الثورة الكمية: كيف تواجهة نماذج التعلم الآلي الكلاسيكية في تشخيص الاضطرابات النفسية؟

في عالم الطب النفسي الحديث، تبرز أهمية استخدام البيانات في تشخيص الاضطرابات النفسية، حيث أصبحت تقنيات التعلم الآلي (Machine Learning) واحدة من الأدوات الرئيسية. ولكن ماذا لو أدخلنا بعدًا كموميًا (Quantum) إلى المعادلة؟!

دراسة جديدة تمثل وحدة من الجهود الرائدة في هذا المجال، حيث المقارنة تتناول نماذج التعلم الآلي الكمية وتلك الكلاسيكية في تصنيف الاضطرابات النفسية بناءً على صلات وظيفية في حالة الراحة.

تُعتبر نماذج التعلم الكمي التي تم اقتراحها لتحليل البيانات الناتجة من الصور الدماغية موضوعًا مثيرًا للجدل. فالدراسة التي تم تنفيذها على أربعة مجموعات عامة تضم 4308 شخصًا، قامت بمقارنة ستة عائلات من النماذج الكمومية مع نظرائها الكلاسيكية باستخدام ميزات متطابقة مستمدة من الارتباط.

تم استخدام تقنية التحقق المتسلسل (Leave-site-out validation) لمجموعات بيانات مثل Autism Brain Imaging Data Exchange (ABIDE I) وADHD-200 (اضطراب نقص الانتباه مع فرط النشاط) وREST-meta-MDD (الاكتئاب الشديد). بينما تمت مراجعة مجموعة UCLA Consortium for Neuropsychiatric Phenomics باستخدام التحقق المتقاطع (Cross-validation) المقسم إلى 10 أجزاء.

وبالنظر إلى النتائج، لم تظهر الفروق في دقة الأداء بين النماذج الكمية والكلاسيكية بشكل كبير، حيث كانت الفروق في متوسط دقة الأداء لا تتعدى 1.4%. ففي مجموعة ABIDE I، حقق نموذج الشبكة الكمومية الهجينة دقة مشابهة لنظيره الكلاسيكي (0.645 مقابل 0.641). ولكن، كان هناك تميز واضح لنموذج الكيرنل الكمومي القابل للتدريب الذي تفوق على الكلاسيكي بمقدار 0.064 في المنطقة تحت المنحنى (AUC).

بينما كانت نماذج الشبكة الكمومية تحصل على AUC أعلى من نظيراتها الكلاسيكية، إلا أنها لم تتمكن من تحقيق فوارق ملحوظة في الدقة. هذه الدراسة ليست только مقارنة بين نماذج التعلم الآلي، بل تمثل بداية مهمة لفهم كيفية تفاعل الأساليب الكمية مع التقليدية في تصنيف الاضطرابات النفسية.

في ختام هذه الدراسة، تعد الأنماط الكمومية مكملة مثيرة للاهتمام، لكنها لا تزال بحاجة إلى مزيد من التحسينات لتكون رائدة في هذا المجال المتطور. كيف ترى تأثير هذه النماذج على مستقبل الصحة النفسية؟ شاركونا آراءكم في التعليقات!