Opportunistic Promptable Segmentation: Leveraging Routine Radiological Annotations to Guide 3D CT Lesion Segmentation
تقدم الورقة البحثية SAM2CT، وهو نموذج تجزئة قابل للتلقين مبتكر يستفيد من التوصيفات الإشعاعية الروتينية (مثل الأسهم والخطوط) المخزنة في نظام PACS لإنشاء تجزئات ثلاثية الأبعاد عالية الجودة لآفات الأشعة المقطعية تلقائياً، مما يوفر حلاً قابلاً للتوسع لإنشاء مجموعات بيانات طبية مشروحة واسعة النطاق دون جهد يدوي مكثف.
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 مكتبة ضخمة من صور الأشعة المقطعية (CT) الطبية، مثل مستودع عملاق مليء بالأفلام ثلاثية الأبعاد لجسم الإنسان. داخل هذا المستودع (الذي يسمى PACS)، عمل أطباء الأشعة لسنوات طويلة. وعندما يجدون شيئًا مثيرًا للاهتمام، مثل ورم أو كيس، لا يكتفون بمجرد تدوينه؛ بل غالبًا ما يرسمون أسهمًا صغيرة تشير إليه أو يرسمون خطوطًا لقياس حجمه. وتُخزن هذه الرسومات رقميًا ككائنات "GSPS".
لفترة طويلة، كانت هذه الرسومات مجرد ملاحظات، وكانت منفصلة عن الفيلم ثلاثي الأبعاد نفسه. ولتحويل سهم ثنائي الأبعاد أو خط إلى "قناع" (Mask) ثلاثي الأبعاد كامل (أي تحديد رقمي للهيكل بأكمله)، كان على طبيب الأشعة عادةً الجلوس وتتبع الشكل يدويًا بالكامل شريحة تلو الأخرى. هذا يشببه بامتلاك وصفة لعمل كعكة مع صورة لها، ولكن عليك خبز الكعكة من الصفر في كل مرة تريد فيها رؤية المنتج النهائي. إنها عملية بطيئة، ومكلفة، ومملة.
الفكرة الكبرى: "التجزئة القابلة للتحفيز الانتهازية" (Opportunistic Promptable Segmentation)
لقد توصل مؤلفو هذه الورقة البحثية إلى حيلة ذكية. فقد تساءلوا: ماذا لو استطعنا استخدام تلك الأسهم والخطوط القديمة الموجودة بالفعل كـ "محفزات" (Prompts) لتوليد الشكل ثلاثي الأبعاد بالكامل تلقائيًا؟
أطلقوا على ذلك اسم "التجزئة القابلة للتحفيز الانتهازية". فكر في الأمر كأنك تجد خريطة كنز حيث رسم شخص ما بالفعل علامة "X" وخطًا. بدلًا من الحفر في كل مكان، أنت تستخدم تلك العلامة "X" لتخبر روبوتًا بالضبط أين يحفر، وسيقوم الروبوت فورًا باستخراج صندوق الكنز بالكامل.
الأداة الجديدة: SAM2CT
لجعل هذا الأمر ممكنًا، قام الباحثون ببناء نموذج ذكاء اصطناعي جديد يسمى SAM2CT. يمكنك التفكير في SAM2CT كطباخ آلي ذكي للغاية.
- الطريقة القديمة: إذا كنت تريد من الطباخ أن ينحت ديكًا روميًا، فعليك أن تريه الطائر بالكامل وتخبره بالضبط أين يضع كل قطعية.
- طريقة SAM2CT: أنت فقط تشير إلى الديك الرومي بإصبعك (سهم) أو تقيس عرض صدر الطائر بمسطرة (خط). يرى الطباخ هذه التعليمات البسيطة ويقوم فورًا بنحت الديك الرومي ثلاثي الأبعاد بالكامل من أجلك.
كيف يعمل (السر الخفي)
يعتمد النموذج على ذكاء اصطناعي شهير يسمى SAM2، لكن الباحثين منحوه ترقيتين خاصتين للتعامل مع المسحات الطبية:
- فهم الأسهم والخطوط: نماذج الذكاء الاصطناعي القياسية تفهم فقط النقاط أو المربعات. لقد تم تعليم SAM2CT فهم الأسهم وخطوط القياس المحددة التي يستخدمها أطباء الأشعة يوميًا.
- خدعة "الذاكرة" (MCM): تخيل أنك تنظر إلى جسم ثلاثي الأبعاد شريحة تلو الأخرى. إذا كنت تنظر فقط إلى الشريحة الحالية، فقد تفقد تتبع شكل الجسم في الشرائح التالية. يستخدم SAM2CT نظامًا يسمى "الذاكرة المشروطة بالذاكرة" (Memory-Conditioned Memory). إنه يشبه بقاء الطباخ محتفظًا بملاحظة ذهنية للشكل الذي رآه للتو، بحيث عندما ينتقل إلى الشريحة التالية، يتذكر: "أوه، الديك الرومي يصبح أعرض هنا"، مما يضمن بقاء الشكل ثلاثي الأبعاد سلسًا ودقيقًا.
ماذا حدث عندما جربوا ذلك؟
اختبر الباحثون هذا الطباخ الآلي الجديد بطريقتين:
- في الاختبارات القياسية: قاموا بتغذيته بمجموعات بيانات معروفة حيث كانت الأشكال ثلاثية الأبعاد "الصحيحة" معلومة مسبقًا. كان SAM2CT هو الأفضل في اللعبة، حيث تفوق على نماذج الذكاء الاصطناعي الأخرى. لقد أصاب الأشكال بدقة حوالي 65% من المرات باستخدام الأسهم و76% من المرات باستخدام الخطوط.
- على بيانات مستشفى حقيقية: دخلوا إلى مستودع رقمي لمستشفى حقيقي وأخذوا 60 مسحة مقطعية قديمة حيث رسم أطباء الأشعة أسهمًا وخطوطًا. وتركوا SAM2CT يحول تلك الرسومات إلى أقنعة ثلاثية الأبعاد.
- النتيجة: في 87% من الحالات، قال أطباء الأشعة: "هذا جيد بما يكفي للاستخدام"، أو "يحتاج فقط إلى تعديل طفيف". 13% فقط احتاجوا إلى عملية إصلاح شاملة.
- مفاجأة غرفة الطوارئ: اختبروه أيضًا على مسحات غرفة الطوارئ (التي لم يسبق للنموذج رؤيتها من قبل). لقد قام بعمل جيد بشكل مفاجئ في العثور على أشياء مثل حصوات المرارة والأكياس، رغم أنه لم يتم تدريبه عليها خصيصًا.
لماذا هذا مهم؟
تدعي الورقة البحثية أن هذه الطريقة هي "نهج واعد وقابل للتوسع". وهذا يعني أن المستشفيات يمكنها الآن أخذ آلاف الصور المقطعية الموجودة في أرشيفاتها، مع كل تلك الأسهم والخطوط الصغيرة التي رسمها أطباء الأشعة بالفعل، وتحويلها تلقائيًا إلى مكتبة ضخمة من بيانات التدريب ثلاثية الأبعاد.
الخلاصة
بدلاً من دفع أطباء الأشعة لقضاء ساعات في تتبع الأشكال ثلاثية الأبعاد يدويًا، يمكن لهذا الذكاء الاصطناعي الجديد النظر إلى الملاحظات والقياسات السريعة التي وضعوها بالفعل، وبناء النموذج ثلاثي الأبعاد لهم فورًا. إنه يحول البيانات "المهدرة" (الملاحظات القديمة) إلى ذهب قيم (مجموعات تدريب ثلاثية الأبعاد)، مما يوفر الوقت والمال ويساعد في بناء ذكاء اصطناك طبي أفضل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.