מודל רשת תשומת-לב צולבת זמן-תדירות לזיהוי פרכוסים אפילפטיים

למה חשוב לגלות פרכוסים מהר יותר

עבור אנשים החיים עם אפילפסיה, פרכוסים רבים מופיעים ללא אזהרה, מקפיצים את שגרת העבודה, הלימודים והחיים היומיומיים, ובמקרים חמורים מסכנים את החיים. רופאים משתמשים באלקטרו-אנצפלוגרפיה (EEG) — רישומי מתח זעירים שנקלטים באלקטרודות על הקרקפת — כדי לאתר פעילות מוחית מזיקה, אך קריאת שעות של קווים מסתעפים בעין היא איטית, מתישה ותלויה במידה רבה במומחיות. המאמר מציג גישה חדשה מבוססת בינה מלאכותית שקוראת אותות EEG בצורה קרובה יותר לאבחון מנוסה: לא רק מסתכלת איך האות משתנה לאורך הזמן אלא גם על הקצבים הבסיסיים שלו, ומשלבת את שני הממדים כדי לזהות פרכוסים ודפוסים מסוכנים אחרים בדיוק מרשים.

שתי דרכים להציץ בגלי מוח

ניתן להסתכל על רישומי EEG בשתי דרכים משלימות. האחת היא המבט המוכר של הזמן: כיצד המתח עולה ויורד מרגע לרגע. השניה היא המבט של התדירות: כמה מהאנרגיה של האות מרוכזת בקצבים איטיים, בינוניים או מהירים. מודלים ממוחשבים קודמים התמקדו לעתים קרובות בעיקר בממד הזמן, או התייחסו למידע התדירותי כתוספת פשוטה. עם זאת נוירולוגים ידעו מזה זמן רב שסוגי פרכוסים מסוימים קשורים חזק לדפוסי קצב ספציפיים. המחברים טוענים שמערכת חכמה יותר צריכה להתייחס לזמן ולתדירות כשווים בחשיבותם, והחשוב מכך — ללמוד כיצד הם מתקשרים זה עם זה במקום רק להצמידם זה לצד זה.

בינה כפולה שמקשיבה ו"מרגישה את הקצב"

החוקרים מציעים מודל שהם קוראים לו רשת תשומת-לב צולבת זמן-תדירות (TFCANet). הוא מתחיל מאותות EEG גולמיים שנרשמים ממספר אלקטרודות. ענף אחד של הרשת מתמקד בסדרות הזמן: הוא משתמש בלבנים ייעודיות שמזהות תחילה דפוסים מקומיים ואז מיישמות מנגנון תשומת-לב שמתרכז ברגעים חשובים לאורך האות תוך התעלמות מחלקים בעלי מידע מועט. במקביל, הענף השני ממיר את אותם אותות לתוכן התדירתי שלהם באמצעות המרת מהירה מתמטית ואז מעביר את המידע דרך מודולים שנועדו להדגיש את הערוצים והרצועות הקצביות המידעיות ביותר תוך דיכוי רעש ומידע מיותר.

להדריך את המודל לקשר בין הדפוסים בשני הממדים

פשוט להדביק יחד את הפלטים של ענפי הזמן והתדירות אינו מספיק. במקום זאת, TFCANet משתמש בצעד תשומת-לב צולבת בהשראת ההתקדמות האחרונה בבינה לשפה ולראיה. בשלב זה, התכונות מבוססות הזמן פועלות כמעין הקשר ושואלות: "בהינתן מה שקורה ברגע זה באות, אילו דפוסי תדירות רלוונטיים ביותר?" המודל מדגיש באופן סלקטיבי תכונות תדירות תואמות ומדכא תכונות שאינן קשורות. אינטראקציה דינמית זו מאפשרת לרשת לגלות קישורים עדינים בין מתי אירוע חשוד מתפתח ואילו טביעות קצב מסמנות אותו כפרכוס או דפוס מזיק אחר.

מבחן המערכת

כדי להעריך עד כמה TFCANet יעיל, המחברים בחנו אותו על שתי מאגרים נפוצים של EEG. האחד הוא מאגר קלאסי ממחקר באוניברסיטת בון, הכולל דוגמאות מקוטעות בקפידה של פעילות נורמלית, תקופות שקט בין פרכוסים ופרכוסים מלאים. השני הוא מאגר קליני גדול ומציאותי יותר מתחרות אחרונה ב-Kaggle, שבו צוותים מומחים תויגו צורות מגוונות של פעילות מוחית מזיקה כגון פרכוסים וכמה סוגי פליטות קצביות בלתי תקינות. לאחר איזון נתוני האימון ויישום שלבי ניקוי סטנדרטיים, הקבוצה השוותה את TFCANet מול מגוון מודלים מודרניים של למידת עומק המבוססים על קונבולוציות, שכבות חוזרות, Transformers או שילובי זמן–תדירות פשוטים יותר.

תוצאות שמתקרבות לשימוש בעולם האמיתי

בשני מאגרי הנתונים TFCANet התאמה או עלה על גישות מתחרות בעקביות. באוסף הגדול של Kaggle הוא סיווג נכון חמשת סוגי הפעילות המוחית המזיקה העיקריים ביותר יותר מ-96 אחוז מהזמן, ובמאגר בון הוא עבר את דיוק ה-93 אחוז בהבחנה בין חמשת המצבים השונים. ניסויי "אביעלציה" מדוקדקים — שבהם חלקים מהמודל מוסרים או מוחלפים — הראו שגם מודולי תשומת-הב לפי ערוץ וגם, במיוחד, שלב המיזוג בתשומת-לב הצולבת הם המפתח לשיפורים אלה. אפילו בשימוש בנתוני ערוץ יחיד, שבהם לחלק מהמודולים השפעה קטנה יותר, מנגנון התשומת-לב הצולבת שיפר עדיין את הביצועים לעומת מיזוג תכונות פשוט.

מה זה אומר עבור מטופלים ורופאים

במונחים יומיומיים, עבודה זו מראה שניתן לאמן מחשבים לקרוא עקבות EEG באופן עשיר ומדויק יותר על ידי התחשבות משותפת מתי אירועים קורים ואילו קצבים מלוויים אותם, ולמידה כיצד שני הממדים האלה תומכים זה בזה. בעוד ש-TFCANet נבדק עד כה על נתוני מחקר ותחרויות, הביצועים החזקים והיציבים שלו מציעים שהוא יכול להפוך לעוזר מעשי בבתי חולים: מעקב רציף אחרי הקלטות ארוכות, סימון פרקי זמן חשודים לסקירה ועזרה למטפלים להגיב לפעילות מוחית מסוכנת במהירות ובעקביות רבה יותר. ככל שמחקרים עתידיים יאמצו גישה זו להקלטות ארוכות יותר ולהגדרות קליניות מגוונות, מערכות מודעות זמן–תדירות כאלה עלולות להפוך לחלק מרכזי במעקב פרכוסים בטוח ואמין יותר.

ציטוט: Wang, R., Tian, L., Li, M. et al. A time-frequency cross-attention network model for epileptic seizure detection. Sci Rep 16, 13441 (2026). https://doi.org/10.1038/s41598-026-41636-7

מילות מפתח: זיהוי פרכוס אפילפטי, למידת עומק EEG, אנליזת זמן-תדירות, מנגנוני תשומת-לב, עיבוד אותות מוח