Unsupervised Machine Learning for Osteoporosis Diagnosis Using Singh Index Clustering on Hip Radiographs
تقترح هذه الدراسة نهجاً للتعلم الآلي غير الخاضع للإشراف باستخدام شبكة عصبية تلافيفية مخصصة وخوارزميات تجميع لأتمتة تصنيف مؤشر سينغ لهشاشة العظام من صور الأشعة السينية لمفصل الورك، مع تسليط الضوء على الحاجة إلى دمج البيانات السريرية وتقنيات التعلم المتقدمة لمعالجة قيود مجموعة البيانات وتحسين دقة التشخيص.
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
تخيل أن عظامك تشبه العوارض الفولاذية داخل ناطحة سحاب. بمرور الوقت، وخاصة مع تقدم الناس في السن، يمكن لهذه العوارض أن تصبح أرق وأضعف، مما يجعل المبنى أكثر عرضة للانهيار إذا تعرض للاهتزاز. تُسمى هذه الحالة هشاشة العظام (Osteoporosis).
عادةً، يفحص الأطباء قوة هذه "العوارض" باستخدام جهاز خاص ومكلف يسمى ماسح (DXA). لكن هذا الجهاز يشبه كتاباً نادراً وعالي التقنية في مكتبة ما: فمن الصعب العثين عليه في البلدات الصغيرة أو الدول النامية، كما أن استخدامه يكلف الكثير.
الطريقة القديمة: "مؤشر سينغ" (Singh Index)
قبل وقت طويل من ذكاء الحواسيب، وجد الأطبق حلاً ذكياً. فقد أدركوا أنه يمكنهم النظر إلى صورة أشعة سينية (X-ray) عادية ورخيصة لمنطقة الورك، والحكم على صحة العظام من خلال مراقبة الترابيق (trabeculae) (وهي الأنماط الشبيهة بالشبكة الدقيقة داخل العظم).
لقد وضعوا نظام تصنيف يسمى مؤشر سينغ (SI)، وهو يشبه نظام إشارات المرور لصحة العظام:
- الدرجة 6: الشبكة سميكة ومثالية (سليمة).
- الدرجتان 4-5: الشبكة بدأت تصبح رقيقة قليلاً (تحذير).
- الدرجات 1-3: الشبكة رقيقة جداً أو متقطعة (خطر: هشاشة عظام).
المشكلة هي أن قراءة هذه الأشعة تشبه محاولة قراءة خط يد باهت في غرفة مظلمة. فهي تستغرق وقتاً طويلاً، وتتطلب عيناً خبيرة جداً، وقد يختلف أطباء مختلفون حول الدرجة المحددة.
التجربة الجديدة: تعليم الكمبيوتر كيف "يرى"
يصف هذا البحث تجربة حاول فيها الباحثون تعليم الكمبيوتر القيام بهذا التصنيف تلقائياً، دون الحاجة إلى قيام بشري بتسمية كل صورة أولاً.
الإعداد:
جمعوا 838 صورة أشعة سينية للورك من مرضى في الهند. والأهم من ذلك، أنهم لم يخبروا الكمبيوتر ما هي الدرجات. لقد أعطوه الصور فقط وقالوا له: "جمّع الصور المتشابهة معاً". وهذا ما يسمى التعلم غير الخاضع للإشراف (Unsupervised Learning).
الأدوات:
- العيون (CNN): قاموا ببناء "عين" مخصصة للكمبيوتر (شبكة عصبية تلافيفية - Convolutional Neural Network) لتنظر إلى الأشعة السينية وتجد الأنماط، تماماً كما يفعل البشر.
- المصنف (Clustering): استخدموا خوارزميات فرز مختلفة (مثل K-Means و Spectral و Agglomerative) لمحاولة تنظيم هذه الصور في 6 مجموعات (واحدة لكل درجة من درجات مؤشر سينغ).
ماذا حدث؟ (النتائج)
فكر في خوارزميات الفرز كطرق مختلفة لتنظيم خزانة ملابس فوضوية.
- كانت بعض الطرق (مثل K-Means) بارعة في إيجاد مجموعتين كبيرتين فقط: "سليمة" و"غير سليمة". وقد أعطت درجة عالية جداً لهذا الفصل البسيط.
- ومع ذلك، عندما حاولوا إجبار الكمبيوتر على فرز الملابس إلى ست مجموعات محددة (الدرجة 1 إلى الدرجة 6)، ارتبكت الخوارزميات. وانخفض "مقياس السيلويت" (Silhouette Score) (وهو مقياس لمدى جودة تماسك المجموعات) بشكل ملحوظ.
النتيجة الرئيسية:
كان الكمبيوتر جيداً بشكل مفاجئ في رصد الفرق بين العظام "السليمة غالباً" والعظام "الضعيفة غالباً". لكنه واجه صعوبة في التمييز بين الفروقات الدقيقة بين الدرجات الست.
لماذا واجه صعوبة؟
أشار المؤلفون إلى عدة أسباب جعلت الكمبيوتر يعجز عن فرز الدرجات الست بدقة:
- البيانات غير متوازنة: معظم صور الأشعة السينية التي حصلوا عليها كانت لعظام سليمة. كان هناك عدد قليل جداً من الصور للحالات الأكثر خطورة. الأمر يشبه محاولة تعليم طفل فرز الفواكه بينما تعطيه 90 تفاحة و موزتين فقط؛ سيقوم الطفل بمجرد التخمين بأن كل شيء هو "تفاح".
- الصور كانت ضبابية: كانت بعض الأشعة السينية أوضح من غيرها. إذا كان نمط "الشبكة" ضبابياً، فحتى الكمبيوتر الذكي لن يستطيع التمييز ما إذا كانت الدرجة 4 أم 5.
- نقص السياق: الكمبيوتر رأى الصورة فقط. لم يكن يعرف عمر المريض أو جنسه، وهي معلومات تعد أدلة ضخمة للطبيب البشري.
الخلاصة
لم تكن الدراسة تهدف لإنشاء أداة طبية مثالية وجاهزة للاستخدام يمكنها تشخيص هشاشة العظام فوراً عبر الهاتف. بدلاً من ذلك، أظهرت أننا:
- يمكننا استخدام الذكاء الاصطناعي لتجميع هذه الأشعة السينية.
- يعمل النظام بشكل أفضل عند إجراء فصل بسيط بين "سليم وغير سليم".
- للحصول على التفصيل الدقيق للدرجات الست، نحتاج إلى بيانات أفضل (نماذج أكثر للحالات الشديدة)، وصور أفضل، وربما نحتاج إلى تعليم الكمبيوتر باستخدام مزيج من البيانات المصنفة وغير المصنفة في المستقبل.
باختصار، بنى الباحثون نموذجاً أولياً لآلة فرز تعمل جيداً للفرز العام، لكنها تحتاج إلى المزيد من التدريب والبيانات لتصبح أداة تشخيص دقيقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.