A large-scale heterogeneous 3D magnetic resonance brain imaging dataset for self-supervised learning
تقدم الورقة البحثية FOMO260K، وهو عبارة عن مجموعة بيانات ضخمة وغير متجانسة تضم أكثر من 260,000 صورة رنين مغناطيسي للدماغ من مصادر عامة متنوعة، صُممت لتسهيل وتحديد معايير التعلم الخاضع للإشراف الذاتي في التصوير الطبي من خلال الحد الأدنى من المعالجة المسبقة والنماذج المدربة مسبقاً المرافقة لها.
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 أنك تحاول تعليم روبوت فهم الدماغ البشري. وللقيام بذلك بفعالية، يحتاج الروبوت إلى رؤية الملايين من صور مسح الدماغ المختلفة، تماماً كما يتعلم الطفل التعرف على "الكلب" من خلال رؤية آلاف الكلاب المختلفة في المتنزهات، والصور، والأفلام.
لفترة طويلة، واجه الباحثون الذين يحاولون تعليم الذكاء الاصطिनी عن الأدمغة مشكلة: كان لديهم فقط القدرة على الوصول إلى مجموعات صغيرة ومحددة للغاية من صور مسح الدماغ. كان الأمر أشبه بمحاولة التعلم عن الطبيعة بأكملها من خلال النظر فقط إلى حديقة ورود واحدة مثالية ومنسقة بعناية. ستفقد رؤية الأعشاض الضارة، والغابات، والعواصف، والنباتات الغريبة التي توجد في العالم الحقيقي. علاوة على ذلك، كان الحصول على الوصول إلى هذه "الحدائق" يتطلب غالباً ملء أوراق لا تنتهي وانتظار الحصول على الإذن.
إليك FOMO260K: "مكتبة الدماغ" للذكاء الاصطناعي
تقدم هذه الورقة البحثية FOMO260K، وهي مجموعة بيانات ضخمة وجديدة صُممت لحل تلك المشكلة. فكر في الأمر كمكتبة ضخمة مفتوحة الوصول تحتوي على 260,927 صورة مسح دماغي من أكثر من 55,000 شخص مختلف.
إليك ما يجعل هذه المكتبة مميزة، مشروحاً عبر تشبيهات بسيطة:
1. "خليط" الحياة الواقعية (التغاير - Heterogeneity)
كانت معظم مجموعات بيانات الدماغ السابقة تشبه ألبوم صور تم التقاط كل صورة فيه بنفس الكاميرا، وبنفس الإضاءة، وبنفس الفلتر. كانت مثالية جداً ومتشابهة جداً.
أما FOMO260K فهي مختلفة. إنها عبارة عن كولاج (لوحة تجميعية) فوضوي وحيوي. فهي تتضمن:
- "كاميرات" مختلفة: صور مسح من العديد من أجهزة الرنين المغناطيسي المختلفة (Siemens، Philips، إلخ) وقوى مجال مختلفة (1.5T، 3T، وحتى 7T).
- "إضاءة" مختلفة: أنواع مختلفة من تسلسلات الرنين المغناط مغناطيسي (T1، T2، الانتشار، إلخ).
- فوضى العالم الحقيقي: تتضمن مسوحات بها تشوهات دماغية كبيرة، أو أورام، أو سكتات دماغية، أو اضطرابات عقلية، وليست فقط "الأدمغة المثالية" الصحية. كما تتضمن حتى مسوحات ذات دقة منخفضة قد تراها في مستشفى عادي، وليس فقط في مختبرات الأبحاث عالية المستوى.
يسمي المؤلفون هذا التغاير (Heterogeneity). وببساطة، هذا يعني أن مجموعة البيانات فوضوية ومتنوعة، تماماً مثل العالم الحقيقي. وهذا أمر بالغ الأهمية لأنه يعلم الذكاء الاصطناعي أن يكون قوياً (Robust)، بحيث لا يرتبك عندما يرى مسحاً دماغياً من مستشفى مختلف أو من جهاز مختلف.
2. نهج "المكونات الخام"
عندما تشتري وجبة جاهزة، فمن السهل استخدامها، لكنك لا تعرف بالضبط ما الذي دخل فيها. أما عندما تشتري المكونات الخام، فعليك القيام بالعمل، لكنك تعرف بالضبط ما الذي تحصل عليه.
توفر FOMO260K المكونات الخام. لقد طبق الباحثون "معالجة مسبقة دنيا". لم يقوموا بتنعيم التجاعيد أو إصلاح الإضاءة. لقد اكتفوا فقط بالتأكد من أن جميع الأدمغة موجهة بنفس الطريقة (بحيث يكون الجانب الأيسر دائماً على اليسار) وإزالة المسوحات القصيرة جداً أو غير المكتملة.
لماذا؟ لأنهم يريدون من العلماء الآخرين أن يتمكنوا من تجربة أساليبهم الخاصة في تنظيف وتحضير البيانات. هذا يقلل من حواجز الدخول، مما يسمح لمزيد من الناس بالتجربة دون الحاجة لأن يكونوا "رئيس طهاة" أولاً.
3. الطالب "الذاتي التعلم" (التعلم الخاضع للإشراف الذاتي - Self-Supervised Learning)
تركز الورقة على تقنية تسمى التعلم الخاضع للإشراف الذاتي (SSL).
تخيل أن لديك طالباً لم يرَ دماغاً من قبل. بدلاً من إعطائه كتاباً مدرسياً يحتوي على إجابات (بيانات مصنفة)، تعطي له كومة من 260,000 صورة مسح دماغي وتقول له: "استنتج الأنماط بنفسك".
يحاول نموذج الذكاء الاصطناعي (الطالب) تخمين الأجزاء المفقودة من مسوحات الدماغ. ومن خلال القيام بذلك ملايين المرات، يتعلم "القواعد العامة" لكيفية ظهور الأدمغة وكيفية هيكلتها. يتعلم كيف يبدو الدماغ الصحي عادةً، وكيف تشوه الأورام الأشياء، وكيف تلتقط الآلات المختلفة الصور.
بمجرد أن يتعلم هذا الطالب هذه اللغة العامة، يمكنك بعد ذلك إعطاؤه مهمة محددة، مثل "ابحث عن السكتة الدماغية"، وسوف يتعلم تلك المهمة المحددة بشكل أسرع وأفضل مما لو بدأ من الصفر.
4. الإثبات: هل نجح الأمر؟
لإثبات أن هذا "الطالب" قد تعلم شيئاً بالفعل، قام الباحثون باختباره. أخذوا الذكاء الاصطناعي الذي تم تدريبه على FOMO260K وطلبوا منه تنفيذ مهام صعبة، مثل العثين عن آفات صغيرة أو أورام في مسوحات جديدة لم يسبق له رؤيتها.
وقاموا بمقارنة هذا الذكاء الاصطناعي بذكاء اصطناعي "بدائي" (Scratch AI) — وهو ذكاء بدأ من الصفر واضطر لتعلم كل شيء باستخدام كمية صغيرة جداً من البيانات المصنفة (مثل طالب درس ليوم واحد فقط).
النتيجة: تفوق الذكقة الاصطناعي المدرب على FOMO260K باستمرار على الذكاء الاصطناعي "البدائي". لقد كان أفضل في العثين عن المشكلات، حتى عندما كان لديه عدد قليل فقط من الأمثلة للتعلم منها. وهذا يثبت أن المكتبة الضخمة والفوضوية المكونة من 260,000 مسح قد نجحت في تعليم الذكاء الاصطناعي أساساً قوياً.
5. نسختان من مجموعة البيانات
تذكر الورقة نسختين من هذه المكتبة:
- FOMO260K: النسخة الضخمة والخام الموصوفة أعلاه. وهي مخصصة للأشخاص الذين يريدون القيام بالجهد الشاق بأنفسهم ويريدون أكثر قدر ممكن من البيانات المتنوعة.
- FOMO45K: نسخة أصغر، "مطبوخة مسبقاً". هذه المسوحات تم تنظيفها، ومحاذاتها بدقة، وإزالة جماجمها (أو تم طمس الوجوه) لجعلها جاهزة للاستخدام الفوري في مهام محددة. إنها تشبه مجموعة الخضروات المقطعة مسبقاً لأولئك الذين يريدون البدء في الطبخ فوراً.
الملخص
باختراض شديد، تقول هذه الورقة: "لقد بنينا أكبر وأكثر مكتبات مسح الدماغ تنوعاً وسهولة في الوصول إليها على الإطلاق. لقد أبقيناها خامة لكي تتمكنوا من التجربة بها. وقد أظهرنا أنه إذا تركت الذكاء الاصطناعي يدرس هذه المكتبة بمفرده، فإنه يصبح أكثر ذكاءً في فهم الأدمغة مما لو أعطيته مجرد أمثلة قليلة ليدرسها".
هذا المورد مخصص لمساعدة الباحثين على بناء أدوات ذكاء اصطناعي أفضل للتصوير الطبي، لكن الورقة نفسها تركز حصرياً على إنشاء مجموعة البيانات والإثبات على أنها تحسن تعلم الذكاء الاصطناعي، وليس على علاجات طبية مستقبلية محددة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.