كيف يساعد الذكاء الاصطناعي في تشخيص الارتجاجات الخفيفة؟
العديد من المرضى الذين يعانون من ارتجاج خفيف لا يدركون حتى أن إصابتهم البسيطة يمكن أن تسبب مشاكل صحية خطيرة مدى الحياة إذا لم يتم علاجها.
حتى لو ذهب المريض إلى غرفة الطوارئ بسبب إصابته، فمن المقدر أن 50٪ إلى 90٪ من حالات الارتجاج تمر دون تشخيص رسمي، مما يعرضهم لخطر حدوث مضاعفات خطيرة مثل نزيف الدماغ والضعف الإدراكي، وفق ما ذكره موقع ميديكال إكسبريس.
قام تعاون بحثي جديد بين كلية فيتربي للهندسة بجامعة جنوب كاليفورنيا وكلية ليونارد ديفيس لعلم الشيخوخة بجامعة جنوب كاليفورنيا بتسخير نموذج قوي للتعلم الآلي للتنبؤ بحالة الارتجاج لدى المرضى.
تم نشر العمل الذي قاده بنجامين هاكر (BS'24) في مجلة الصدمات العصبية.
ما هو الارتجاج
الارتجاج هو شكل من أشكال إصابات الدماغ المؤلمة التي يمكن أن تسبب تغييرات مؤقتة في وظيفة الدماغ.
وقال هاكر إن الممارسة السريرية الحالية لتشخيص الارتجاج تعتمد غالبًا على الاختبارات المعرفية الأساسية مثل مقياس جلاسكو للغيبوبة، وهي أداة تستخدم لتقييم مستوى وعي المريض واستجابته وذاكرته.
ومع ذلك، فإن العديد من مرضى الارتجاج الخفيف لا يفقدون وعيهم أبدًا وقد لا تظهر عليهم الأعراض المعرفية التقليدية التي تجعل من السهل تشخيصهم.
وقال هاكر إن هذا الاختبار الحالي لم يكن حساسًا بما يكفي لاكتشاف العديد من الحالات الخفيفة.
وأضاف هاكر، الذي قام بتأليف الورقة البحثية عندما كان طالبًا جامعيًا في جامعة جنوب كاليفورنيا: "لقد رأينا فرصة للتوفيق بين تلك المسافة بين عدم وجود ارتجاج على الإطلاق والارتجاج الشديد بدرجة كافية بحيث يتم اكتشافه باستمرار".
وتابع: "الطبيب ليس بالضرورة أن يطلب التصوير والتصوير بالرنين المغناطيسي لشخص يظهر دون أي أعراض، الفكرة هي أن تكون هذه طريقة ثانوية يمكن أن تساعد الطبيب عندما تظهر على المريض أعراض معينة، لكن ليس لديهم تشخيص مؤكد للارتجاج يعتمد فقط على الاختبارات المعرفية".
وقال هاكر إنه ومعاونوه، بقيادة أندريه إيريميا، الأستاذ المساعد في علم الشيخوخة والهندسة الطبية الحيوية وعلم الأعصاب في كلية ليونارد ديفيس لعلم الشيخوخة بجامعة جنوب كاليفورنيا، قاموا ببناء نموذجهم من خلال تسخير بيانات مسح الدماغ بالرنين المغناطيسي من عينات مراقبة صحية وأشخاص يعانون من ارتجاجات.
يُعرف التصوير الذي يعتمد عليه المصنف بالتصوير الموزون للانتشار، والذي يقيس كيفية انتقال السوائل عبر الدماغ عبر مسارات اتصال مختلفة.
وقال هاكر: "تحدد هذه البيانات اتجاه الانتشار بين المناطق المختلفة في الدماغ، وتخبرنا بمدى قوة الارتباط بين هذه العقد المختلفة، ثم استخدمنا التعلم الآلي لتطوير مصنف".
وأضاف: "لقد قمنا بتدريب هذا المصنف على عينة اكتشاف لتعليمه كيفية اختلاف مصفوفات الاتصال بين الأشخاص الأصحاء والأشخاص المصابين، وبعد ذلك، عندما أعطيناه عينات اختبار مستقلة، كان قادرًا على اكتشاف أي من هؤلاء الأشخاص أصيب بارتجاج وأي منهم كان يتمتع بصحة جيدة، وبناءً على الأنماط الموجودة في مصفوفة توصيل الدماغ وعلى نقاط قوة بعض المسارات العصبية".
اكتشف هاكر وفريقه أن نموذج المصنف الخاص بهم يعمل بشكل جيد للغاية، حيث أظهر دقة بنسبة 99% في كل من عينات التدريب والاختبار.
وقال هاكر: "هذه دقة أعلى بكثير مما رأيناه من قبل بطريقة كهذه، أعتقد أن السبب في ذلك هو أنه لم يسبق لأحد أن ابتكر خط أنابيبنا الدقيق لاستخدام التصوير الموزون للانتشار، وتحويله إلى مصفوفة اتصال، ومن ثم الاستفادة من التعلم الآلي بطريقة مصممة خصيصًا لاكتشاف المسارات الأكثر تأثرًا بصدمات الرأس".
وأضاف: "من المؤكد أنه أمر جديد لأنه لم يكن لدينا مصنف قائم على التصوير للارتجاج يكون دقيقًا بما يكفي للاعتماد عليه حتى الآن".
تم إنشاء المصنف باستخدام التعلم الآلي بايزي، والذي وصفه هاكر بأنه نظام احتمالي ينشئ تصنيفًا بناءً على أي ميزة لديها أقل احتمال لأن تكون غير صحيحة أو مصنفة بشكل خاطئ وفقًا لمعرفة الشروط السابقة.
وقال هاكر: "إنها تستخدم بيانات التدريب لتحديد الأنماط التي تتوقع رؤيتها لشخص سليم والأنماط التي تتوقع رؤيتها لشخص مصاب".
وأضاف: "لقد توصلت إلى هذه الفكرة بمساعدة (إيريميا)، وقد انجذبت إليها لأن التعرف على الانتشار - إحدى الطرق التي يتحرك بها الماء والسوائل الأخرى - يعتمد بشكل كبير على الهندسة الكيميائية.. إنه جوهر كيفية عمل هذه الدراسة".
وأشار إلى أن «الطريقة التي تم بها إجراء فحوصات الدماغ هذه، تتبع الطريقة التي ينتشر بها الماء عبر الدماغ".
وقال: "لقد كانت فرصة بالنسبة لي لأخذ الكثير مما تعلمته فيما يتعلق بميكانيكا الموائع والتحليل العددي ومن ثم تطبيقه على شيء مختلف تمامًا عن التطبيقات التي تم تقديمها في الفصل".
يتمتع المصنف الذي أنشأه فريق البحث بالقدرة على تشكيل الأساس لمنصة تشخيص الارتجاج التي يمكن تطبيقها في البيئات السريرية.
