Regional Attention-Enhanced Swin Transformer for Clinically Relevant Medical Image Captioning

عدسة المحقق: تعليم الحواسيب قراءة الأشعة السينية

تخيل عالماً تستطيع فيه الحواسيب النظر إلى صورة وسرد قصة. هذا ليس سحراً؛ بل هو فرع من فروع العلوم يسمى الرؤية الحاسوبية (Computer Vision)، حيث تتعلم الآلات "الرؤية" تماماً كما يفعل البشر. ولكن بينما قد يسهل على الحاسوب التمييز بين قط وكلب، فإن النظر إلى مسح طبي هو لعبة مختلفة تماماً. فالصور الطبية، مثل الأشعة السينية (X-rays)، والأشعة المقطعية (CT scans)، والرنين المغناطيسي (MRIs)، مليئة بالدلالات الدقيقة — ظلال صغيرة، أشكال غريبة، أو أنسجة باهتة — تخبر الطبيب ما إذا كان هناك خطب ما داخل الجسم. التحدي الذي يواجه العلماء هو تعليم الحواسيب ليس فقط "رؤية" هذه الصور، بل "فهمها" جيداً بما يكفي لكتابة تقرير طبي. الأمر يشبه مطالبة روبوت بالنظر إلى صورة لمسرح جريمة وكتابة تقرير شرطة يمكن لمحقق حقيقي استخدامه.

وللقيام بذلك، يستخدم الباحثون أداتين رئيسيتين. أولاً، هناك المُشفّر (Encoder)، الذي يعمل كمحقق شديد الملاحظة، يمسح الصورة للعثور على التفاصيل المهمة. ثانياً، هناك المُفكك (Decoder)، الذي يعمل ككاتب، يأخذ تلك التفاصيل ويحولها إلى جمل. السؤال الكبير الذي يحاول العلماء حله هو: كيف نضمن ألا يتشتت "المحقق" بالضجيج في الخلفية ويركز فقط على الأدلة التي تهم حقاً؟ إذا ارتبك الحاسوب، فقد يكتب تقريراً يبدو جميلاً ولكنه يغفل عن الجزء المخيف في الصورة. وهنا تبدأ قصة هذه الورقة البحثية.

---

قصة الورقة البحثية: تسليط الضوء على عيون الحاسوب

في هذه الورقة، يقدم فريق من الباحثين من كوريا الجنوبية، والسعودية، والولايات المتحدة طريقة جديدة لمساعدة الحواسيب على كتابة التقارير الطبية. أطلقوا على ابتكارهم اسم "محول سوين المعزز بالانتباه الإقليمي" (Regional Attention-Enhanced Swin Transformer). إنه اسم طويل وصعب، لذا دعونا نفككه باستخدام تشبيه بسيط.

تخيل أنك تنظر إلى ملعب ضخم ومزدحم بآلاف الأشخاص. معظمهم مجرد مشجعين يهتفون، ولكن في ركن صغير، سقط لاعب وأصيب. إذا طُلب منك وصف المشهد، فستحتاج إلى تجاهل الحشود المهتفة والتركيز تماماً على اللاعب المصاب. كانت النماذج الحاسوبية القديمة مثل السياح الذين ينظرون إلى الملعب بأك ولهم في وقت واحد؛ رأوا كل شيء ولكنهم فاتهم التفاصيل المهمة لأنهم غرقوا في الضجيج.

يستخدم النموذج الجديد للباحثين حيلة خاصة تسمى الانتباه الإقليمي (Regional Attention). فكر في هذا كأنه كشاف ضوئي سحري يمكن للحاسوب تشغيله وإطفائه. قبل أن يحاول الحاسوب كتابة تقريره، يقوم هذا الكشاف بمسح الصورة الطبية ويقول: "مهلاً، هذا الجزء يبدو طبيعياً، لنقم بتعتيم الضوء عنه. لكن هذا الجزء يبدو غريباً ومهمّاً، لنُسلط عليه ضوءاً ساطعاً!". من خلال تضخيم المناطق "ذات الأهمية التشخيصية" (diagnostically salient) وتجاهل التشريح الطبيعي، يتعلم النموذج تركيز طاقته بالضبط حيث ينظر الطبيب البشري.

كيف بنوه؟
بنى الفريق نظامهم باستخدام "عقلين" مشهورين تم دمجهما معاً:

1. العيون (Swin Transformer): استخدموا نموذجاً يسمى "Swin Transformer" للنظر إلى الصورة. إنه يشبه كاميرا يمكنها التكبير لرؤية الأنسجة الدقيقة والتصغير لرؤية هيكل الجسم بالكامل في نفس الوقت.
2. الكاتب (BART مع لمسة طبية): بالنسبة لجزء الكتابة، استخدموا نموذجاً يسمى BART، لكنهم منحوه ترقية خاصة. لقد استبدلوا مفرداته القياسية بمفردات مدربة خصيصاً على الكتب الطبية (PubMedBERT). هذا يعني أن الحاسوب لا يعرف فقط كيفية كتابة الجمل، بل يعرف كيفية كتابة جمل طبية باستخدام المصطلحات الصحيحة.

ماذا وجدوا؟
اختبر الباحثون نموذجهم "نموذج التسليط الضوئي" الجديد على مجموعة ضخمة تضم أكثر من 81,000 صورة وتقارير طبية تسمى مجموعة بيانات ROCO. وقارنوا نموذجهم بأنظمة أخرى شائعة، بما في ذلك نظام يستخدم نهجاً يشبه الكاميرا القياسية (ResNet-CNN) ونموذجاً ضخماً ومتطوراً جداً (BLIP2-OPT).

كانت النتائج واضحة تماماً. عندما تعلق المسألة بقياس مدى مطابقة تقرير الحاسوب لتقرير الطبيب الحقيقي، فقد تألق نموذجهم الجديد:

• درجة ROUGE: سجل نموذجهم 0.603، بينما حصل نموذج ResNet على 0.356 وحصل نموذج BLIP2-OPT على 0.255. وهذا يشير إلى أن نهجهم أفضل بكثير في التقاط الكلمات والمعاني الصحيحة.
• درجة BERTScore: تقيس هذه الدرجة مدى تشابه المعنى. حقق نموذجهم 0.807، متفوقاً على BLIP2-OPT الذي سجل 0.645 وResNet الذي سجل 0.623.

كما نظروا في درجات أخرى مثل BLEU وCIDEr وMETEOR، حيث كان أداء نموذجهم تنافسياً، رغم أن التحسينات لم تكن ضخمة كما في الفئات الأخرى.

"لماذا" وراء "ما حدث"
أحد أروع أجزاء هذه الورقة هو أنهم لم يكتفوا بالحصول على درجات جيدة فحسب، بل أظهروا لماذا نجح ذلك. لقد أنشأوا خرائط حرارية (مثل الصور الحرارية) تظهر بالضبط أي أجزاء من الأشعة السينية كان الحاسوب ينظر إليها عندما كتب جملة معينة. في اختباراتهم، حدد الحاسوب بشكل صحيح أشياء مثل "كتلة كيسية كبيرة" (large cystic mass) في فحص الصدر أو "شظية عظمية مثلثية" (triangular bone fragment) في فحص العمود الفقري. لقد كان "الكشاف الضوئي" يسلط الضوء بالفعل على العظام المكسورة والأورام، وليس على الأجزاء السليمة من الجسم.

ما لا يستطيع فعله (بعد)
يتحلى المؤلفون بالحذر في عدم الادعاء بأنهم حلوا كل شيء. فهم يعترفون بأنه بينما يعد النموذج بارعاً في رصد المشكلات الكبيرة، فإنه يواجه أحياناً صعوبة في وصف التفاصيل المعقدة للغاية، مثل وصف الأجهزة الطبية المحددة أو الإجراءات الدقيقة. على سبيل المثال، في أحد الاختبارات، رأى النموذج عملية تصوير وعائي (نوع من مسح الأوعية الدموية) وحدد بشكل صحيح "الأبهر البطني" (abdominal aorta)، لكنه أغفل التفاصيل المحددة حول جهاز يُستخدم لسد ثقب في القلب.

الخلاصة
تشير هذه الورقة إلى أنه من خلال إضافة وحدة "الانتباه الإقليمي" — وهي طريقة لإجبار الحاسوب على التركيز على الأجزاء الغريبة والمريضة في الصورة — يمكننا جعل مولدات التقارير الطبية أكثر دقة وموثوقية. التصميم مخصص ليكون مساعداً، وليس بديلاً. ويؤكد المؤلفون أن هذه التعليقات لا ينبغي أبداً استخدامها لاتخاذ قرارات طبية نهائية بمفردها. بدلاً من ذلك، هي تهدف لدعم الأطباء، والعمل كعين ثانية تسلط الضوء على الأدلة المهمة، مع بقاء العنصر البشري دائماً في قلب العملية لاتخاذ القرار النهائي.

يخطط الفريق لمواصلة تحسين هذا من خلال اختباره على أنواع أكثر من البيانات الطبية وجعل "الكشاف الضوئي" أكثر ذكاءً، ولكن في الوقت الحالي، لقد أثبتوا أن منح الحواسيب طريقة أفضل للتركيز يمكن أن يؤدي إلى قصص أفضل بكما يحدث داخل أجسادنا.