الكشف عن أحداث أصوات الأمعاء في تسجيلات مستمرة باستخدام التعلم العميق

الاستماع إلى الأمعاء بطريقة جديدة

لطالما ضغط الأطباء بالسمّاعة على البطن لتقييم مدى عمل الجهاز الهضمي، لكن تلك الاستماعات القصيرة والذاتية تفوّت معظم ما يحدث على مدى ساعات. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث تحويل الأصوات الدقيقة للأمعاء إلى إشارة مستمرة وموضوعية لنشاط الهضم. من خلال تعليم نظام تعلّم عميق مدمج للتعرّف على أحداث صوتية صغيرة داخل تسجيلات صوتية طويلة، يشير هذا العمل إلى أجهزة قابلة للارتداء تُراقب صحة الأمعاء بهدوء في الخلفية، تمامًا كما تفعل أجهزة تتبّع معدل القلب أو النوم اليوم.

لماذا تهم أصوات البطن

أصوات الأمعاء أكثر من مجرد قرقرة عشوائية—فهي تعكس كيف تتحرك العضلات والسوائل عبر الأمعاء. يمكن للاستماع المستمر وغير الجائر أن يساعد في تتبع الهضم بعد الجراحة، ومراقبة المواليد الضعفاء، أو كشف الأمراض مبكرًا، وكل ذلك من دون تحاليل دم أو إشعاع. ومع ذلك، حتى وقت قريب، كان الباحثون يفتقرون إلى مجموعات بيانات كبيرة ومعلّمة جيدًا وخوارزميات قوية. كانت العديد من الأنظمة السابقة إما حساسة جدًا للضوضاء، أو مقيدة بمقاطع قصيرة فقط، أو تركز فقط على وجود صوت في شريحة زمنية ضئيلة بدلًا من التقييم عبر تسجيل طوال الليل.

بناء مكتبة صوتية موثوقة

تعتمد الدراسة على مجموعة بيانات متاحة للجمهور جمعت ليلاً من 19 متطوعًا باستخدام ميكروفون ملامس على البطن. قُسّمت التسجيلات إلى مقاطع قصيرة ووسمها خبراء أمراض الجهاز الهضمي إلى عدة أنواع من أصوات الأمعاء، وضوضاء غير معوية، وصمت. قبل التحليل، نُقّيت التسجيلات بعناية: تُركّز الأجزاء الخلفية الهادئة، تم تطبيع مستوى الصوت، وحولت الأصوات إلى صورة زمنية-ترددية تُظهر كيف يتوزع الطاقة عبر طبقات النغمات مع مرور الوقت. سمحت هذه التحويلة للنظام بالاحتفاظ بالأنماط الأساسية لنشاط الأمعاء مع جعل البيانات أكثر توحيدًا وأسهل لتعلّمها بواسطة الحاسوب.

أذنَان لأنغام مختلفة

فكرة مركزية في العمل هي أن لأصوات الأمعاء سلوكيات متميزة عند النغمات المنخفضة والعالية، لذا صمم المؤلفون النموذج لـ «الاستماع» بأذنين متخصصتين في آن واحد. قُسّمت الإشارة المحوّلة إلى نطاق منخفض، يلتقط القرقرات الأطول والأكثر سلاسة، ونطاق عالٍ، يلتقط النقرات والانفجارات القصيرة والحادة. دخل كل نطاق مسار معالجة خاص به مكوّنًا من طبقات التلافيف أحادية البُعد خفيفة الوزن تبحث عن أنماط عبر مقاطع زمنية قصيرة وفترات أطول قليلًا. ثم قرر آلية انتباه مقدار الوزن الذي يجب إعطاؤه لكل نطاق في كل لحظة، قبل دمجهما إلى احتمال واحد لوجود حدث صوتي معوي في إطار زمني ضئيل.

من لحظات صغيرة إلى أحكام عن ليلة كاملة

أنتج النظام أولًا قرارات لشرائح زمنية قصيرة جدًا، لكن السؤال السريري الحقيقي غالبًا ما يكون ما إذا كان التسجيل بأكمله يحتوي نشاطًا معويًا ومدى ثبات الكشف عبر الزمن. لردم هذه الفجوة، سوّى الباحثون احتمالات الإطارات لإزالة العثرات المعزولة ثم استخدموا قاعدة بسيطة: إذا كان أي إطار في التسجيل يملك احتمالًا مرتفعًا بدرجة كافية لكونه صوتًا معويًا، وُسم الملف بأكمله على أنه يحتوي حدثًا. خففت استراتيجية «الحد الأقصى عبر الزمن» هذه كثيرًا من أثر الأخطاء العرضية مع الحفاظ على الحساسية تجاه الأصوات القصيرة والحقيقية.

كيف أدّى النظام

عبر طريقتين مختلفتين لتقسيم البيانات إلى مجموعات تدريب واختبار، قدم النموذج أداءً عاليًا لافتًا. على أصغر الشرائح الزمنية، ميّز بشكل صحيح أحداث أصوات الأمعاء عن الصمت أو غيره من الضوضاء في أكثر من 98% من الحالات، مع توازن قوي بين التقاط الأحداث الحقيقية وتجنّب الإنذارات الكاذبة. عند تجميع القرارات إلى مستوى التسجيلات الكاملة، ارتفعت الدقة إلى أكثر من 99.8%، ما يعني أن النظام نادرًا ما أخطأ في الحكم على ما إذا كان الملف يحتوي نشاطًا معويًا. تفوّقت هذه النتائج على عدة مقاربات تعلم عميق سابقة اختُبرت على نفس مجموعة البيانات، رغم أن أصوات الأمعاء شكّلت نسبة صغيرة فقط من إجمالي زمن التسجيلات.

ماذا يعني هذا لرعاية يومية

لغير المتخصص، الخلاصة هي أن الحواسيب يمكنها الآن الاستماع إلى الأمعاء بدرجة موثوقة على فترات طويلة، واستخراج أحداث ذات معنى من بحر من الضوضاء الخلفية. لا يميز الأسلوب بعد بين أمراض أو مجموعات مرضى مختلفة؛ يجيب ببساطة عما إذا كان نشاط الأمعاء حاضرًا ومتى يحدث. مع ذلك، يفتح هذا الأساس المتين الباب أمام أحزمة ذكية أو لاصقات أو قمصان يمكنها تتبع الهضم في الوقت الحقيقي، ومساعدة الأطباء على متابعة التعافي، أو دعم إدارة الأمراض المعوية المزمنة في المنزل، وكل ذلك بالاستماع الهادئ إلى المقطوعة الداخلية للجسم.

الاستشهاد: Çelik, Y. Deep learning-based detection of bowel sound events in continuous recordings. Sci Rep 16, 10595 (2026). https://doi.org/10.1038/s41598-026-47018-3

الكلمات المفتاحية: أصوات الأمعاء, التعلم العميق, مراقبة الجهاز الهضمي, الصوتيات الطبية, الصحة القابلة للارتداء