Multimodal Deep Learning Framework for Autism Spectrum Disorder Detection Using CC200 Functional Connectivity and Clinical Phenotypes

تخيل أنك تحاول حل لغز ضخم وفوضوي، حيث تتغير قطع اللغز باستمرار في شكلها. هذا هو عالم اضطراب طيف التوحد (ASD)، وهي حالة يعمل فيها الدماغ بطرق فريدة ومتنوعة. لعقود من الزمن، كان الأطباء هم الحلّالون الأساسيون للألغاز، معتمدين على محادثات طويلة ودقيقة وملاحظات للسلوك لتحديد ما إذا كان الشخص ضمن الطيف أم لا. الأمر يشبه محاولة التعرف على أغنية معينة بمجرد الاستماع إلى بضع نوتات موسيقية؛ فهي تتطلب أذنًا مدربة، وتستغرق وقتًا، ويمكن أن تكون صعبة أحيانًا لأن "أغنية" كل شخص تبدو مختلفة.

في السنوات الأخيرة، حاول العلماء جلب أداة جديدة إلى الطاولة: تصوير الدماغ. وتحديدًا، يستخدمون كاميرا خاصة تسمى fMRI تلتقط صورًا للدماغ بينما يكون الشخص في حالة راحة ويفكر في لا شيء على وجه التحديد. تُظهر هذه الصور كيف تتواصل أجزاء الدماغ المختلفة مع بعضها البعض، مثل خريطة للطرق السريعة الكهربائية. ومع ذلك، فإن هذه الخرائط معقدة للغاية، وتحتوي على آلاف الروابط الصغيرة، والنظر إليها وحدها يشبه محاولة قراءة رواية مكتوبة بلغة لا تعرفها. ومن ناحية أخرى، يستخدم الأطباء أيضًا البيانات السريرية—وهي حقائق بسيطة مثل عمر الشخص، وجنسه، ودرجات ذكائه. السؤال الكبير في عالم العلوم هو: هل يمكننا دمج "خريطة الدماغ" مع "الحقائق البسيطة" لبناء برنامج كمبيوتر فائق الذكاء يساعد في تشخيص اضطراب طيف التوحد بشكل أسرع وأكثر دقة؟ هذا بالضبط ما سعى الباحثون في هذه الورقة البحثية للقيام به.

---

المحقق ذو الرأسين

قام باحثون من عدة جامعات في الهند ببناء نوع جديد من "دماغ الكمبيوتر"، أو ما يسمى إطار التعلم العميق (deep learning framework)، المصمم ليعمل كمحقق ذي رأسين. فبدلاً من إجبار الكمبيوتر على النظر في مسحات الدماغ والحقائق الشخصية في وقت واحد (مما قد يسبب الارتباك)، أعطوه "فرعين" منفصلين لمعالجة المعلومات بشكل مستقل قبل جمع الأدلة معًا.

الرأس الأول: قارئ خريطة الدماغ
هذا الفرع ينظر إلى الاتصال الوظيفي (functional connectivity) للدماغ. تخيل الدماغ كمدينة بها 200 حي مختلف. استخدم الباحثون خريطة خاصة تسمى أطلس CC200 لمعرفة حجم حركة المرور بين كل زوج من الأحياء. هذا ينتج قائمة ضخمة تضم ما يقرب من 20,000 رقم لكل شخص! ولجعل الأمر قابلاً للإدارة، استخدموا خدعة رياضية تسمى تحليل المكونات الرئيسية (PCA) لتقليص تلك القائمة الضخمة إلى 42 رقمًا رئيسيًا فقط، والتي لا تزال تحمل المعلومات الأكثر أهمية. فكر في الأمر كتلخيص رواية من 500 صفحة في ملخص من 42 جملة لا يزال يحكي القصة بأكملها.

الرأس الثاني: مدقق الحقائق
ينظر الفرع الثاني إلى الأنماط الظاهرية السريرية (clinical phenotypes). وهذه هي 12 حقيقة قياسية يعرفها الأطباء بالفعل، مثل عمر الشخص، وجنسه البيولوجي، ودرجة ذكائه الإجمالية، وسلوكه. هذا الفرع أبسط بكثير، مثل قراءة سيرة ذاتية قصيرة.

استراتيجية "الدمج المتأخر" (Late Fusion)
الجزء الذكي هنا هو أن الرأسين يعملان بمفردهما أولاً. يتعلم كل منهما رصد الأنماط في نوعه الخاص من البيانات. وفقط بعد أن يشكل كل منهما رأيه الخاص، يلتقيان لدمج أفكارهما. يطلق الباحثون على هذا اسم الدمج المتأخر (Late Fusion). إنه يشبه وجود متخصص في الدماغ ومتخصص في السلوك يعملان بشكل منفصل على قضية ما، ثم يجلسان معًا في النهاية فقط لمقارنة ملاحظاتهما واتخاذ قرار نهائي. وهذا يختلف عن "الدمج المبكر" (Early Fusion)، حيث تقوم بخلط خريطة الدماغ والسيرة الذاتية معًا قبل أن يبدأ أي منهما في القراءة، وهو ما وجد الباحثون أنه أقل فعالية.

ماذا وجدوا: لعبة دقة عالية المخاطر

اختبر الفريق نظامهم الجديد على 1,114 شخصًا من قاعدة بيانات عامة كبيرة تسمى ABIDE-II. لعبوا لعبة "التحقق المتقاطع خماسي الطيات" (five-fold cross-validation)، وهي تشبه تقسيم المجموعة إلى خمس فرق، تدريب الكمبيوتر على أربع فرق، واختباره في الفريق الخامس، ثم التدوير حتى يتم اختبار الجميع.

كانت النتائج مبهرة. حقق النظام ذو الرأسين الكامل نظام دقة متوسطة بلغت 94.17%. ولوضع ذلك في المنظور، إذا اخترت شخصًا عشوائيًا من المجموعة، فسيكون النظام صحيحًا حوالي 94 مرة من أصل 100. كما سجل خصوصية (specificity) بلغت 97.48%، وهي طريقة منمقة للقول إنه كان جيدًا للغاية في عدم ارتكاب الأخطاء عند إخبار شخص سليم بأنه سليم. وهذا أمر بالغ الأهمية لأن إخبار شخص خطأً بأن لديه توحد يمكن أن يكون له عواقب واقعية خطيرة.

التحول المفاجئ: "الحقائق البسيطة" كانت جيدة للغاية

هنا تصبح القصة مثيرة للاهتمام وصادقة. عندما اختبر الباحثون فرع "مدقق الحقائق" وحده (باستخدام العمر والذكاء والجنس فقط)، فمن المدهش أن هذا الفرع حقق دقة بلغت 94.62%، وهي في الواقع أعلى قليلاً من متوسط النظام الكامل!

أثار هذا علامة تحذير كبيرة. تعمق الباحثون لمعرفة السبب. واكتشفوا أن قاعدة البيانات التي استخدموها كانت تحتوي على انحياز خفي: بعض المستشفيات أو "المواقع" التي جمعت البيانات صادف أن تضم معظم المصابين بالتوحد، بينما ضمت مواقع أخرى معظم الأصحاء. ولأن "الحقائق البسيطة" (مثل العمر والذكاء) تختلف قليلًا بين هذه المواقع، فقد تعلم الكمبيوتر التخمين بناءً على مكان تواجد الشخص، وليس بناءً على بيولوجيا دماغه الفعلية. كان الأمر أشبه بمحقق يحل جريمة بمجرد معرفة الرمز البريدي للمشتبه به.

جادل الباحثون بأنه رغم أن فرع "الحقائق البسيطة" كان جيدًا في التخمين، إلا أنه لم يكن يشخص التوحد بشكل صحيح بالضرورة. لقد كان على الأرجح يلتقط هذه الأنماط الخفية في البيانات.

البطل الحقيقي: خريطة الدماغ تنقذ الموقف

إذًا، إذا كانت الحقائق البسيطة جيدة جدًا، فلماذا احتاجوا إلى خريطة الدماغ؟ الإجابة تكمكمن في الاتساق والأمان.

بينما كان فرع "الحقائق البسيطة" أكثر دقة بقليل في المتوسط، إلا أنه ارتكب أخطاء أكثر في الاتجاه الخاطئ. النظام الكامل، الذي يتضمن خريطة الدماغ، حقق خصوصية قدرها 97.48%، مقارنة بـ 93.21% لفرع الحقائق وحده. وباللغة الإنجليزية البسيطة، كان النظام الكامل أفضل بكثير في تجنب الإنذارات الكاذبة. كان أقل عرضة لإخبار شخص سليم بأن لديه توحد.

وجد الباحثون أيضًا أن فرع خريطة الدماغ وحده كان أداءه ضعيفًا للغاية، حيث حقق دقة 53.36% فقط (وهي دقة بالكاد تتجاوز رمي العملة المعدنية). هذا يشير إلى أن النظر في مسحات الدماغ وحدها هو أمر صاخب وصعب للغاية بالنسبة للكمبيوتر في الوقت الحالي. ومع ذلك، عندما تمت إضافة خريطة الدماغ إلى المزيج، عملت كـ مثبت (stabilizer). لم تكن تهدف بالضرورة إلى رفع الدرجة الإجمالية إلى رقم قياسي جديد، لكنها جعلت النظام أكثر موثوقية وأقل عرضة لارتكاب أخطاء خطيرة.

الحكم النهائي: خطوة للأمام، وليست خط نهاية

تخلص الورقة البحثية إلى أن الجمع بين مسحات الدماغ والحقائق السريرية هو استراتيجية رابحة، ولكن مع "علامة نجمة" كبيرة. إن نهج الدمج المتأخر (Late Fusion) (المحقق ذو الرأسين) أفضل من محاولة دمج البيانات مبكرًا. فهو يخلق نظامًا أكثر اتساقًا، والأهم من ذلك، أكثر أمانًا للمرضى لأنه يقلل من النتائج الإيجابية الكاذبة.

ومع ذلك، فإن المؤلفين حذرون جدًا من تسمية هذا "علاجًا" أو "أداة مثالية". فهم يعترفون بأن نظامهم لم يتم اختباره على مجموعة مختلفة تمامًا من الأشخاص (التحقق الخارجي)، وأن الدقة العالية للحقائق البسيطة تشير إلى أن البيانات نفسها بها بعض الخصائص الغريبة. ويقترحون أن العمل المستقبلي يحتاج إلى تنظيف انحيازات البيانات هذه واختبار النظام في العيادات الواقعية.

باختصار، تظهر لنا هذه الورقة أنه بينما يمكن للكمبيوتر تعلم رصد أنماط التوحد من خلال النظر في خرائط الدماغ والحقائق الشخصية، فإنه يحتاج إلى كلا الرأسين ليعمل معًا ليكون جديرًا بالثقة حقًا. خريطة الدماغ لا تضيف نقاطًا للدرجة فحسب؛ بل تجعل النظام أمينًا، وتضمن أنه عندما يقول "نعم"، فإنه يعني ذلك حقًا.