GeneticNAS: عمارة شبكية ذاتية التطور لفحص التوحّد المتقدم

لماذا تهم الفحوصات الأسرع للتوحّد

بالنسبة للعديد من العائلات، قد يستغرق الأمر سنوات للحصول على إجابة واضحة عما إذا كان الطفل ينتمي إلى طيف التوحّد. تعتمد التقييمات الحالية على جلسات طويلة ومباشرة مع أخصائيين مدرّبين تدريباً عالياً، وهم نادرون في كثير من المناطق. تصف هذه الورقة نظام ذكاء اصطناعي جديدًا يتعلّم بمفرده كيفية قراءة الأنماط الدقيقة في حركات الأطفال أثناء تقييمات التوحّد المعيارية. الهدف ليس استبدال الأطباء، بل تزويدهم بأداة فحص سريعة وموثوقة تعمل حتى على أجهزة حاسوب متواضعة.

تحويل فيديو اللعب إلى أنماط قابلة للقياس

يبني البحث على جدول الملاحظة التشخيصية للتوحّد (ADOS)، وهو تقييم منظم يعتمد على اللعب ويستخدم على نطاق واسع. بدلاً من أن يقوم الخبراء بتسجيل السلوكيات يدويًا، يبدأ الباحثون بمقاطع فيديو قصيرة لـ160 طفلاً، نصفهم مصابون بالتوحّد والنصف الآخر يتطورون بشكل نموذجي. يتتبع برنامج رؤية الحاسوب 33 نقطة رئيسية في الجسم — مثل الكتفين والمرفقين وموقع الرأس — إطارًا بإطار. من هذه المتتبّعات، يبني الفريق أوصافًا غنية مكوّنة من 2048 قيمة لكل لحظة، تلتقط مدى سلاسة حركة الطفل، وكيف يتغير نظره ووضعية جسده، وكيف تتطور هذه الأنماط مع الزمن. تضمن فحوصات جودة دقيقة ثبات القياسات عبر جلسات متعددة وتوازنها بين مجموعتي التوحّد وغير التوحّد.

ترك الحاسوب يصمم «دماغه» بنفسه

بدلاً من تصميم شبكة عصبية يدويًا — البنية المصفوفية التي تقوم عليها الكثير من الذكاء الاصطناعي الحديث — سمح المؤلفون لعملية آلية بالبحث عن أفضل تصميم. يستخدمون نهجًا مستلهمًا من التطور: تُنشأ مجموعة من الشبكات المرشحة، كل منها بأنواع طبقات وإعدادات مختلفة. بعض الطبقات تحول البيانات ببساطة؛ وبعضها يضيف روابط اختصارية أو يضغط ثم يعيد توسيع المعلومات لتسليط الضوء على الإشارات المهمة. يقيم النظام مدى تمكن كل مرشح من التمييز بين التوحّد والتطوّر النموذجي، ثم "يزوج" الأفضل منها ويخلط ويطفر تصاميمها عبر عشر أجيال حتى تظهر عمارة قوية.

استخدام أذكى لقدرة الحوسبة

ابتكار رئيسي هو أن عملية البحث مبنية مع مراعاة قيود الأجهزة الواقعية. تحتاج العديد من الطرق المماثلة إلى بطاقات رسومية متقدمة بسعة 16 غيغابايت أو أكثر من الذاكرة، والتي لا تتوفر في معظم العيادات. هنا، يُوجَّه البحث ليس فقط حسب الدقة ولكن أيضًا حسب مقدار الذاكرة والوقت الذي يستخدمه كل نموذج. تقنيات مثل تقسيم التدريب إلى أجزاء أصغر ومعاقبة التصاميم الثقيلة تسمح للنظام بالعمل في نحو 2.1 غيغابايت من الذاكرة — أي انخفاض بنسبة 76 بالمئة مقارنة بالأعمال السابقة — مع الاستمرار في استكشاف ملايين من تراكيب الشبكات المحتملة. النموذج النهائي يحتوي على 2.8 مليون وزن قابل للتعديل فقط ويمكنه معالجة بيانات الطفل في نحو 15 مللي ثانية لكل عينة.

إلى أي مدى يستطيع النظام تمييز الأطفال

عند اختباره على أكثر من 1.3 مليون عينة لم تُرَ من قبل، صنّفت الشبكة المختارة بشكل صحيح نحو 95 من كل 100 عينة، وهو تحسّن واضح مقارنة بخوارزميات التعلم العميق القوية القائمة. أظهر تحليل الموازنة بين الحالات الفائتة والتنبيهات الكاذبة مساحة كبيرة تحت منحنى ROC (0.986)، ما يعني أن النموذج يمكن ضبطه لأولويات سريرية مختلفة دون انهيار الأداء. والأهم من ذلك، كان معدل نجاحه متطابقًا تقريبًا للأطفال المصابين بالتوحّد وللأطفال ذوي التطور النموذجي، مما يشير إلى أنه ليس متحيزًا نحو مجموعة واحدة. أكّدت اختبارات إحصائية دقيقة ومقارنات مع شبكات أبسط أن استخدام مزيج من أنواع الطبقات والبحث المستوحى من التطور كانا ضروريين لهذا الأداء.

ماذا قد يعني هذا للعائلات والعيادات

بعبارات بسيطة، تُظهر الدراسة أنه من الممكن تدريب نظام ذكاء اصطناعي صغير وسريع لاكتشاف أنماط الحركة والتفاعل المرتبطة بالتوحّد باستخدام قدرات حوسبة واقعية. يمكن لمثل هذه الأداة أن تساعد في الإشارة إلى الأطفال المعرضين للخطر في وقت أبكر من مسار التشخيص، لا سيما في الأماكن التي يقلّ فيها توفر الأخصائيين، ويمكن أن تدعم الأطباء بتقديم رأي موضوعي ثانٍ. يؤكد المؤلفون أن عملهم له حدود — فقد اُختبر فقط في بيئات عيادية مُتحكَّم فيها مع أطفال من بلد واحد، ولا يفسّر قراراته بعد بمصطلحات مفهومة للبشر. ومع ذلك، تشير النتائج إلى أن الشبكات العصبية المصممة ذاتيًا قد تصبح جزءًا عمليًا من فحوصات التوحّد المستقبلية، مما يساعد على تقصير الانتظار الطويل الذي تواجهه العديد من العائلات قبل الحصول على إجابات.

الاستشهاد: Alzahrani, A.R., Alboaneen, D. & Alzahrani, I.R. GeneticNAS: a novel self-evolving neural architecture for advanced ASD screening. Sci Rep 16, 6304 (2026). https://doi.org/10.1038/s41598-026-35972-x

الكلمات المفتاحية: فحص التوحّد, البحث عن بنية الشبكات العصبية, الخوارزميات الجينية, تقدير الوضعية, الذكاء الاصطناعي السريري