إطار عمل مدفوع بالذكاء الاصطناعي للكشف الدقيق عن مرض الزهايمر في تخطيط الدماغ الكهربائي (EEG)

لماذا تهم موجات الدماغ لفقدان الذاكرة

يزيل مرض الزهايمر الذاكرة والاستقلالية تدريجيًا، ومع ذلك بحلول الوقت الذي تصبح فيه الأعراض واضحة يكون جزء كبير من الضرر قد وقع بالفعل. يحتاج الأطباء بشكل عاجل إلى طرق لاكتشاف المرض مبكرًا باستخدام أدوات آمنة وميسورة وعملية للفحوص الروتينية. تبحث هذه الدراسة في ما إذا كانت تسجيلات بسيطة لموجات الدماغ—تخطيط الدماغ الكهربائي (EEG)—مرفقة بالذكاء الاصطناعي الحديث قادرة على كشف علامات خفيّة للزهايمر قبل وقت طويل من ظهورها في صور الدماغ أو في الحياة اليومية.

الاستماع إلى الدماغ بدون جراحة

تخطيط الدماغ الكهربائي اختبار غير مؤلم تُلتقط فيه الأنشطة الكهربائية للمخ بواسطة أقطاب صغيرة توضع على فروة الرأس. هو أرخص بكثير وأكثر قابلية للنقل من فحوص التصوير بالرنين المغناطيسي أو PET ويمكن إعادته مرارًا. ومع ذلك، فإن إشارات الـ EEG الخام فوضوية، إذ تمتلئ بضوضاء ناجمة عن الغمز، وحركات العضلات، والبيئة، والأنماط المرتبطة بالزهايمر قد تكون طفيفة وموزعة عبر مناطق وترددات دماغية متعددة. تقليديًا، ركز الباحثون إما على ملخصات رياضية مُصمَّمة يدويًا لهذه الإشارات أو استخدموا نماذج تعلم عميق تتعلم الأنماط مباشرة من البيانات الخام. لكل نهج نقاط قوة لكنه يترك أيضًا ثغرات مهمة.

مزج طريقتين لمراقبة نشاط الدماغ

يقترح المؤلفون استراتيجية هجينة تجمع أفضل ما في الطريقتين. أولًا، ينظفون تسجيلات الـ EEG عن طريق ترشيح الضوضاء غير المرغوب فيها وتصحيح الانجرافات البطيئة في الإشارة. ثم يستخرجون ميزات «طيفية» تصف كيف يتوزع القوة الكهربائية للدماغ عبر نطاقات ترددية مختلفة—موجات بطيئة مرتبطة بالنعاس، على سبيل المثال، مقابل إيقاعات أسرع مرتبطة بالانتباه. هذه المقاييس معروفة منذ زمن بأنها تتغير في حالات الخرف. في الوقت نفسه، تنظر شبكة عصبية تلافيفية (CNN) مصممة خصيصًا إلى بيانات الـ EEG بطريقة أشمل، متعلمة تلقائيًا أنماطًا مكانية معقدة قد لا تبدو واضحة للخبراء البشر.

تعليم الذكاء الاصطناعي قراءة التغيرات مع الزمن

بدلًا من التعامل مع مجموعتي الميزات بشكل منفصل، يدمج النظام بينهما ليكوّن وصفًا غنيًا موحَّدًا لنشاط دماغ كل شخص. تُغذى هذه التمثيلات المدموجة بعد ذلك إلى شبكة أكثر تقدمًا تسمى نموذج الذاكرة طويلة وقصيرة الأمد التلافيفي (Conv-LSTM). الجزء «التلافيفي» يلتقط كيفية تنظيم النشاط عبر فروة الرأس، بينما الجزء «LSTM» مخصّص لمتابعة كيفية تطور الأنماط بمرور الوقت، مثل تتبع العبارات في الكلام. في الواقع، يتعلم النموذج مكان وزمان ظهور التغيرات المرتبطة بالزهايمر في الـ EEG، مستخدمًا نحو 0.9 مليون معامل قابلة للتدريب—مضغوط بما يكفي للعمل على أجهزة قياسية.

ما مدى فاعلية النظام؟

اختبر الباحثون إطارهم على بيانات EEG أثناء الراحة من كبار السن المصابين وغير المصابين بمرض الزهايمر. قسموا التسجيلات إلى مجموعات منفصلة للتدريب والتحقق والاختبار النهائي، وقَيَّموا الأداء باستخدام مقاييس معيارية للدقة والموثوقية. تمكن نموذج Conv-LSTM القائم على الدمج من التمييز بشكل صحيح بين حالات الزهايمر وغير الزهايمر في 99.8% من الحالات—بفارق كبير عن عدة أنظمة مقارنة، بما في ذلك الشبكات التلافيفية وحدها، وشبكات LSTM وحدها، والأساليب التقليدية في تعلم الآلة. كانت النماذج التي افتقرت إما إلى الميزات الطيفية أو الميزات المتعلمة عميقًا أقل دقة باستمرار، مما يبرز قيمة الجمع بين وجهتي نظر مكملتين لنفس إشارات الدماغ.

ماذا قد يعني هذا للمرضى والعيادات

بالنسبة لغير المتخصص، الخلاصة بسيطة: بالسماح للذكاء الاصطناعي بالاستماع إلى موجات الدماغ بعناية أكبر، يحول هذا النهج اختبارًا مألوفًا ومنخفض المخاطر إلى نظام إنذار مبكّر قوي لمرض الزهايمر. تشير الدراسة إلى أن أداة آلية وخفيفة الوزن مبنية على الـ EEG قد تساعد الأطباء على فحص المرضى في مواقف يومية، مميزةً من يحتاجون إلى متابعة أو تصوير متقدم. ومع أن هناك حاجة إلى دراسات أكبر وأكثر تنوعًا قبل أن توجه مثل هذه الأنظمة قرارات علاجية، فإن هذا البحث يشير إلى مستقبل قد تساعد فيه تسجيلات موجات الدماغ الروتينية، المفسّرة بواسطة خوارزميات ذكية، على كشف الخرف مبكرًا وبشكل أدق، مما يمنح المرضى وعائلاتهم مزيدًا من الوقت للتخطيط والاستفادة من العلاجات الناشئة.

الاستشهاد: Hemalatha, B., Venkatachalam, K., Siuly, S. et al. AI-driven framework for accurate detection of Alzheimer’s disease in EEG. Sci Rep 16, 5509 (2026). https://doi.org/10.1038/s41598-026-35184-3

الكلمات المفتاحية: مرض الزهايمر, موجات الدماغ في تخطيط الدماغ الكهربائي, التعلّم العميق, التشخيص المبكّر, الذكاء الاصطناعي الطبي