مدل‌های بنیادین خودنظارتی نوار مغز در سال‌های ۲۰۲۴ و ۲۰۲۵؛ آیا هوش مصنوعی می‌تواند تفسیر EEG و QEEG را میان دستگاه‌ها و مراکز مختلف قابل‌اعتمادتر کند؟

پاسخ کوتاه: مدل‌های بنیادین نوار مغز، مانند LaBraM و EEGPT، با یادگیری از حجم بزرگی از داده‌های EEG بدون نیاز به برچسب‌گذاری کامل، می‌توانند الگوهای عمومی فعالیت مغز را استخراج کنند. این پیشرفت احتمالاً نیاز به داده‌های برچسب‌خورده برای هر کاربرد جدید را کاهش می‌دهد و به شناسایی رویدادهایی مانند تشنج، مراحل خواب یا برخی الگوهای شناختی کمک می‌کند. بااین‌حال، تفاوت دستگاه‌ها، مونتاژ الکترودها، مرجع‌گذاری، جمعیت‌های بالینی و آرتیفکت‌ها هنوز مانع استفاده مستقل این مدل‌ها برای تشخیص پزشکی است.

مدل بنیادین EEG چیست؟

مدل بنیادین یا Foundation Model سامانه‌ای هوشمند است که ابتدا روی مجموعه بزرگی از داده‌های عمومی آموزش می‌بیند و سپس برای وظایف اختصاصی‌تر تنظیم می‌شود. این رویکرد در پردازش زبان و تصویر موفق بوده و اکنون به حوزه علوم اعصاب محاسباتی و نوار مغز رسیده است.

در یادگیری خودنظارتی، الگوریتم برای آموزش اولیه الزاماً به تشخیص ثبت‌شده هر بیمار نیاز ندارد. برای مثال، بخش‌هایی از سیگنال EEG پنهان می‌شوند و مدل می‌آموزد آن‌ها را از روی اطلاعات زمانی، فرکانسی و ارتباط میان کانال‌ها بازسازی یا پیش‌بینی کند. به این ترتیب، بازنمایی‌هایی از ساختار نوار مغز شکل می‌گیرد که ممکن است در چند وظیفه متفاوت قابل استفاده باشند.

از نمونه‌های مطرح این مسیر پژوهشی می‌توان به موارد زیر اشاره کرد:

LaBraM: مدلی مبتنی بر یادگیری بازنمایی عمومی از داده‌های بزرگ EEG و مدل‌سازی بخش‌های پنهان‌شده سیگنال؛
EEGPT: رویکردی مبتنی بر پیش‌آموزش ترنسفورمر برای انتقال دانش میان وظایف مختلف مرتبط با نوار مغز؛
مدل‌های خودنظارتی زمانی–فضایی که هم دینامیک سیگنال و هم روابط میان الکترودها را یاد می‌گیرند.

وجه مشترک این مدل‌ها آن است که پیش از مواجهه با یک مسئله بالینی مشخص، نوعی «دانش آماری عمومی» از EEG به دست می‌آورند.

این تحول چه اثری بر تفسیر نوار مغزی دارد؟

در تفسیر نوار مغزی، متخصص فقط به قدرت باندهای فرکانسی توجه نمی‌کند. شکل موج، توزیع فضایی، تکامل زمانی، واکنش‌پذیری، تقارن، زمینه بالینی و احتمال وجود آرتیفکت هم اهمیت دارند. مدل‌های بنیادین می‌توانند در چند مرحله نقش کمکی داشته باشند:

۱. غربالگری سریع‌تر ثبت‌های طولانی

مرور EEG طولانی‌مدت، پایش ویدئویی یا ثبت‌های خواب زمان‌بر است. مدل پیش‌آموخته می‌تواند قطعات مشکوک را اولویت‌بندی کند تا متخصص ابتدا بخش‌های مهم‌تر را ببیند. این کاربرد به‌ویژه برای شناسایی احتمالی تخلیه‌های صرعی، کندی فوکال یا تغییرات حالت هوشیاری ارزشمند است.

۲. کاهش وابستگی به داده‌های برچسب‌خورده

ساخت دیتاست بالینی با برچسب معتبر پرهزینه است؛ زیرا هر نمونه باید توسط متخصص بررسی شود. اگر مدل از پیش ساختار عمومی EEG را آموخته باشد، برای تنظیم آن روی یک وظیفه جدید ممکن است به تعداد کمتری نمونه برچسب‌خورده نیاز باشد.

۳. انتقال یادگیری به مراکز کوچک‌تر

مرکزی که داده کافی برای آموزش یک شبکه عصبی از ابتدا ندارد، می‌تواند از مدل پیش‌آموخته استفاده کند و آن را با داده محلی تنظیم کند. البته اعتبارسنجی روی بیماران همان مرکز همچنان ضروری است.

۴. ترکیب چند نوع اطلاعات

مدل‌های جدید بالقوه می‌توانند سیگنال خام، طیف توان، اتصال عملکردی، سن، وضعیت چشم باز یا بسته و اطلاعات بالینی را به‌صورت هم‌زمان تحلیل کنند. چنین معماری‌هایی از نظر نظری به استدلال چندوجهی نزدیک‌ترند، اما کیفیت خروجی آن‌ها مستقیماً به استانداردسازی ورودی‌ها وابسته است.

نقش مدل‌های بنیادین در تفسیر نقشه مغزی QEEG چیست؟

در تفسیر نقشه مغزی، شاخص‌هایی مانند توان مطلق و نسبی، عدم تقارن، همدوسی، فاز، نسبت باندها و مقایسه با پایگاه داده هنجاری بررسی می‌شوند. مدل‌های بنیادین می‌توانند تحلیل QEEG را از اتکای صرف به چند شاخص منفرد فراتر ببرند.

برای مثال، افزایش نسبت تتا به بتا به‌تنهایی تشخیص ADHD، افسردگی یا اختلال شناختی را اثبات نمی‌کند. یک مدل پیش‌آموخته می‌تواند این نسبت را در کنار موارد زیر ارزیابی کند:

سن و وضعیت بیداری فرد؛
الگوی کامل طیفی، نه فقط دو باند فرکانسی؛
توزیع فضایی فعالیت؛
تغییرات لحظه‌به‌لحظه سیگنال؛
کیفیت ثبت و احتمال آلودگی عضلانی یا چشمی؛
تفاوت میان وضعیت چشم‌باز و چشم‌بسته؛
الگوهای مرجع آموخته‌شده از جمعیت‌های بزرگ‌تر.

مزیت بالقوه این رویکرد، حرکت از «یک عدد غیرطبیعی» به سمت «الگوی چندمتغیره» است. بااین‌حال، اگر داده آموزشی دارای سوگیری باشد، مدل ممکن است همان سوگیری را با ظاهری پیچیده‌تر بازتولید کند.

چرا عملکرد خوب در یک دیتاست به معنای آمادگی بالینی نیست؟

یکی از جدی‌ترین چالش‌های هوش مصنوعی در EEG، تغییر توزیع داده‌ها یا Dataset Shift است. دو ثبت نوار مغز ممکن است به دلایل غیربالینی با یکدیگر متفاوت باشند:

دستگاه و تقویت‌کننده متفاوت؛
نرخ نمونه‌برداری یا فیلترهای متفاوت؛
تعداد و محل الکترودها؛
مرجع مشترک، میانگین یا گوش‌های متصل؛
کیفیت امپدانس؛
محیط ثبت و میزان نویز؛
دارو، خواب‌آلودگی، کافئین یا زمان ثبت؛
تفاوت‌های سنی، قومی و بالینی جمعیت‌ها.

مدل ممکن است به‌جای یادگیری زیست‌نشانگر بیماری، ویژگی دستگاه یا مرکز ثبت را شناسایی کند. در این حالت، دقت بالا روی آزمون داخلی گمراه‌کننده است و عملکرد مدل در بیمارستان دیگر افت می‌کند.

به همین دلیل، ارزیابی معتبر باید ترجیحاً شامل آزمون خارجی، تفکیک کامل بیماران میان مجموعه آموزش و آزمون، مقایسه میان چند دستگاه و تحلیل زیرگروه‌های جمعیتی باشد.

آیا این مدل‌ها می‌توانند EEG یا QEEG را خودکار تشخیص دهند؟

در وضعیت فعلی، پاسخ بالینی محتاطانه خیر است. این مدل‌ها می‌توانند ابزار پشتیبان تصمیم باشند، اما نباید جایگزین متخصص مغز و اعصاب، نوروفیزیولوژیست یا ارزیابی بالینی شوند.

میان سه کاربرد باید تفاوت قائل شد:

تشخیص سیگنال: آیا قطعه‌ای از EEG مشکوک به یک رویداد خاص است؟
توصیف الگو: آیا کندی، عدم تقارن یا تغییر طیفی وجود دارد؟
تشخیص بیمار: آیا فرد به اختلال مشخصی مبتلاست؟

موفقیت در مرحله اول الزاماً توانایی انجام مرحله سوم را نشان نمی‌دهد. تشخیص بیمار به شرح‌حال، معاینه، داروها، تصویربرداری، آزمایش‌ها و تشخیص‌های افتراقی وابسته است.

عدم‌قطعیت؛ ویژگی ضروری نسل بعدی هوش مصنوعی پزشکی

خروجی‌ای مانند «احتمال ۸۷ درصد» همیشه به معنای اطمینان بالینی واقعی نیست. مدل ممکن است روی داده‌ای خارج از دامنه آموزش خود بیش‌ازحد مطمئن باشد. بنابراین، سامانه مناسب باید علاوه بر پیش‌بینی، عدم‌قطعیت خود را نیز اعلام کند.

یک ابزار بالینی ایمن‌تر باید بتواند بگوید:

کیفیت این ثبت برای تحلیل کافی نیست؛
مونتاژ یا تعداد کانال‌ها با داده آموزشی تفاوت دارد؛
احتمال آرتیفکت عضلانی بالاست؛
این بیمار خارج از دامنه سنی اعتبارسنجی مدل است؛
خروجی باید پیش از استفاده توسط متخصص بازبینی شود.

در پزشکی، توانایی «امتناع از پاسخ» در شرایط نامطمئن می‌تواند به‌اندازه دقت طبقه‌بندی اهمیت داشته باشد.

الزامات استفاده مسئولانه از مدل‌های بنیادین نوار مغز

پیش از ورود یک مدل EEG/QEEG به جریان بالینی، بررسی این موارد ضروری است:

اعتبارسنجی آینده‌نگر و چندمرکزی؛
گزارش حساسیت، ویژگی، ارزش اخباری و کالیبراسیون؛
آزمون روی دستگاه‌ها و مونتاژهای متفاوت؛
کنترل نشت اطلاعات یک بیمار میان آموزش و آزمون؛
ارزیابی عملکرد در گروه‌های سنی و بالینی مختلف؛
مستندسازی مراحل حذف آرتیفکت و پیش‌پردازش؛
امکان بازبینی سیگنال خام توسط متخصص؛
حفاظت از داده‌های عصبی و حریم خصوصی بیمار؛
پایش افت عملکرد مدل پس از استقرار.

همچنین بهتر است خروجی مدل به شکل شواهد قابل بررسی ارائه شود؛ برای مثال، قطعه زمانی مشکوک، کانال‌های اثرگذار و محدودیت‌های تحلیل مشخص باشند. تولید یک برچسب نهایی بدون نمایش شواهد برای کاربرد پزشکی کافی نیست.

جمع‌بندی

مدل‌های بنیادین خودنظارتی یکی از مهم‌ترین مسیرهای جدید در تقاطع نوار مغز، نقشه مغزی، علوم اعصاب و هوش مصنوعی پزشکی هستند. نوآوری اصلی آن‌ها فقط افزایش دقت یک طبقه‌بندی خاص نیست؛ بلکه امکان یادگیری بازنمایی عمومی از EEG و انتقال آن به وظایف متعدد است.

بااین‌حال، ارزش واقعی این فناوری زمانی مشخص می‌شود که مدل روی داده‌های مستقل، چندمرکزی و ناهمگون عملکرد پایدار داشته باشد، عدم‌قطعیت خود را گزارش کند و شواهد قابل بازبینی در اختیار متخصص قرار دهد. در آینده نزدیک، محتمل‌ترین نقش این سامانه‌ها کمک به کنترل کیفیت، اولویت‌بندی ثبت‌ها و استخراج الگوهای چندمتغیره است—نه صدور تشخیص مستقل از شرح‌حال و قضاوت بالینی.