إطار تعلم عميق متعدد المسارات يدمج الصور والتمثيلات المميزة للتنبؤ بضعف الإدراك الطفيف باستخدام اختبار الشكل المعقد لراي

لماذا يمكن للرسم أن يكشف مشكلات الذاكرة الخفية

مع طول عمر الناس، يقلق كثيرون من زلات الذاكرة الطفيفة وما إذا كانت تشير إلى المراحل المبكرة من الخرف. لطالما استخدم الأطباء اختبارات الرسم الورقية البسيطة لفحص التفكير والذاكرة لأنها سريعة ومنخفضة التكلفة وسهلة التطبيق في أي عيادة. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن يستخلص معلومات أكثر بكثير من اختبار رسم كلاسيكي واحد، محولاً إياه إلى أداة إنذار مبكر قوية لضعف الإدراك الطفيف، وهي حالة كثيراً ما تسبق الخرف.

رسم كلاسيكي بعيون رقمية جديدة

إحدى مهمات الرسم المستخدمة على نطاق واسع هي اختبار الشكل المعقد لراي. يُطلب من الشخص أولاً نسخ رسم خطي تفصيلي ومجرد ثم أن يعيد رسمه لاحقاً من الذاكرة. تقليدياً، يقوم الخبراء بتقييم كل رسم على مقياس من 36 نقطة، يقيمون بدقة مدى وضع وشكل أجزاء الرسم المختلفة. تعطي تلك الدرجات لمحة مفيدة عن المهارات البصرية المكانية والذاكرة البصرية، لكنها بطبيعتها تتجاهل العديد من السمات الدقيقة للرسم. سعى مؤلفو هذه الورقة إلى بناء نظام مؤتمت يمكنه النظر إلى الصورة بأكملها، ودمجها مع درجة النقاط المعتادة والمعلومات الخلفية الأساسية مثل العمر والجنس وسنوات التعليم، ثم يقرر ما إذا كان من المحتمل أن يكون لدى الشخص ضعف إدراك طفيف.

مساران لقراءة الرسم

صمم الباحثون نموذج تعلم عميق «ثنائي المسار» يعالج رسومات كل شخص بطريقتين مختلفتين في آن واحد. في المسار الأول، المسمى المسار المكاني، تُغذى الصور الممسوحة الثلاثة (النسخة، الاستدعاء الفوري، والاستدعاء المتأخر) إلى شبكة تعرف على الصور. تتعلم هذه الشبكة، المبنية على بنية تعرف باسم EfficientNet، ميزات بصرية تلقائياً مثل الأشكال وسماكة الخطوط وأسلوب الرسم. ثم تساعد وحدة انتباه خاصة النظام على التركيز أكثر على المناطق الأكثر معلوماتية في الرسم. في المسار الثاني، المسمى مسار التقييم، يأخذ النموذج درجات اختبار راي الاعتيادية — المولدة تلقائياً بواسطة شبكة تقييم مدرّبة مسبقاً — إلى جانب عمر الشخص وجنسه وتعليمه. تُدمج هذه الأرقام المهيكلة من خلال شبكة تنبؤ أبسط. أخيراً، يتم معدل مخرجات المسارين لإنتاج احتمال واحد بأن الشخص يعاني ضعف إدراك طفيف بدلاً من إدراك طبيعي.

التعلم من العديد من كبار السن

لتدريب واختبار نظامهم، استخدم الفريق رسومات من 1740 من كبار السن في مجموعة بحثية كورية كبيرة، نصفهم تقريباً بإدراك طبيعي والنصف الآخر بضعف إدراك طفيف. قاموا بتقسيم مجموعة البيانات هذه مراراً إلى مجموعات تدريب وتحقق واختبار لضبط النموذج والحماية من الإفراط في التخصيص. والأهم من ذلك، قيّموا الأداء أيضاً على مجموعة مستقلة من 222 مريضاً من مستشفى مختلف. قبل بناء نماذج التنبؤ على هذه المجموعة الخارجية، استخدموا أداة التقييم الآلية الخاصة بهم للتحقق من وجود تفاوتات كبيرة بين درجات الآلة والبشر؛ في الحالات التي وُجدت فيها اختلافات كبيرة، أعاد الخبراء فحص وتصحيح تقييماتهم. حسّن هذا الإجراء جودة التحكم اتفاق الدرجات بين البشر والذكاء الاصطناعي، مما شدّد الصلة بين التقييم اليدوي والمؤتمت.

مدى قدرة النظام على رصد الخلل المبكر

قارن الباحثون نموذج المسارَين الخاص بهم مع عدة بدائل: نماذج إحصائية بسيطة تستخدم اختباراً موجزاً شائعاً للوظائف المعرفية العامة، نماذج تستخدم فقط درجات راي البشرية، نماذج تستخدم فقط درجات راي المولّدة بالذكاء الاصطناعي، ونموذج تعلم عميق نظر فقط إلى الصور دون مسار التقييم. عبر تكرارات عديدة داخل المجموعة الرئيسية وفي مجموعة المستشفى الخارجية، خرج النظام المزدوج المسار متقدماً باستمرار. في الاختبار الخارجي، بلغ المساحة تحت منحنى الاستقبال التشغيلي 0.872 ودقة إجمالية تقارب 78 بالمئة، متفوقاً على كل من النماذج التقليدية المعتمدة على الدرجات وشبكة التعلم العميق التي تعتمد على الصور فقط. تشير هذه المكاسب إلى أن مزيج التفاصيل البصرية الغنية والمعلومات الهيكلية للتقييم يوفر صورة أكثر ثباتاً وموثوقية للتغير المعرفي المبكر.

ما الذي قد يعنيه هذا في العيادات اليومية

من وجهة نظر المريض، لا حاجة لتغيير الاختبار: لا يزال الجالس مع القلم والورق ينسخ شكلاً معقداً. خلف الكواليس، مع ذلك، يمكن الآن لماسح ضوئي ونظام الذكاء الاصطناعي تقييم الرسومات في ثوانٍ، وتوليد درجات معيارية، وتقدير خطر إصابة الشخص بضعف إدراك طفيف بدقة أكبر من كثير من أدوات الفرز السريعة الحالية. وبما أنه يتطلب اختباراً مألوفاً واحداً فقط بالإضافة إلى معلومات خلفية روتينية، يمكن إدراج الطريقة في مراكز الفحص المزدحمة دون اضطرابات كبيرة. على الرغم من أن الدراسة ركزت على مشاركين كوريين واستخدمت صوراً ثابتة فقط، فإن النهج يشير إلى مستقبل يمكن أن تساعد فيه الرسومات البسيطة، المفسرة بواسطة برمجيات ذكية، في الكشف عن مشكلات إدراكية دقيقة مبكراً بما يكفي للتدخل الفاعل.

الاستشهاد: Park, J., Seo, E.H., Kim, S. et al. Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test. Sci Rep 16, 9629 (2026). https://doi.org/10.1038/s41598-025-34491-5

الكلمات المفتاحية: ضعف الإدراك الطفيف, اختبار الشكل المعقد لراي, فرز التعلم العميق, تقييم إدراكي, الوقاية من الخرف