أصبح مرض الزهايمر (Alzheimer's Disease) أحد أكثر الأمراض التنكسية العصبية شيوعًا، مما يجعل الكشف المبكر عنه ضرورة ملحة. في هذا الإطار، تأتي دراسة جديدة تستغل الانحدار الوظيفي الذي يحدث في خط اليد كأداة فعالة وموفرة للكلفة للكشف عن المرض. حتى الآن، اعتمدت الدراسات المتوفرة على تحليل الحركات اليدوية والخصائص المصممة يدويًا، في حين أن تأثير نوع مهمة الكتابة على الأداء التشخيصي وتعميم العبر بين المهام لم يُستكشَف بشكل كاف.

وفي خطوة ثورية، استخدم الباحثون نماذج الرؤية-اللغة الكبيرة (Large Vision-Language Models) التي أثبتت قدرتها العالية في الكشف عن الشذوذ في الصور الطبيعية والعديد من المجالات الطبية مثل الأشعة السينية للصدر وMRI للدماغ. لكن للأسف، لم يُستكشَف بعد استخدام هذه النماذج في كشف الأمراض من خلال تحليل خط اليد.

ولتجاوز هذه الفجوة، تم تقديم إطار عمل مبتكر يعرف باسم محول التفاعل بين الطبقات (Cross-Layer Fusion Adapter - CLFA)، والذي يعيد توظيف نموذج التعلم المسبق اللغوي-الصوري (Contrastive Language–Image Pre-training - CLIP) لتطبيقه على فحص مرض الزهايمر من خلال خط اليد. يعتمد هذا الإطار على إدخال محولات متعددة المستويات في مشفر بصري مجمد، مما يجمع بين تفاعل الخصائص بين الطبقات وقلبان ثنائي الأبعاد لتجميع ميزات الكتابة.

تظهر النتائج التي تم الحصول عليها من مجموعة بيانات داروين (Darwin dataset) مثيرة للإعجاب، حيث حقق الإطار الجديد نسبة 74.63% من AUC، و74.85% من الدقة، و73.72% من درجة F1، متفوقًا على أفضل نماذج المنافسة بأكثر من نقطتين مئويتين في كل المعايير.

يمثل هذا البحث خطوة هامة نحو بناء أدوات كشف مبكر قادرة على تحسين حياة المرضى وعائلاتهم. كيف ترى استخدام تقنيات الذكاء الاصطناعي في مجال الصحة؟ شاركونا آراءكم في التعليقات.