Deep Unfolding Network for Nonlinear Multi-Frequency Electrical Impedance Tomography
تقترح هذه الورقة شبكة فك تشابك عميقة تدمج الشبكات العصبية الرسومية في إطار عمل "غاوس-نيوتن" التقريبي المنظم تكرارياً لتعزيز التصوير المقطعي بالمقاومة الكهربائية غير الخطي متعدد الترددات، وذلك عبر الحفاظ على هياكل المشبك والتقاط الارتباطات بين الترددات لتقدير موصلية الأنسجة بدقة.
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 رؤية ما بداخل جسم حي دون فتحه، باستخدام الكهرباء فقط. هذا هو الوعد الذي تقدمه تقنية تصوير طبي تسمى "التصوير المقطعي بالمقاومة الكهربائية" (Electrical Impedance Tomography). فبدلاً من استخدام الأشعة السينية أو الموجات الصوتية، يقوم الأطباء بتثبيت أقطاب كهربائية صغيرة على الجلد وإرسال تيارات كهربائية ضئيلة وغير ضارة. ومن خلال قياس كيفية تغير الجهد الكهربائي أثناء تحرك هذه التيارات عبر الجسم، يمكن للحواسيب بناء صورة لما يكمن تحت السطح. وتختلف الأنسجة، مثل العضلات أو الدهون أو السوائل، في قدرتها على توصيل الكهرباء، وهذه الاختلافات يمكن أن تكشف عن المشكلات الصحية أو تتبع كيفية تعافي الجسم. ومع ذلك، فإن إنشاء هذه الصور أمر صعب للغاية؛ إذ إن الرياضيات المطلوبة للعمل عكسياً من القياسات السطحية إلى داخل الجسم غير مستقرة وحساسة حتى لأصغر الأخطاء، مما يؤدي غالباً إلى صور ضبابية أو مضللة.
ولجعل هذه التقنية أكثر فائدة، طور العلماء نسخة تستخدم ترددات متعددة من الكهرباء في وقت واحد. تماماً كما يحلل المنشور الضوء الأبيض إلى قوس قزح، تتفاعل الترددات المختلفة للكهرباء مع الأنسجة بطرق فريدة، مما يكشف عن معلومات أكثر تفصيلاً حول تركيبها. وهذا النهج، المعروف باسم "التصوير المقطعي بالمقاومة الكهربائية متعدد الترددات"، ذو قيمة خاصة لدراسة العمليات البيولوجية المعقدة، مثل كيفية تغير الخلايا أثناء تصلبها أو تكلسها. ومع ذلك، يظل التحدي قائماً، حيث إن الأدوات الرياضية المستخدمة لمعالجة هذه البيانات غالباً ما تكون بطيئة جداً أو جامدة للغاية بحيث لا تستطيع استيعاب الطبيعة المتداخلة والدقيقة للأنسجة البيولوجية الحقيقية. وتقدم دراسة جديدة أجراها باحثون في إيطاليا حلاً جديداً يجمع بين موثوقية الرياضيات القائمة على الفيزياء التقليدية وقدرة الذكاء الاصطناعي الحديث على التكيف لحل هذه المشكلة.
ركز الباحثون على سيناريو محدد توجد فيه أنواع مختلفة من الأنسجة في نفس المساحة الصغيرة، بدلاً من وجودها في كتل منفصلة ومرتبة. ففي العديد من العمليات البيولوجية، مثل تكوين الرواسب المعدنية في المزارع الخلوية، قد تحتوي نقطة واحدة في الجسم على خليط من الخلايا السليمة والخلايا المتكلسة. وغالباً ما تواجه الطرق التقليدية صعوبة في التعامل مع هذا التداخل، حيث تعامل الجسم كما لو كان مكوناً من مناطق متميزة وغير متداخلة. وقد اقترح الفريق طريقة جديدة للتفكير في المشكلة: فبدلاً من محاولة تخمين الخاصية الكهربائية الدقيقة لكل نقطة، طلبوا من الكمبيوتر تقدير النسبة المئوية، أو الجزء، من كل نوع من أنواع الأنسجة الموجودة في كل موقع. ويحترم هذا النهج الواقع الفيزيائي بأن الأنسجة يمكن أن تختلط، ويضمن أن الصورة النهائية تكتمل بشكل صحيح، بحيث يكون مجموع الأجزاء في أي نقطة معينة هو مائة بالمائة.
ولحل المعادلات المعقدة المطلوبة لإيجاد هذه الأجزاء، طور الفريق أولاً خوارزمية رياضية متطورة. وتعمل هذه الطريقة، التي أطلقوا عليها اسم "نهج غاوس-نيوتن المنتظم القريب الجزئي" (fractional proximal regularized Gauss-Newton approach)، من خلال وضع تخمين أولي ثم تحسينه خطوة بخطوة. وفي كل خطوة، تتحقق الخوارزمية من مدى مطابقة التخمين للقياسات الكهربائية الفعلية وتقوم بتعديل الأجزاء لتقليل الخطأ. ومن الأهمية بمكان أن تتضمن هذه الخوارزمية قاعدة مدمجة تجبر النتائج على البقاء ضمن الحدود الفيزيائية الممكنة، مما يضمن عدم وجود جزء سالب من النسيج وأن مجموعها يساوي دائماً الواحد الصحيح. وبينما تعمل هذه الطريقة الرياضية بشكل جيد، إلا أنها قد تكون بطيئة وتتطلب قدرة حوسبة كبيرة لتشغيل جميع الخطوات اللازمة لكل مريض أو عينة جديدة.
ثم اتخذ الباحثون خطوة جريئة بتحويل هذه العملية الرياضية البطيئة والمرحلية إلى شبكة حاسوبية قابلة للتدريب سريعة. لقد قاموا بـ "فك" (unrolled) الخوارزمية، مما يعني أنهم حولوا كل خطوة رياضية إلى طبقة في نظام التعلم العميق. هذه الشبكة الجديدة، التي أطلقوا عليها اسم "mf-Net"، تتعلم محاكاة سلوك الخوارزمية المعقدة ولكنها تفعل ذلك بسرعة أكبر بكثير. ويعد جوهر هذه الشبكة نوعاً متخصصاً من الذكاء الاصطناعي المصمم للتعامل مع الأشكال غير المنتظمة، والمعروف باسم "الشبكة العصبية الرسومية" (Graph Neural Network). ولأن الجسم يتم نمذجته كشبكة من المثلثات وليس كشبكة مثالية، يمكن لهذه الشبكة التنقل في الهندسة المعقدة لجسم الإنسان تماماً كما يفعل البشر، مما يحافظ على شكل الأنسجة أثناء تعلمها. ويتم تدريب الشبكة على آلاف الأمثلة المحاكات، لتتعلم التعرف على أنماط البيانات الكهربائية التي تتوافق مع مخاليط الأنسجة المحددة.
وعندما اختبر الفريق نظامهم الجديد، كانت النتائج مذهلة. ففي عمليات المحاكاة التي تضمنت أنسجة بسيطة غير متداخلة ومخاليط معقدة ومتداخلة، أنتجت الشبكة الجديدة صوراً أكثر وضوحاً ودقة بشكل ملحوظ مقارنة بالطرق الموجودة. وفي الاختبارات التي تداخلت فيها الأنسجة، قلل النهج الجديد الخطأ في تحديد مخاليط الأنسجة الصحيحة بنسبة تقارب النصف مقارم بأفضل الطرق السابقة. كما أثبت أنه أكثر قوة في مواجهة الضجيج، وهو التشويش أو التداخل الذي يتسلل حتماً إلى القياسات الكهربائية في العالم الحقيقي. وحتى عندما تعرضت البيانات المدخلة للضجيج، حافظت الشبكة على قدرتها على إعادة بناء الهيكل الداخلي بدقة، بينما أصبحت الطرق القديمة ضبابية وغير موثوقة.
تؤكد الدراسة أن الجمع بين القواعد الصارمة للفيزياء وقوة التعلم للذكاء الاصطناعي يمكن أن يتغلب على قيود التصوير الطبي التقليدي. فمن خلال تعليم الكمبيوتر كيفية فهم القواعد المحددة لكيفية اختلاط الأنسجة وسلوك الكهرباء، ابتكر الباحثون أداة تتسم بالسرعة والدقة في آن واحد. وبينما تم تحقيق هذه النتائج من خلال عمليات محاكاة حاسوبية باستخدام بيانات من أنسجة الجزر والبطاطس والخيار في محلول ملحي، فإن هذا النجاح يشير إلى مسار واعد للتطبيقات الواقعية. ويخطط الفريق لاختبار طريقتهم على عينات بيولوجية حقيقية وعلى المرضى البشر في نهاية المطاف، آملين في جلب هذه الرؤية الأكثر وضوحاً وتفصيلاً لآليات عمل الجسم الداخلية إلى الممارسة السريرية. إن هذا العمل يثبت أنه عندما نحترم القوانين الفيزيائية للجسم مع احتضان مرونة تعلم الآلة، يمكننا رؤية غير المرئي بمستوى جديد من الوضوح.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.