ثورة في كشف الاكتئاب: نموذج هجين مبتكر يعتمد على الشبكات العصبية البيانية!

تحتل الشبكات العصبية البيانية (Graph Neural Networks - GNNs) موقعاً متزايد الأهمية في مجال الكشف عن الاكتئاب باستخدام تخطيط أمواج الدماغ (EEG). ومع ذلك، كانت الأساليب السابقة تعتمد عادةً على اعتبارات غير كافية لخصائص الاكتئاب، مما يحد من أدائها.

تشير الدراسات في علم الأعصاب إلى أن مرضى الاكتئاب يظهرون أنماطًا غير طبيعية شائعة وليس فقط فردية في نشاط الدماغ. العديد من هذه الأساليب السابقة كانت تركز إما على ارتباطات ثابتة لالتقاط الأنماط الشائعة، أو على ارتباطات قابلة للتكيف لالتقاط الأنماط الفردية. وهو ما يجعلها غير كافية للكشف عن الاكتئاب بدقة.

تتميز الشبكة الدماغية بتكوينها الهرمي، والذي يتضمن ترتيبات من الرسم البياني على مستوى القنوات إلى الرسم البياني على مستوى المناطق. هذه البنية الهرمية تتباين بين الأفراد وتحمل معلومات حاسمة مرتبطة بالكشف عن الاكتئاب، لكنها للأسف عادة ما تُهمل في الأساليب السابقة.

للتغلب على هذه التحديات، تم اقتراح نموذج هجين جديد يسمى الشبكة العصبية البيانية الهجينة (Hybrid Graph Neural Network - HGNN). يجمع هذا النموذج بين فرع يعتمد على شبكة الرسوم البيانية الشائعة (Common Graph Neural Network - CGNN) مع ارتباطات ثابتة، وفرع يستخدم شبكة الرسوم البيانية الفردية (Individualized Graph Neural Network - IGNN) مع ارتباطات قابلة للتكيف. كلا الفرعين يتشاركان في التقاط الأنماط الشائعة والفردية للاكتئاب.

علاوة على ذلك، تم تعزيز فرع IGNN بإضافة وحدة تحسين وإعادة تحسين الرسم البياني (Graph Pooling and Unpooling Module - GPUM) لاستخراج المعلومات الهرمية الفردية. أظهرت التجارب التي أجريت على مجموعتين بيانات عامتين أن هذا النموذج حقق أداءً متفوقًا وليس له مثيل، مما يشير إلى ثورة محتملة في الكشف عن الاكتئاب وعلاجه.