ارتفعت دقة التشخيص المبكر لمرض باركنسون إلى 90.2%. اقترح معهد شنتشن للتكنولوجيا المتقدمة ومستشفى تشونغشان الأول بشكل مشترك نموذج GSP-GCNs

اقترح فريق بحثي من المستشفى التابع الأول لجامعة صن يات صن ومعهد التكنولوجيا المتقدمة بجامعة تكنولوجيا صن يات صن نموذجًا للتعلم العميق - معالجة إشارة الرسم البياني - شبكات التفافية للرسم البياني (GSP-GCNs)، والذي يستخدم بيانات تخطيط كهربية الدماغ المرتبطة بالأحداث والتي تم الحصول عليها من مهام محددة تتضمن تنظيم النغمة لتشخيص مرض باركنسون.

ارتعاش، حركات بطيئة، تعبيرات جامدة... عندما نتحدث عن مرض باركنسون، فإن معظم الناس سوف يفكرون أولاً في "ارتعاش اليد". لكنهم لا يعرفون أنه في المراحل المتوسطة والمتأخرة من المرض، قد يعاني المرضى من مشاكل مثل اضطرابات التوازن وصعوبة التقلب. ستهتز أطرافهم السفلية ورؤوسهم بشكل لا إرادي، مما يؤثر بشكل خطير على نوعية حياتهم.

أظهرت البيانات التي أصدرتها جمعية الطب التأهيلي الصينية في أبريل 2023 أن هناك أكثر من 3 ملايين مريض بمرض باركنسون في بلدي، أي أكثر من ربع العدد الإجمالي في العالم، ويتم إضافة حوالي 100 ألف حالة جديدة كل عام.ومن المتوقع أن يصل إجمالي عدد مرضى باركنسون في بلدي بحلول عام 2030 إلى 5 ملايين مريض، أي ما يقرب من نصف عدد المرضى في العالم.

ومع ذلك، فإن مسببات مرض باركنسون لا تزال غير معروفة، ويمكن أن تُعزى حالات 20% فقط إلى عوامل وراثية محددة، وبالتالي فإن التشخيص المبكر يواجه تحديات كبيرة.

أصبح تخطيط كهربية الدماغ في حالة الراحة (EEG) وسيلة مهمة لتشخيص مرض باركنسون بسبب عدم جراحيته وقدرته على التقاط نشاط الدماغ بدقة زمنية عالية. وفي السنوات الأخيرة، بدأت الدراسات ذات الصلة بدمج التعلم العميق مع تخطيط كهربية الدماغ للتشخيص المبكر لمرض باركنسون. ومع ذلك، تتطلب معظم هذه الطرق إشارات تخطيط كهربية الدماغ مستقرة للعمل ولا يمكنها التقاط الخصائص الديناميكية للتغيرات في نشاط الدماغ المرتبطة بمرض باركنسون.

وفي ضوء ذلك،اقترح باحثون من معاهد شنتشن للتكنولوجيا المتقدمة التابعة للأكاديمية الصينية للعلوم والمستشفى التابع الأول لجامعة صن يات صن نموذجًا قابلًا للتفسير لمعالجة إشارة الرسم البياني - شبكة تلافيفية للرسم البياني (GSP-GCNs) باستخدام ميزات تخطيط كهربية الدماغ غير الطبيعية لمهام الحركة الكلامية في مرض باركنسون.باستخدام بيانات تخطيط كهربية الدماغ لمهمة تعديل التردد الأساسي للكلام واستخراج العلامات العصبية للشبكة الوظيفية الدماغية واسعة النطاق لمرضى باركنسون، حققنا تشخيصًا ذكيًا عالي الدقة لمرض باركنسون.

احصل على الورقة:

https://www.nature.com/articles/s41746-023-00983-9
رد "باركنسون" في حساب WeChat العام للحصول على ملف PDF الكامل

مجموعة البيانات: تجربة النطق الصوتي مع 100 مشارك

قام فريق البحث بدعوة 100 مشارك، من بينهم 52 شخصًا تم تشخيص إصابتهم بـمرض باركنسون مجهول السببالمرضى (24 أنثى و28 ذكرًا) و48 من الضوابط الصحية المتطابقة معهم من حيث الجنس والعمر.أجرى جميع المشاركين تجربة النطق.

خلال التجربة، طُلب من المشاركين إنتاج حروف العلة لمدة تتراوح بين 5 إلى 6 ثوانٍ بمدة 200 مللي ثانية. يتكون كل نطق من 4 إلى 5 اضطرابات.شبه عشوائيمقدم بهذه الطريقة. قام المشاركون بالتعبير عن أصواتهم من 20 إلى 25 مرة متتالية بإجمالي 100 محاولة.

بينما أجرى المشاركون تجربة النطق، استخدم الباحثون برنامج NetStation لتسجيل إشارات تخطيط كهربية الدماغ عند تردد أخذ العينات 1 كيلو هرتز باستخدام غطاء قطب كهربائي مكون من 64 قطبًا متصلًا بمضخم Net Amps 300 (EGI).

نموذج GSP-GCNs: يتكون من 4 مكونات متتالية

يتكون إطار عمل نموذج GSP-GCNs من أربع وحدات: وحدة معالجة إشارة الرسم البياني (GSP)، ووحدة شبكة الرسم البياني، والمصنف، والنموذج القابل للتفسير.

* أولاً، تقوم وحدة GSP بتحليل ومعالجة شبكات EEG واسعة النطاق لتحديد أنماط الاتصال الديناميكية؛
* ثانيًا، تلتقط وحدة شبكة الرسم البياني أنماط الاتصال هذه كميزات رئيسية للتصنيف؛ * بعد ذلك، يستفيد مكون التصنيف من هذه الميزات المستخرجة للتمييز بين مرضى باركنسون والأفراد الأصحاء؛ * أخيرًا، يعزز نموذج قابلية التفسير قابلية تفسير الإطار من خلال توفير تصور عالمي للميزات الأساسية المكتسبة ومواءمتها مع ميزات EEG المجهرية المرتبطة بالكلام.

ومن خلال اعتماد هذا النهج المبتكر، يهدف إطار عمل GSP-GCNs إلى توفير معلومات توضيحية لتسهيل استخدام نماذج التعلم العميق في تشخيص مرض باركنسون باستخدام بيانات تخطيط كهربية الدماغ المرتبطة بالمهمة.

تأثير النموذج: قابلية جيدة للتفسير

اقترحت الدراسة أربعة نماذج تعتمد على الشبكة البيانية: PCC + GCN، PLV + GCN، PCC + GSP-GCN وPLV + GSP-GCN.

ومن بينها، يمثل PCC (معامل ارتباط بيرسون) وPLV (قيمة قفل الطور) ميزات مختلفة تستخدم لبناء شبكات الدماغ. ومع ذلك، بغض النظر عن نوع الميزة،تظهر جميع نماذج GSP-GCNs أداءً أفضل بشكل ملحوظ من نماذج GCNs.

كما هو موضح في الشكل أدناه، تظل قيم ROC لنموذج GSP-GCN الذي اقترحه المعهد أقل من 0.08. ويسلط هذا الضوء على إمكانات GSP في تحسين أداء التصنيف من خلال موازنة المعلومات المحلية والعالمية في الشبكات ذات القفزة الواحدة والمتعددة القفزات من خلال تجميع الرسوم البيانية.

من خلال الجمع بين المعلومات المحلية والعالمية،يتمتع نموذج GSP-GCNs المقترح في هذه الدراسة بدقة تصنيف متوسطة تبلغ 90.2% للتمييز بين مرضى باركنسون وضوابط التحكم الطبيعية، وهو أعلى بكثير من نماذج التعلم العميق الأخرى بمقدار 9.5%.بالإضافة إلى ذلك، يظهر نموذج GCNs تعقيدًا حسابيًا أقل من جميع النماذج الأساسية.

بالإضافة إلى ذلك، قام فريق البحث بتحليل إمكانية تفسير نموذج GSP-GCNs وكشف عن نتائج التعلم الخاصة به بشأن توزيع الاختلافات بين شبكات تخطيط كهربية الدماغ واسعة النطاق وخرائط تضاريس تخطيط كهربية الدماغ الدقيقة MS5. في مهمة تنظيم التردد الأساسي للكلام، تقع مناطق الدماغ التي تختلف بشكل كبير بين مرضى باركنسون وضوابط الأشخاص الطبيعيين بشكل رئيسي في القشرة الحركية البطنية اليسرى والتلفيف الصدغي العلوي ومنطقة بروكا، وهو ما يتوافق بشكل كبير مع شبكة الدماغ لاضطرابات حركة الكلام في مرض باركنسون التي تم اكتشافها سابقًا.

وهذا يدل على أنالنموذج GSP-GCN المقترح في هذه الدراسة قادر على تحديد العلامات الحيوية الفريدة لتخطيط كهربية الدماغ من شبكات واسعة النطاق ويوفر إمكانية تفسير جيدة.

والأمر الأكثر أهمية هو أن النموذج يمكنه أن يتعلم بشكل فعال الاختلافات بين الشبكات الوظيفية في الدماغ لدى مرضى باركنسون وضوابط طبيعية في مهام التغذية الراجعة السمعية، مما يوفر طريقة جديدة لتحليل قابلية تفسير نماذج التعلم العميق المطبقة على تشخيص المرض وتصنيفه.

الذكاء الاصطناعي يحدد المؤشرات الحيوية للمساعدة في تشخيص مرض باركنسون

بداية مرض باركنسونإنه مرض خفي ويتطور ببطء، لذا فإن التشخيص المبكر والتدخل في الوقت المناسب مهمان للغاية لتحسين فعاليته. إن أحد الأساليب المهمة للتشخيص المبكر لمرض باركنسون هو تحديد المؤشرات الحيوية في مختلف المجالات السلوكية، بما في ذلك أنماط الكتابة اليدوية، والوظائف الحركية، وأنماط المشي، وخصائص اللغة.

لقد برز التعلم الآلي كأداة قوية في مجال التصوير الطبي في السنوات الأخيرة، حيث ساعد في استخراج السمات والأنماط عالية المستوى من بيانات التصوير العصبي المعقدة. بالإضافة إلى ذلك، وبفضل قدراتها الممتازة في التحليل متعدد الأبعاد، يمكن أيضًا استخدام التعلم الآلي لتصنيف الأفراد في مجال التصوير الطبي. نموذج GSP-GCNs الذي اقترحه فريق البحث المشترك من مستشفى تشونغشان التابع لجامعة تشونغشان يحقق التشخيص من خلال استخراج العلامات العصبية المرتبطة باللغة لدى مرضى باركنسون. لا يزال هناك مجال كبير للتطوير في تطبيق نماذج التعلم العميق للذكاء الاصطناعي في تحديد المجالات السلوكية المختلفة لمرض باركنسون.

بصورة مماثلة،قام فريق بحثي من مستشفى الاتحاد بجامعة فوجيان الطبية مؤخرًا بتطوير نموذج التعلم الآلي للتنبؤ بخطر تجميد المشي لدى مرضى باركنسون على المستوى الفردي.يمكن استخدامه لتحديد مرضى باركنسون في وقت مبكر والذين من المرجح أن يصابوا بتجميد المشي المتأخر، وبالتالي تقديم إرشادات قيمة للأطباء لمنع والتدخل في أعراض تجميد المشي في مرضى باركنسون.

أيضًا،قام فريق بحثي من جامعة لندن (UCL) بتدريب خوارزمية الذكاء الاصطناعي باستخدام بيانات الفيديو من 300 مريض باركنسون و300 متطوع سليم.ويمكّنه من تحديد أنماط الحركة لدى مرضى باركنسون، بدقة تصل إلى 90% في تشخيص مرض باركنسون.

وفي المستقبل، نتوقع أن يتم تطبيق التعلم الآلي والذكاء الاصطناعي القائم على التصوير العصبي بشكل أكبر لمساعدة الأشخاص على تحديد المؤشرات الحيوية في مختلف المجالات السلوكية المتعلقة بأعراض مرض باركنسون بشكل فعال، وبالتالي تعزيز المزيد من تطوير التشخيص المبكر لمرض باركنسون.