Eyes on the Image: Gaze Supervised Multimodal Learning for Chest X-ray Diagnosis and Report Generation

في الغرف الهادئة خافتة الإضاءة في قسم الأشعة، يدرس طبيب صورة باللونين الأبيض والأسود لصدر بشري. هذه صورة أشعة سينية للصدر، وهي صورة مسطحة تخفي عالماً ثلاثي الأبعاد من العظام والهواء والسوائل. لكي يجد الطبيب مرضاً ما، لا ينظر إلى الصورة بشكل عشوائي؛ بل تتحرك عيناه وفق نمط محدد ومتمرس، حيث تتوقف عند نقاط معينة قد يختبئ فيها ظل لضلع مكسور أو بقعة من السوائل. هذا البحث البصري هو شكل من أشكال الاستدلال الصامت، وهو وسيلة لربط ما يُرى بما هو معروف عن جسم الإنسان. لعقود من الزمن، حاولت الحواسيب تعلم هذه المهارة، عبر تحليل بكسلات الأشعة السينية لرصد الأمراض. ومع ذلك، بينما أصبحت الآلات جيدة في تحديد وجود المرض، فإنها غالباً ما تجد صعوبة في فهم أين يجب أن تنظر بالضبط، وكثيراً ما تفشل في شرح نتائجها باللغة المكانية الواضحة التي يستخدمها الأطباء. قد تقول إن المريض يعاني من الالتهاب الرئوي، لكنها لا تستطيع الإشارة إلى المنطقة المحددة من الرئة المصابة، ولا يمكنها وصفها بنفس الدقة التي يتمتع بها الخبير البشري.

تحاول دراسة جديدة من باحثين في جامعة "براك" (BRAC) في دكا، بنغلاديش، سد هذه الفجوة من خلال تعليم الحواسيب كيفية مراقبة حركة عيون البشر. فقد بنى الفريق نظاماً لا يكتفي بالنظر إلى صورة الأشعة السينية فحسب، بل يدرس أيضاً حركات العين المسجلة لأطباء الأشعة أثناء قراءتهم لتلك الصور نفسها. ومن خلال الجمع بين صورة الصدر، ونص تقرير الطبيب، وخريطة توضح أين توقفت عينا الطبيب وأين ركزت، أنشأ الباحثون نموذجاً يتعلم رؤية الصدر كما يفعل البشر. وبالنسبة لنصف بياناتهم، يدمج النظام أيضاً حدود المناطق التشريحية؛ أما بالنسبة للنصف الآخر، حيث كانت هذه الحدود مفقودة من السجلات الأصلية، فيقوم النظام بتوليدها حسابياً باستخدام نموذج كشف متخصص. والنتيجة هي نظام حاسوبي لا يشخص الأمراض بدقة أعلى فحسب، بل يولد أيضاً تقارير طبية قائمة على أجزاء محددة من الرئة حيث وُجدت المشكلة، محاكياً بذلك الانتباه الدقيق والخطوة بخطوة للخبير البثري.

بدأ الباحثون بمجموعة ضخمة من الأشعة السينية للصدر، لكنهم احتاجوا إلى ما هو أكثر من مجرد الصور. فقد جمعوا مجموعة بيانات تتضمن بيانات تتبع العين الفعلية لأطباء الأشعة، والتي تسجل الإحداثيات الدقيقة لمكان نظر الطبيب، ولمدة نظره، وحتى حجم بؤبؤ عينه في تلك اللحظة. كما تضمنت التقارير المكتوبة التي أنتجها الأطباء. وبالنسبة لمناطق الصدر، استخدموا الحدود الموجودة حيثما توفرت، ولكن في الدراسات التي كانت تفتقر إليها، قاموا بتدريب نموذج كشف خفيف الوزن لاستنتاج الحدود الضرية. كان التحدي يكمكمن في تعليم الحاسوب كيفية دمج هذه التدفقات الأربعة المختلفة من المعلومات — الصورة، والنص، والحدود (سواء كانت أصلية أو مستنتجة)، وحركات العين — في فهم واحد. صمم الفريق عملية مكونة من مرحلتين لتحقيق ذلك. في المرحلة الأولى، يتعلم الحاسوب تشخيص المريض. فهو ينظر إلى الأشعة السينية وخريطة تتبع العين في آن واحد. وبدلاً من مجرد التخمين، يتم تدريب النموذج على الانتباه إلى نفس النقاط التي استقرت فيها أعين الأطباء البشر. فإذا ركز نظر الطبيب بكثافة على الرئة اليمنى السفلية، يتعلم الحاسوب أن يعطي وزناً أكبر لتلك المنطقة عند اتخاذ قرار بشأن وجود سوائل أو عدوى هناك. يعمل هذا التدريب كدليل، يوجه انتباه الحاسوب نحو المناطق ذات الأهمية السريرية ويبعده عن الضجيج غير ذي الصلة.

كانت نتائج هذا التدريب قابلة للقياس وهامة. فعندما تم تعليم الحاسوب اتباع نظرة الإنسان، تحسنت قدرته على تحديد الأمراض بشكل ملحوظ. ارتفعت دقة النظام في اكتشاف الحالات المختلفة بهامش واضح، وأصبح توافقه مع تركيز الطبيب البشري أقوى بكثير. وتحديداً، تحسن التوافق بين المكان الذي نظر إليه الحاسوب والمكان الذي نظر إليه الإنسان إلى مستوى يشير إلى فهم حقيقي للمهمة البصرية، وليس مجرد تخمين محظوظ. بدأ الحاسوب في إنتاج خرائط انتباه تبدو مشابهة بشكل لافت لخرائط الحرارة الخاصة بحركة العين البشرية، مما يسلط الضوء على البقع الداكنة والتشوهات الهيكلية التي قد يحددها الطبيب. أثبت هذا أن بيانات تتبع العين لم تكن مجرد معلومات إضافية، بل كانت مفتاحاً حاسماً لفتح آداء تشخيصي أفضل.

بمجرد أن تعلم الحاسوب تشخيص المريض بهذا التركيز الواعي بنظرة العين، انتقل الباحثون إلى المرحلة الثانية: كتابة التقرير. في الماضي، كانت التقارير التي تولدها الحواسيب تبدو آلية أو غامضة، حيث تسرد الأمراض دون شرح مكان وجودها. غير أن النظام الجديد غير ذلك باستخدام المناطق المحددة التي حددها الحاسوب. فقد أخذ درجة ثقة تشخيصه وربطها بسبعة عشر منطقة تشريحية متميزة في الصدر، مثل الجزء العلوي من الرئة اليسرى أو المنطقة المحيطة بالقلب. ثم استخدم أداة لغوية قوية لتحويل هذه النتائج إلى جمل تبدو كتقرير طبيب حقيقي. فبدلاً من الاكتفاء بالقول "الالتهاب الرئوي موجود"، يمكن للنظام توليد جملة مثل "هناك عتامة في حقل الرئة اليمنى السفلية"، رابطاً المرض مباشرة بالموقع المحدد الذي حلله للتو.

تم اختبار جودة هذه التقارير المولدة مقابل المعايير البشرية، وكان أداء النظام جيداً. لم تكن التقارير التي أنتجها صحيحة لغوياً فحسب، بل كانت دقيقة دلالياً، مما يعني أن الكلمات المستخدمة تطابق الواقع الطبي للصورة. حقق النظام مستوى عالياً من الاتفاق مع "الحقيقة الأرضية" لما قد يكتبه طبيب أشعة بشري، لا سيما في كيفية وصفه للنتائج. وبينما كانت لا تزال هناك بعض الفجوات الطفيفة في التفاصيل الأكثر تعقيداً، فإن المخرج العام يمثل خطوة كبيرة للأمام في جعل النصوص الطبية المولدة آلياً جديرة بالثقة ومفيدة. وجد الباحثون أنه من خلال ربط اللغة بالأدلة البصرية وحركات العين للخبراء، استطاع الحاسوب تجنب اختلاق الحقائق أو وصف أشياء ليست موجودة بالفعل.

يظهر هذا العمل أن الطريقة التي ينظر بها الإنسان إلى المشكلة هي إشارة قيمة يمكن للآلات التعلم منها. ومن خلال دمج الإشارات الدقيقة لحركة العين في عملية التعلم، أنشأ الباحثون نظاماً أكثر شفافية وموثوقية من النماذج السابقة. الحاسوب لا يرى الصورة فحسب؛ بل يرى الصورة من خلال عدسة الانتباه البشري. يقدم هذا النهج مساراً جديداً للذكاء الاصطناك الطبي، مساراً يمكن فيه تتبع استدلال الآلة وصولاً إلى أجزاء محددة من الصورة، تماماً كما يمكن تتبع استدلال الطبيب بالعودة إلى ملاحظاته. وتخلص الدراسة إلى أنه على الرغم من أن التكنولوجيا ليست مثالية بعد، فإن الجمع بين البيانات البصرية، وتتبع العين، وتوليد اللغة يخلق أداة قوية لتفسير الأشعة السينية للصدر، مما يبشر بمستقبل يكون فيه دعم الذكاء الاصطناعي في الطب ليس دقيقاً فحسب، بل مفهوماً ومتوافقاً مع الخبرة البشرية أيضاً.