تُعد السلاسل الزمنية الطبية (MedTS) مثل بيانات تخطيط الدماغ الكهربائي (EEG) وتخطيط القلب الكهربائي (ECG) من الركائز الأساسية في مجال الرعاية الصحية، إذ تلعب دورًا حيويًا في تشخيص الأمراض المتعلقة بالدماغ والقلب. ومع ذلك، تواجه هذه البيانات تحديات كبيرة تكمن في نمطين رئيسيين: الاعتمادات الزمنية داخل القنوات الفردية والاعتمادات المتبادلة بين القنوات المتعددة.

رغم أن التطورات الحديثة في التعلم العميق قد اعتمدت نماذج قائمة على تقنية Transformers لالتقاط الاعتمادات الزمنية بشكل فعال، إلا أنها تكافح في نموذج الاعتمادات بين القنوات. يعود ذلك إلى تناقض هيكلي حيث أن إشارات MedTS تتمتع بطبيعة مركزية، بينما آلية الانتباه في Transformers تعتمد على اللامركزية، مما يجعلها أقل فعالية في التقاط التنسيق العالمي ونماذج شكل الموجة الموحدة.

للتغلب على هذا التحدي، تم اقتراح تقنية CoTAR (تجميع وتوزيع الرموز الأساسية) كحل مبتكر. تهدف هذه التقنية المعتمدة على شبكة عصبية متعددة الطبقات (MLP) إلى استبدال آلية الانتباه اللامركزية من خلال تقديم رمز أساسي عالمي يعمل كوسيط لتسهيل التفاعلات بين الرموز الأخرى. هذا التصميم لا يساعد فقط في تحقيق تجميع وتوزيع مركزي أكثر توافقًا مع طبيعة إشارات MedTS، بل يخفض أيضًا من التعقيد الحاسوبي من الشكل التربيعي إلى الخطي.

تجارب اُجريت على خمسة معايير مختلفة أثبتت تفوق طريقتنا الجديدة من حيث الفعالية والكفاءة، حيث حققت تحسينًا يصل إلى 11.6% على مجموعة بيانات APAVA، في حين استخدمت فقط 33% من الذاكرة و20% من زمن الاستنتاج مقارنة بأفضل التقنيات المتاحة سابقًا. يمكن العثور على الشيفرة وجميع السكريبتات المتعلقة بالتدريب على [GitHub](https://github.com/Levi-Ackman/TeCh).

مع هذه التطورات، من الواضح أن الذكاء الاصطناعي يُعيد تشكيل مستقبل الرعاية الصحية، ويُحسن من كيفية التعامل مع البيانات الطبية. ما رأيكم في هذه التطورات الحديثة؟ شاركونا في التعليقات.