IgCONDA-PET: Weakly-Supervised PET Anomaly Detection using Implicitly-Guided Attention-Conditional Counterfactual Diffusion Modeling -- a Multi-Center, Multi-Cancer, and Multi-Tracer Study

في مكافحة السرطان، يعتمد الأطباء بشكل كبير على نوع خاص من الفحص يسمى التصوير المقطعي بالإصدار البوزيتروني، أو PET، لرؤية أين يختبئ المرض داخل الجسم. تعمل هذه الصور كخريطة استقلابية، حيث تضيء المناطق التي تستهلك فيها الخلاس الطاقة بمعدل مرتفع بشكل غير عادي، وهو علامة شائعة على وجود ورم. ومع ذلك، فإن تحويل هذه البقع المتوهجة إلى خطة علاج دقيقة يتطلب خبيراً بشرياً يقوم بتتبع مخطط كل آفة بعناية، بكسل تلو الآخر. هذه العملية بطيئة، ومكلفة، وعرضة للخطأ البشري، حيث قد يرسم أطباء مختلفون حدوداً مختلفة قليلاً على نفس الصورة. ولتسريع هذه العملية، حاول العلماء منذ فترة طويلة تعليم الحواسيب القيام بهذا التتبع تلقائياً. وكان التحدي يكمن في أن تعليم الكمبيوتر يتطلب عادةً آلاف الأمثلة التي رسم فيها إنسان بالفعل مخططاً مثالياً، وهو مورد نادر للغاية ويصعب جمعه.

يقدم نهج جديد وُصف في بحث حديث طريقة للمضي قدماً من خلال تغيير كيفية تعلم الكمبيوتر. فبدلاً من الحاجة إلى مخططات مثالية لكل حالة على حدة، يكتفي هذا النهج بطلب من الطبيب تحديد الشرائح التي تحتوي على مشكلة فقط. ثم يستخدم الكمبيوتر نوعاً قوياً من الذكاء الاصطناعي، يُعرف باسم نموذج الانتشار (diffusion model)، ليتخيل كيف ستبدو تلك الشريحة نفسها لو كان المريض سليماً تماماً. ومن خلال مقارنة الصورة الحقيقية المريضة مع هذه النسخة الصحية المتخيلة، يقوم النظام بتسليط الضوء على مكان الاختلافات بالضبط، مما يرسم حدود الآفة للطبيب بشكل فعال. هذه التقنية، التي تم اختبارها على آلاف الصور من مستشفيات متعددة وغطت أنواعاً مختلفة من السرطان، أظهرت أن الحواسيب يمكنها تعلم كيفية إيجاد هذه الشواذ بدقة عالية باستخدام تسميات بسيطة فقط، مما قد يغير طريقة تحليل التصوير الطبي في المستقبل.

قام الباحثون وراء هذا العمل، بقيادة شاداب أحمد وأرمان رحيمي، بتطوير نظام أطلقوا عليه اسم IgCONDA-PET. وقد اختبروه على مجموعة ضخمة مكونة من 2,652 صورة مسح PET جُمعت من ست مجموعات مختلفة من المرضى. جاءت هذه الحالات من مصادر متنوعة، بما في ذلك تحديات عامة وسجلات مستشفيات خاصة، وشملت سرطانات العقد اللمفاوية، والرئة، والبروستاتا، والأنسجة الرخوة. كما استخدمت عمليات المسح أنواعاً مختلفة من المواد المشعة وأجهزة من كندا والولايات المتحدة وألمانيا وفرنسا وسويسرا وكوريا الجنوبية. وكان هذا التنوع حاسماً لأن ذلك يعني أن النظام كان عليه تعلم التعرف على أنماط المرض عبر أجهزة وفئات سكانية مختلفة من المرضى، بدلاً من مجرد حفظ الخصائص الغريبة لمعدات مستشفى واحد.

يتضمن جوهر طريقتهم خدعة ذكية تسمى "التوليد المقابل للواقع" (counterfactual generation). في العالم الحقيقي، لا يمكنك أخذ مريض مريض وتحويله إلى شخص سليم لترى الفرق. ولكن في المجال الرقمي، درب الباحثون ذكاءهم الاصطناعي للقيام بذلك تماماً. فقد غدوا الكمبيوتر بصور لمرضى مصابين بالسرطان، ولكن بدلاً من مطالبته برسم الورم، طلبوا منه إنشاء نسخة اصطناعية لنفس تلك الصورة كما لو كان المريض خالياً من المرض تماماً. تعلم الذكاء الاصطناعي القيام بذلك من خلال دراسة آلاف الصور، وتعلم الأشكال والأنسجة الطبيعية للأعضاء السليمة. وعندما واجه صورة لمريض، استخدم معرفته بالصحة لـ "مسح" المرض، منشئاً نظيراً سليماً ونظيفاً. ثم قام النظام بطرح هذه النسخة الصحية من الصورة المريضة الأصلية. وكانت النتيجة عبارة عن خريطة حرارية تشير فيها البقع الساطعة إلى الموقع والشكل الدقيق للشذوذ، لأن تلك كانت الأجزاء الوحيدة التي تغيرت بين الصورتين.

ولجعل هذه العملية تعمل بفعالية دون الحاجة إلى تعليمات مفصلة بكسل تلو الآخر، استخدم الفريق تقنية تسمى "الإشراف الضعيف" (weak supervision). فبدلاً من مطالبة الطبيب بتتبع كل حافة للورم، كانوا يحتاجون فقط من الطبيب تحديد الشريحة بأكملها من المسح كحالة "سليمة" أو "غير سليمة". وهذه مهمة أبسط تستغرق ثوانٍ بدلاً من ساعات. ثم استخدم الكمبيوتر هذه التسميات البسيطة لتوجيه تعلمه. وكان الابتكار الرئيسي في تصميمهم هو استخدام "آليات الانتباه" (attention mechanisms)، والتي تعمل مثل كشاف الضوء للكمبيوتر، مما يساعده على التركيز على الأجزاء الأكثر أهمية في الصورة مع تجاهل الضوضاء الخلفية غير ذات الصلة. وقد اختبروا نسخاً مختلفة من هذا النظام، ووجدوا أن النسخة الأكثر نجاحاً هي التي استخدمت أدوات الانتباه هذه في الطبقات العميقة من الشبكة، مما سمح لها بفهم السياق الأوسع لتشريح الجسم بدلاً من مجرد النظر إلى بكسلات صغيرة ومعزولة.

كانت نتائج هذه الدراسة مذهلة. فعندما قارن الباحثون نظامهم الجديد بالطرق الموجودة حالياً، بما في ذلك تقنيات "العتبة" التقليدية (thresholding) التي تبحث ببساء عن البقع الساطعة ونماذج الذكاء الاصطناعي الأقدم، تفوق نهجهم باستمرار. لقد كان بارعاً بشكل خاص في العثور على الآفات الصغيرة التي غالباً ما تفقدها الطرق الأخرى، أو في التمييز بين الأورام الحقيقية والمناطق الطبيعية ذات الطاقة العالية في الجسم مثل المثانة أو الكلى. وفي الاختبارات عبر جميع مجموعات البيانات، حققت الطريقة الجديدة دقة أعلى في تحديد شكل الأورام وكانت أفضل في تحديد حدودها بدقة. كما أثبت النظام متانته، حيث حافظ على أدائه العالي حتى عند اختباره على بيانات من مستشفيات لم يسبق له رؤيتها، مما يشير إلى إمكانية عمله بشكل موثوق في البيئات السريرية الواقعية.

كان أحد أهم النتائج هو مدى جودة تعامل النظام مع المهمة الصعبة المتمثلة في توليد نسخة سليمة من صورة مريضة. فالمحاولات السابقة لتقنيات مماثلة غالباً ما واجهت صعوبات، حيث أنتجت صوراً تبدو مشوهة أو فشلت في الحفاظ على التشريح الطبيعي، مما جعل من الصعب تحديد مكان المرض الفعلي. ومع ذلك، أنتجت الطريقة الجديدة صوراً سليمة ونظيفة وواقعية حافظت على السمات التشريحية الفريدة للمريض مع إزالة المرض فقط. هذه الدقة أمر بالغ الأهمية، لأنه إذا قام الكمبيوتر بتغيير الأجزاء السليمة من الجسم بشكل كبير، فإن المقارنة الناتلة تصبح عديمة الفائدة. ومن خلال استخدام طريقة تسمى "التوجيه الضمني" (implicit guidance)، والتي سمحت للكمبيوتر بتوجيه نفسه دون الحاجة إلى مصنف منفصل عرضة للخطأ، ضمن الباحثون بقاء الصور المولدة وفية للتشريح الأصلي.

كما كشفت الدراسة أن قدرة النظام على اكتشاف المرض تعتمد على حجم وشدة الآفات. وكما هو متوقع، وجد الكمبيوتر الأورام الكبيرة والساطعة بسهء شديد. كما كان فعالاً بشكل مفاجئ في العثة على الشذوذات الأصغر والأخف، وهي مهمة تفشل فيها العديد من الأنظمة الأخرى. ومع ذلك، لاحظ الباحثون أن أصغر الآفات، تلك التي يقل حجمها عن بضعة مليمترات، ظلت تشكل تحدياً، نظراً لأن الصور تم تقليل حجمها قليستاً لجعل الحسابات أسرع. وبالرغم من هذا القصور، كان أداء النظام على الآفات الصغيرة أفضل بكثير من الطرق السابقة، خاصة عندما كانت آليات الانتباه نشطة. وهذا يشير إلى أن النظام يتعلم رؤية أنماط دقيقة قد تغفل عنها العين البشرية أو الخوارزميات الأبسط.

في نهاية المطاف، يوضح هذا البحث تحولاً قوياً في كيفية تطوير الذكاء الاصطيائي للصور الطبية. فمن خلال الابتعتد عن الحاجة إلى توصيفات شاملة ودقيقة لكل بكسل، والتوجه نحو نظام يتعلم من تسميات بسيطة وفضفاضة، أظهر الباحثون أنه من الممكن بناء أدوات دقيقة للغاية للكشف عن السرطان. إن القدرة على توليد "مقابل واقعي صحي" ومقارنته بالصورة الحقيقية توفر طريقة بصرية واضحة لتحديد المرض تتسم بالدقة والقابلية للتفسير. وبينما لا يعد هذا التكنولوجي بديلاً للأطباء البشر بعد، إلا أنه يقدم أداة واعدة لمساعدتهم، مما قد يقلل من الوقت والجهد المطلوب لتحليل الصور ويساعد في ضمان عدم مرور أي ورم دون ملاحظة. وقد تم جعل الكود الخاص بهذا النظام متاحاً للجمهور، مما يدعو علماء آخرين للبناء على هذا الأساس وتطوير طريقة اكتشافنا وعلاجنا للسرطان بشكل أكبر.