مجموعة أدوات مفتوحة المصدر تعتمد على التعلم العميق للتحليل التلقائي لاستجابات جذع الدماغ السمعية (ABRA)

لماذا تهم اختبارات السمع المحسّنة

مع ازدياد متوسط العمر، أصبح فقدان السمع واحدًا من أكثر المشاكل الصحية شيوعًا في العالم. تأثيره أبعد من صعوبة المحادثة؛ فقد رُبط الآن بمشكلات في الذاكرة والخرف في المراحل المتأخرة من الحياة. لفهم فقدان السمع وعلاجه، يعتمد العلماء على نوع خاص من التسجيلات الكهربائية من الأذن وجذع الدماغ يُسمى استجابة جذع الدماغ السمعية (ABR). هذه التسجيلات قوية لكنها تقليديًا تتطلب خبراء لفحص الخطوط المتعرجة بالعين، وهي عملية بطيئة وذاتية. تقدم هذه الورقة ABRA، مجموعة أدوات برمجية مجانية ومؤتمتة تستخدم الذكاء الاصطناعي الحديث لقراءة هذه الإشارات بسرعة وثبات.

من النقرات في الأذن إلى الموجات على الشاشة

عندما يُشغَّل صوت قصير في الأذن، تطلق خلايا حسية دقيقة في الأذن الداخلية والألياف العصبية التابعة لها نبضة سريعة. تنتقل هذه النشطة عبر جذع الدماغ ويمكن التقاطها بواسطة أقطاب موضوعة على الرأس. النتيجة هي أثر ABR: سلسلة من الموجات الصغيرة التي تظهر خلال الألفيات الأولى من الثانية بعد الصوت. في الفئران، تعكس الموجة الكبيرة الأولى نشاط العصب السمعي وتكون حساسة بشكل خاص للأضرار المبكرة في القوقعة، بما في ذلك فقدان الوصلات (المشبكيات) بين الألياف العصبية وخلايا الشعر. يقرأ الباحثون هذه الموجات لتقدير مستوى شدة الصوت اللازم للسمع (العتبة) ومدى قوة وسرعة استجابات العصب. تغيّرات صغيرة في هذه المقاييس قد تكشف عن إصابة خفية قبل أن تظهر في اختبارات السمع القياسية.

مشكلة القراءة اليدوية

على الرغم من أن اختبارات ABR تسجيلات موضوعية، فإن طريقة تحليلها كثيرًا ما تكون غير موضوعية. تستخدم مختبرات مختلفة برمجيات مختلفة، وحتى المراجعين ذوي الخبرة قد يختلفون في تحديد نقطة بدء الموجة، وقمّتها، ونهايتها، خصوصًا عندما تكون الإشارات ضعيفة أو مشوشة. وضع علامات يدوية على آلاف الآثار من تجارب كبيرة قد تستغرق ساعات عديدة وتُصعِّب مقارنة النتائج عبر الدراسات. حاولت بعض المجموعات استخدام طرق قواعدية أو تقنيات تعلّم آلي تقليدية، لكن هذه الأساليب تفتقر إلى المرونة وقد لا تتعامل جيدًا مع التنوع الكبير في إعدادات التسجيل، وسلالات الفئران، وأنواع الضرر السمعي المستخدمة في الأبحاث الحديثة.

مجموعة أدوات آلية جديدة

تواجه ABRA (محلل استجابة جذع الدماغ السمعية) هذه التحديات بدمج نماذج التعلّم العميق مع واجهة سهلة الاستخدام. قام المؤلفون بتدريب شبكات عصبية التلافيف (نوع من الذكاء الاصطناعي المتفوق في التعرف على الأنماط المعقدة) على أكثر من عشرين ألف تسجيل ABR جمعت من ثلاثة مختبرات بحثية مستقلة في مجال السمع. بالرغم من اختلاف المعدات، وإعدادات الصوت، ونماذج الفئران — بما في ذلك حيوانات تتقدم في العمر بشكل أسرع أو تعرّضت لضوضاء عالية — تعلَّمت النماذج نفسها اكتشاف السمات الرئيسية للموجات وتمييز الاستجابات التي تعكس السمع الحقيقي عن تلك التي هي مجرد ضوضاء خلفية. تشتمل ABRA على أداتين رئيسيتين: إحداهما تَعَيّن توقيت وارتفاع الموجة الأولى من ABR، والأخرى تقرّر، عبر سلسلة من مستويات الصوت، أي مستوى يمثل العتبة الحقيقية للسمع.

دقة مساوية للخبراء، أسرع بعشرات المرات

لمعرفة مدى فعالية ABRA، قارن الفريق قياساته الآلية بعلامات بشرية لآلاف التسجيلات. بالنسبة للموجة الأولى من ABR، كانت تقديرات ABRA للزمن والحجم تقع تقريبًا دائمًا ضمن جزء ضئيل من الميلي ثانية وجزء ضئيل من الميكروفولت بالنسبة لعلامات الخبراء، مع أكبر الأخطاء التي ظهرت فقط عندما كانت الإشارة نفسها بالكاد مرئية. فيما يخص اكتشاف العتبة، اختُبرت عدة أنواع من نماذج التعلّم الآلي، وقد تفوّق نهج التعلّم العميق على الطرق الأبسط عبر جميع مقاييس الدقة. في مقارنات وجهًا لوجه، اتفقت ABRA مع مقيمي الخبراء بنسبة تقارب الاتساق بين خبيرين، وتفوقت أو عادلت طريقة التضارب المتقاطع المعتمدة في حزمة ABR شائعة أخرى. والأهم أن تحليل 90 مجموعة من بيانات الفئران استغرق من الخبراء نحو ساعة يدويًا بينما استغرق أقل من دقيقة مع ABRA، تسريع يقارب 75 مرة.

ما الذي يعنيه ذلك لأبحاث السمع

تحوّل ABRA خطوة كانت بطيئة وذاتية في تجارب السمع إلى عملية سريعة وموحدة وقابلة للمشاركة. وبما أنها مفتوحة المصدر ومتاحة مجانًا عبر الإنترنت وقادرة على قراءة عدة صيغ ملفات شائعة، فيمكن إدراجها في العديد من سير العمل الحالية دون مهارات برمجية خاصة. النماذج الحالية مدرّبة على بيانات فئران ومتحقَّق من أدائها بشكل أفضل للموجة الأولى من ABR، لذا قد تستدعي الحالات غير الاعتيادية للغاية أو أنواع أخرى من الحيوانات مراجعة الخبراء أو إعادة تدريب مستقبلية. ومع ذلك، تُظهر مجموعة الأدوات كيف يمكن للذكاء الاصطناعي أن يفسر الإشارات البيولوجية المعقدة، مما يساعد العلماء على دراسة كيف يفشل السمع مع التقدُّم في العمر أو الضوضاء أو المرض — ويدعم في النهاية الجهود لحماية السمع وصحة الدماغ.

الاستشهاد: Erra, A., Miller, C.M., Chen, J. et al. An open-source deep learning-based toolbox for automated auditory brainstem response analyses (ABRA). Sci Rep 16, 9855 (2026). https://doi.org/10.1038/s41598-026-38045-1

الكلمات المفتاحية: فقدان السمع, استجابة جذع الدماغ السمعية, التعلّم العميق, تحليل الإشارات الآلي, علم الأعصاب لدى الفئران