذج تصميماً مفككاً مكانياً-زمانياً لتقليل مساحة المعلمات ومنع تعلم الضوضاء الخاصة بالموضوع:
الفرع المكاني (Spatial Branch): يستخدم نواة (C,1) لضغط 61 قطباً كهربائياً إلى 32 خريطة ميزات، ليعمل كمرشح مكاني قابل للتدريب للتركيز على خط المنتصف (Cz) حيث يبرز مركب N2-P2.
الفرع الزماني (Temporal Branch): يستخدم نويات (1,15) و (1,T) لالتقاط الديناميكيات التذبذبية وأنماط N2-P2 الزمنية.
التنشيط والانتظام: تم استبدال وحدة ReLU القياسية بـ وحدة الخطية الأسية (ELU) لتحسين تدفق التدرج والسماح بالمخرجات السالبة. تم استخدام تطبيع الدفعة (Batch normalization) ودرجة إسقاط عالية (p=0.5) للتعامل مع التباين بين المواضيع.
المخرج: تقوم طبقة Softmax بتصنيف الألم إلى ثلاث فئات (منخفض، متوسط، مرتفع).
3. التحسين والقابلية للتفسير:
ضبط المعلمات الفائقة: تم استخدام التحسين البايزي (Bayesian Optimization) عبر إطار عمل Optuna (باستخدام عينة مُقدر بارزن التراكبي TPE) لضبط معدلات التعلم، ومعدلات الإسقاط، وتضاؤل الوزن تلقائياً عبر 50 تجربة.
الذكاء الاصطناعي القابل للتفسير (XAI): تم تنفيذ نهج ثنائي الطبقات:
SHAP (تفسيرات شابل): للتفسير العالمي، لتحديد القنوات المهيمنة والمناطق الزمنية عبر السكان.
LIME (التفسيرات المحلية المستقلة عن النموذج القابلة للتفسير): للتفسير المحلي، لتقريب سلوك النموذج للتنبؤات الفردية.
المساهمات الرئيسية
إطار عمل موحد: تقديم CNN مفكك مكاني-زماني مصمم خصيصاً لتصنيف ألم الـ EEG الخام متعدد الفئات (3 مستويات).
التعميم المستقل عن الموضوع: تنفيذ بروتوكول تحقق صارم ومعزول للمواضيع (StratifiedGroupKFold) لضمان تعلم النموذج للاستجابات الألمية بدلاً من السمات البيومترية الفردية.
التحسين الآلي: دمج التحسين البايزي (Optuna) للتنقل بكفاءة في مساحة البحث عن المعلمات الفائقة، متفوقاً على الضبط اليدوي أو البحث الشبكي.
الثقة السريرية: دمج XAI ثنائي الطبقات (SHAP و LIME) لتصور العلامات الحيوية العصبية (تحديداً مركب N2-P2 ومناطق القشرة الحسية الجسدية)، مما يعالج مشكلة "الصندوق الأسود".
النتائج
تمت مقارنة نموذج PainNet-ST مع نماذج SVM، وRandom Forest (RF)، و2D-CNN، وSTAM-Net باستخدام 11 مقياس أداء.
مقاييس الأداء: حقق PainNet-ST دقة (Accuracy) بلغت 92.28%، ودقة (Precision) بلغت 92.35%، واستدعاء (Recall) بنسبة 92.28%، ونوعية (Specificity) بنسبة 96.14%، ودرجة F1 بلغت 92.29%.
الميزة النسبية: تفوق النموذج على جميع النماذج المرجعية. والجدير بالذكر أنه أظهر زيادة بنسبة 15.7% في الدقة وزيادة بنسبة 15.8% في النوعية مقارنة بأفضل نموذج أساسي للتعلم العميق (2D-CNN).
المتانة: أظهر النموذج حساسية عالية لفئة الألم "المرتفع" (تم تحديد 127_8/1320 بشكل صحيح)، مما يقلل من خطر عدم اكتشاف الألم الشديد.
نتائج XAI: أكدت تصورات SHAP و LIME تركيز النموذج على المناطق ذات الصلة فسيولوجياً، وتحديداً القشرة الجدارية الخلفية والقشرة الحسية الجسدية الأولية (القنوات P4, CP1, Pz, Cz) والنافذة الزمنية N2-P2، وهو ما يتوافق مع علامات الألم العصبية الفسيولوجية الراسخة.
القوة التنبؤية: أظهر النموذج قيمة تنبؤية سلبية (NPV) عالية ومعدل اكتشاف خاطئ (FDR) منخفض، مما يشير إلى قوة تنبؤية قوية وتنبؤات إيجابية خاطئة أقل مقارنة بالنماذج الأساسية.
الأهمية والادعاءات
تزعم الورقة أن PainNet-ST نجح في سد الفجوة بين الإبلاغ الذاتي عن الألم والتقييم الموضوعي الآلي. وتكمن أهميته في:
القابلية للتطبيق السريري: من خلال تحقيق دقة عالية في بيئة مستقلة عن الموضوع، يُقدم النموذج كأداة قابلة للتطبيق لدعم القرار السريري، خاصة للفئات غير القادرة على التقرير الذاتي (مثل مرضى العناية المركزة).
الدقة المنهجية: تُظهر الدراسة أن الجمع بين الفصل المكاني-الزماني والتحسين البايزي والتحقق المعزول للمواضيع يؤدي إلى تعميم متفوق مقارنة بالتعلم الآلي التقليدي أو مناهج التعلم العميق القياسية.
الشفافية: يوفر دمج XAI للأطباء أدلة قابلة للتفسير (تحديد مناطق زمنية ومناطق دماغية محددة)، مما يعزز الثقة اللازمة للتبني السريري.
يخلص المؤلفون إلى أنه بينما يظهر النموذج فعالية قوية، يجب أن تعمل الأعمال المستقبلية على التحقق من هذه النتائج على مجموعات بيانات الألم التلقائي والمزمن واستكشاف التكامل متعدد الوسائط (مثل دمج EEG مع بيانات الوجه أو الكلام) لتعزيز المتانة في البيئات السريرية الواقعية.