Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images
تقدم هذه الدراسة "Thyroidiomics"، وهو مسار معالجة مؤتمت يستخدم شبكة ResUNet لتجزئة تصوير الغدة الدرقية بالمسح الذري، واختيار السمات الراديومية القائم على خوارزمية XGBoost لتحقيق أداء في التصنيف يضاهي تجزئة الأطباء الخبراء، مما يقلل وقت التقييم مع الحفاظ على دقة تشخيصية عالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعد الغدة الدرقية البشرية غدة صغيرة تشبه الفراشة، تقع في قاعدة الرقبة، وتعمل بمثابة منظم حرارة للجسم من خلال تنظيم عملية التمثيل الغذائي. وعندما تتعطل هذه الغدة، يمكن أن تتورم أو تطور كتلًا أو تصاب بالالتهاب، مما يؤدي إلى حالات تتراوح بين الإزعاج الطفيف والتهديدات الصحية الخطيرة. ولفهم ما يحدث في الداخل، غالبًا ما يستخدم الأطباء نوعًا خاصًا من مسح الطب النووي يسمى "التصوير الومضي" (scintigraphy). في هذا الإجراء، يتلقى المريض كمية ضئيلة من مادة مشعة آمنة تمتصها الغدة الدرقية بشكل طبيعي. ثم تلتقط الكاميرا صورًا لهذا التوهج، مما يكشف عن كيفية عمل الغدة وأين قد يكون سلوكها غير طبيعي. ومع ذلك، فإن قراءة هذه الصور مهمة شاقة؛ فهي تتطلب متخصصًا ماهرًا لتتبع حدود الغدة الدرقية بدقة على الشاشة، ومن ثم تفسير الأنماط الدقيقة للضوء والظلام لتشخيص المرض المحدد. هذه العملية بطيئة، وتعتمد بشكل كبير على خبرة الطبيب الفردية، ويمكن أن تختلف من خبير لآخر. ومع زيادة عدد المرضى الذين يحتاجون إلى هذه المسوحات، يواجه المجتمع الطبي حاجة ملحة لأدوات يمكنها المساعدة في هذا العمل الدقيق، لضمان أن تكون التشخيصات سريعة ومتسقة.
في دراسة حديثة، قام فريق من الباحثين من كندا وإيران وسويسرا بمعالجة هذا التحدي من خلال بناء نظام مؤتمت أطلقوا عليه اسم "Thyroidiomics". كان هدفهم هو إنشاء مسار رقمي لا يكتفي فقط بإيجاد الغدة الدرقية في هذه الصور المتوهجة، بل يمكنه أيضًا تصنيف المرض المحدد الذي يصيبها، وكل ذلك دون تدخل بشري. لقد جمعوا مجموعة ضخمة تضم 2,643 مسحًا للغدة الدرقية من تسعة مراكز طبية مختلفة، تغطي مجموعة واسعة من المعدات وفئات المرضى. ركز الفريق على ثلاث حالات شائعة: تضخم الغدة المنتشر (diffuse goiter)، حيث تتضخم الغدة بشكل موحد؛ والتضخم متعدد العقد (multinodular goiter)، الذي يتميز بوجود كتل متعددة؛ والتهاب الدرقية (thyroiditis)، وهو التهاب في الأنسجة. ولتدريب حاسوبهم، كان عليهم أولاً تعليم الآلة ما يراه الإنسان؛ حيث قام طبيب طب نووي خبير بتتبع الحدود الدقيقة للغدة الدرقية يدويًا على كل صورة، مما خلق خريطة مثالية كانت بمثابة "الحقيقة الأرضية" (ground truth) ليتعلم منها الجهاز.
بعد ذلك، طور الباحثون نظام ذكاء اصطناعي يتكون من خطوتين. أولًا، قاموا بتدريب نموذج تعلم عميق، وهو نوع من البرامج الحاسوبية المستوحاة من الدماغ البشري، لرسم حدود الغدة الدرقية تلقائيًا على الصور الجديدة. هذا النموذج، المعروف باسم "Residual UNet"، تعلم التمييز بين الغدة الدرقية والأنسجة المحيطة بها من خلال دراسة آلاف الأمثلة. وبمجرد أن ينجح الحاسوب في تحديد حدود الغدة، تبدأ الخطوة الثانية؛ حيث استخرج النظام مئات التفاصيل الرياضية الدقيقة من ملمس وسطوع المنطقة المحددة — وهي سمات دقيقة جدًا بحيث لا تدركها العين البشرية ولكنها غنية بالمعلومات التشخيصية. ثم تم تغذية هذه التفاصيل في مصنف تعلم آلي، والذي يعمل بمثابة صانع قرار، يقوم بفرز الصور إلى واحدة من فئات الأمراض الثلاث. ولضمان أن يكون نظامهم قويًا حقًا وليس مجرد حفظ للصور التي تم التدريب عليها، استخدم الفريق طريقة اختبار صارمة؛ حيث قاموا بتدريب النظام على بيانات من ثمانية مراكز طبية واختبروه على المركز التاسع، وكرروا هذه العملية حتى عمل كل مركز كحالة اختبار. وقد ضمن هذا النهج قدرة النظام على التعامل مع الصور القادمة من أجهزة مختلفة ومستشفيات مختلفة.
أظهرت النت النتائج أن المسار المؤتمت أدى المهمة بمهارة ملحوحة. فقد كانت قدرة الحاسوب على رسم حدود الغدة الدرقية دقيقة للغاية، مطابقة للرسومات اليدوية لطبيب الخبير في معظم الحالات. وعندما تعلق الأمر بتشخيص المرض، حقق النظام المؤتمت دقة تبلغ حوالي 74 بالمئة، وهو رقم قريب جدًا من الدقة البالغة 76 بالمئة التي تحققت عندما استخدم النظام الرسوم اليدوية لطبيب الخبير كنقطة انطلاق. كان النظام بارعًا بشكل خاص في تحديد التهاب الدرقية، حيث صنفه بشكل صحيح باتساق شبه تام عبر جميع مراكز الاختبار. وبينما ظلت الرسوم اليدوية تحتفظ بتفوق طفيف في الدقة، إلا أن الفرق كان صغيرًا جدًا لدرجة أن أداء النظام المؤتمت اعتُبر مكافئًا إحصائيًا لمعظم المقاييس. وهذا يشير إلى أن الحاسوب يمكنه بفعالية استبدال خطوة التتبع اليدوي المستهلكة للوقت دون التضحية بجودة التشخيص.
إن تداعيات هذا العمل تمتد إلى ما هو أبعد من مجرد السرعة. فمن خلال أتمتة عملية التجزئة (segmentation)، يزيل النظام التباين الذي يأتي من قيام أطباء مختلفين برسم نفس الغدة بطرق مختلفة قليلاً. وهذه الاتساق أمر حيوي للرعاية الصحية الموثوقة، خاصة للأطباء الأقل خبرة الذين قد يستفيدون من وجود رأي ثانٍ موضوعي لمقارنته بتقييماتهم الخاصة. وأشار الباحثون إلى أنه بينما يعد نظامهم خطوة كبيرة للأمام، فقد تم تدريبه على بيانات من بلد واحد ويمكن أن يستفيد من مجموعة بيانات عالمية أكثر تنوعًا لضمان عمله بنفس الكفاءة في كل مكان. كما يخططون لاستكشاف طرق لتصنيف الأمراض دون الحاجة إلى تحديد حدود الغدة في المستقبل. ومع ذلك، فإن هذه الدراسة تثبت أن الذكاء الاصطناعي يمكنه بنجاح التنقل في تعقيدات التصوير الومضي للغدة الدرقية، مما يوفر أداة جديدة قوية تعمل جنبًا إلى جنب مع الخبرة البشرية لتحسين رعاية المرضى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.