به گزارش پایگاه اطلاع‌رسانی بنیان، سرگیجه (Vertigo) یک اختلال نورووستیبولار شایع است که ناشی از اختلال عملکرد در سیستم دهلیزی (Vestibular System) بوده و اغلب فاقد درمان‌های دقیق و شخصی‌شده است. این مطالعه یک مدل شبکه عصبی پالسی (SNN) الهام‌گرفته از زیست‌سامانه‌ها را پیشنهاد می‌کند که با استفاده از نورون‌های نشت‌کننده و شلیک‌کننده (LIF) و مکانیسم انعطاف‌پذیری وابسته به زمان پالس (STDP)، اختلال عملکرد دهلیزی و بازیابی انطباقی آن را شبیه‌سازی می‌نماید. معماری این شبکه، مسیر دهلیزی را از طریق لایه‌های زیست‌شناختی معتبری شامل سلول‌های مویی (Hair Cells)، نورون‌های آوران (Afferents) و مدارهای یکپارچه‌ساز مخچه‌ای تقلید کرده و حالت‌های پاتولوژیک مانند کم‌کاری سلول‌های مویی و اختلال سیناپسی را مدل می‌کند. یک مکانیسم بازخورد مبتنی بر یادگیری تقویتی، امکان شبیه‌سازی انعطاف‌پذیری ناشی از درمان را فراهم آورده و منجر به کاهش ۴۸ تا ۶۲ درصدی و سپس بازیابی ۳۸ درصدی در فعالیت پالسی مخچه در طول دوره‌های انطباق شده است. این مدل از امکان اجرای بلادرنگ برخوردار است و میانگین زمان شبیه‌سازی آن تنها ۴ ثانیه به ازای هر دوره (Epoch) روی سخت‌افزار استاندارد است. طراحی این مدل مقیاس‌پذیر بوده و برای استقرار آینده بر روی سکوهای نورومورفیک (مانند Loihi و SpiNNaker) مناسب است. طراحی ماژولار و قابل تفسیر آن، امکان آزمون راهبردهای بازتوانی در محیط in silico، پایش بلادرنگ اختلال عملکرد و شخصی‌سازی آتی با استفاده از مجموعه داده‌های بالینی را فراهم می‌کند. این پژوهش، بنیانی محاسباتی برای درمان دهلیزی مبتنی بر هوش مصنوعی ایجاد می‌کند که سازگار، تفسیرپذیر و سازگار با سخت‌افزار است.

 مقدمه: چالش درمان سرگیجه و نیاز به رویکردهای شخصی‌شده

سرگیجه به عنوان یک علامت ناتوان‌کننده، احساس کاذب حرکت یا چرخش را در فرد ایجاد می‌کند و ریشه در اختلالات پیچیده سیستم دهلیزی در گوش داخلی و مسیرهای عصبی مرتبط در مغز دارد. سیستم دهلیزی مسئول حفظ تعادل، درک موقعیت فضایی و هماهنگی حرکات سر و چشم است و اختلال در هر بخشی از این سیستم می‌تواند به بروز سرگیجه منجر شود. درمان‌های رایج، اغلب عمومی و یکسان برای همه بیماران تجویز می‌شوند و اثربخشی محدودی در بازتوانی دقیق و انطباقی این سیستم عصبی پیچیده دارند. فقدان مدل‌های محاسباتی دقیق که بتوانند پویایی‌های عصبی اختلال دهلیزی و فرآیند بهبود آن را شبیه‌سازی کنند، یک شکاف پژوهشی مهم در این زمینه محسوب می‌شود. این مطالعه با هدف پر کردن این شکاف، یک مدل شبکه عصبی پالسی ارائه می‌دهد که نه تنها قادر به تقلید عملکرد طبیعی و پاتولوژیک سیستم دهلیزی است، بلکه می‌تواند پاسخ آن به مداخلات درمانی را نیز پیش‌بینی و بهینه‌سازی کند.

 شبکه عصبی پالسی: تقلید از زبان واقعی مغز برای مدل‌سازی بهتر

شبکه‌های عصبی پالسی (SNNs) نسل سوم شبکه‌های عصبی مصنوعی هستند که با تقلید از نحوه ارتباط نورون‌های بیولوژیک در مغز، اطلاعات را در قالب پالس‌های گسسته زمانی (اسپایک) پردازش می‌کنند. این معماری در مقایسه با شبکه‌های عصبی متعارف عمیق، مزایای متعددی دارد: مصرف انرژی بسیار پایین‌تر، قابلیت پردازش بلادرنگ داده‌های پویا، و قابلیت تفسیر بهتر به دلیل نزدیکی بیشتر به مکانیسم‌های عصبی واقعی. در این مطالعه، از نورون‌های مدل LIF که ساده‌شده‌ای از رفتار نورون‌های واقعی هستند، استفاده شده است. همچنین، قانون یادسازی STDP در سیناپس‌ها پیاده‌سازی شده است که بر اساس اختلاف زمان رسیدن پالس‌های پیش‌سیناپسی و پس‌سیناپسی، قدرت اتصال سیناپسی را تقویت یا تضعیف می‌کند. این مکانیسم، پایه عصبی یادگیری و انعطاف‌پذیری در مغز را تشکیل می‌دهد و در مدل حاضر، امکان شبیه‌سازی یادگیری حرکتی و سازگاری دهلیزی را فراهم می‌سازد.

 معماری مدل پیشنهادی: از سلول‌های مویی تا یکپارچه‌سازهای مخچه‌ای

معماری این مدل SNN به گونه‌ای طراحی شده است که به صورت زیست‌معمول (Biologically Plausible) مسیر پردازش سیگنال دهلیزی را بازسازی کند. این معماری شامل لایه‌های متوالی و متصل زیر است:
1.  لایه سلول‌های مویی: این لایه به عنوان گیرنده‌های حسی اولیه عمل می‌کنند و حرکت سر را به الگوهای پالس عصبی تبدیل می‌نمایند. حالت‌های پاتولوژیک مانند آسیب یا کم‌کاری این سلول‌ها در این لایه قابل شبیه‌سازی است.
2.  لایه نورون‌های آوران (Afferents): این نورون‌ها سیگنال‌های خروجی از سلول‌های مویی را دریافت و به سمت مراکز پردازش بالاتر در ساقه مغز و مخچه منتقل می‌کنند. اختلال در نرخ پایه شلیک یا الگوی کدگذاری این نورون‌ها می‌تواند مدل شود.
3.  لایه یکپارچه‌سازهای مخچه‌ای: مخچه نقش کلیدی در یکپارچه‌سازی سیگنال‌های دهلیزی، بینایی و حسی-عمقی و همچنین تنظیم دقیق و یادگیری حرکات برای حفظ تعادل ایفا می‌کند. این لایه در مدل، مسئول پردازش نهایی، جبران اختلالات و ایجاد سازگاری (Compensation) است.

با ایجاد آسیب یا اختلال در لایه‌های ابتدایی (مثلاً کاهش حساسیت سلول‌های مویی)، الگوی پالس در کل شبکه تغییر کرده و منجر به فعالیت نامتوازن در لایه مخچه می‌شود که نشان‌دهنده حالت سرگیجه در مدل است.

 مکانیسم بازخورد و یادگیری: شبیه‌سازی فرآیند بازتوانی و بهبودی

نوآوری اصلی این مدل در بخش مکانیسم بازخورد و یادگیری آن نهفته است. یک حلقه بازخورد مبتنی بر اصول یادگیری تقویتی، پاسخ خروجی سیستم (مانند پایداری دیداری یا تعادل) را ارزیابی کرده و سیگنال‌های تعدیل‌کننده‌ای به سیناپس‌های شبکه، به ویژه در اتصالات مرتبط با مخچه، ارسال می‌کند. این سیگنال‌های تعدیل‌کننده، قانون یادگیری STDP را هدایت می‌کنند تا قدرت اتصالات سیناپسی به گونه‌ای تغییر یابد که خطای خروجی به حداقل برسد. این فرآیند دقیقاً معادل عصبی فرآیند «جبران دهلیزی» (Vestibular Compensation) در بدن است که طی آن مغز پس از یک آسیب، با بازسازی اتصالات و تنظیم مجدد حساسیت، سعی در بازیابی تعادل می‌کند. در شبیه‌سازی‌ها، اعمال این مکانیسم یادگیری منجر به کاهش اولیه ۴۸ تا ۶۲ درصدی در فعالیت پالسی مخچه (نشانه تلاش سیستم برای بازسازی) و سپس بازیابی تدریجی و افزایش ۳۸ درصدی آن به سطوح پایدارتر شده است. این روند، بهبود تدریجی عملکرد پس از شروع درمان را نشان می‌دهد.

 کاربردهای بالقوه بالینی و قابلیت‌های آینده

این مدل محاسباتی دروازه‌ای به سوی کاربردهای متعدد بالینی و پژوهشی می‌گشاید:
   آزمون درون‌سیلیکویی راهبردهای درمانی: متخصصان می‌توانند پارامترهای مختلف درمان‌های بازتوانی دهلیزی (مانند نوع، شدت و توالی مانورها یا تمرینات) را در این مدل مجازی تست کرده و پروتکل بهینه را پیش از تجویز به بیمار شناسایی کنند.
   پایش بلادرنگ و عینی پیشرفت درمان: با اتصال مدل به داده‌های بیومتریک بیمار (مانند حرکات چشم یا سر)، می‌توان وضعیت عصبی سیستم دهلیزی را به صورت کمی و در حین درمان ردیابی کرد.
   شخصی‌سازی درمان: مدل را می‌توان با داده‌های بالینی هر بیمار (مانند نتایج تست‌های VNG یا vHIT) آموزش داد تا یک «دوقلوی دیجیتال» از سیستم دهلیزی وی ایجاد شود و درمان کاملاً متناسب با پروفایل اختلال او طراحی گردد.
   سازگاری با سکوهای نورومورفیک: طراحی کارآمد و مبتنی بر پالس این مدل، آن را برای اجرا بر روی تراشه‌های نورومورفیک کم‌مصرف (مانند اینتل Loihi) ایده‌آل می‌سازد. این امر امکان ساخت دستگاه‌های همراه و قابل حمل برای راهنمایی و نظارت بر درمان در خانه بیمار را فراهم می‌آورد.
   افزایش درک از مکانیسم‌های بیماری: این مدل به عنوان یک ابزار پژوهشی، به محققان اجازه می‌دهد فرضیه‌های مختلف در مورد منشأ سرگیجه‌های مرکزی یا محیطی را آزمایش کنند.

 گامی به سوی عصر جدید درمان‌های عصبی-محاسباتی

این پژوهش یک چارچوب محاسباتی پیشرو و زیست‌الهام‌گرفته برای مدل‌سازی، درک و بهینه‌سازی درمان اختلالات دهلیزی معرفی می‌کند. مدل شبکه عصبی پالسی ارائه‌شده، با شبیه‌سازی دقیق پویایی‌های عصبی سیستم دهلیزی در حالت سلامت، بیماری و بهبودی، پلی بین علوم اعصاب محاسباتی و پزشکی بالینی ایجاد می‌نماید. قابلیت تفسیرپذیری، اجرای بلادرنگ و امکان شخصی‌سازی این مدل، آن را به یک ابزار قدرتمند برای تحقق درمان‌های هوش‌مصنوعی‌محور، سازگار و دقیق برای بیماران مبتلا به سرگیجه تبدیل می‌کند. با توسعه بیشتر و یکپارچه‌سازی داده‌های بالینی واقعی، چنین مدل‌هایی می‌توانند انقلابی در پارادایم درمان اختلالات تعادل و سرگیجه ایجاد کرده و کیفیت زندگی میلیون‌ها بیمار در سراسر جهان را ارتقا بخشند.

پایان مطلب/.