تحسين تشخيص النوبات: استخدام نماذج لغوية كبيرة كمنقح لهياكل الرسومات السريرية

تُعد إشارات تخطيط الدماغ الكهربائي (EEG) من العناصر الأساسية للكشف الآلي عن النوبات، إلا أن الضوضاء الموجودة بها تعيق التعلم الفعّال للتمثيل. تكمن المشكلة في أن الطرق الحالية لبناء الرسومات، سواء كانت قائمة على الارتباط أو التعلم، غالباً ما تنتج حوافاً زائدة أو غير ذات صلة بسبب طبيعة بيانات EEG المليئة بالصخب. هذه المشكلات تقلل بشكل كبير من جودة تمثيل الرسومات وتؤثر سلباً على أداء المهام اللاحقة.

انطلاقاً من القدرات الرائعة لنماذج اللغات الضخمة (LLMs) في التفكير والفهم السياقي، نستكشف فكرة استخدام هذه النماذج كمنقحات لحواف الرسوم البيانية. نقترح إطار عمل مكون من مرحلتين: في المرحلة الأولى، نؤكد أن تنقيح الحواف القائم على LLM يمكنه تحديد وإزالة الروابط الزائدة بفعالية، مما يؤدي إلى تحسين ملحوظ في دقة الكشف عن النوبات واستنتاج هياكل رسومية أكثر فائدة.

استناداً إلى هذه الرؤية، نطور حلاً متيناً حيث تُبنى الرسمة الأولية باستخدام متنبئ حواف قائم على شبكات Transformer وPerceptron متعددة الطبقات، مع تخصيص درجات احتمالية للروابط المحتملة وتطبيق عتبة لتحديد وجودها. ثم تعمل LLM كمنقح لمجموعة الحواف، مما يمكّنها من اتخاذ قرارات مستنيرة بناءً على ميزات نصية وإحصائية لعدة نقاط على الشبكة.

تظهر تجارب موسعة على مجموعة بيانات TUSZ أن إطار التعلم للرسوم البيانية المحسن بواسطة LLM لا يحسن الأداء فقط، بل يوفر أيضاً تمثيلات رسومية أنظف وأفضل قابلية للتفسير.