🤖 AI

Automated Prediction of Paravalvular Regurgitation before Transcatheter Aortic Valve Implantation

تُظهر هذه الدراسة أن الشبكات العصبية التلافيفية ثلاثية الأبعاد المدربة على فحوصات التصوير المقطعي المحوسب للقلب قبل الجراحة يمكنها التنبؤ بفعالية بالارتجاع حول الصمام لدى المرضى الذين يخضعون لعملية زرع الصمام الأبهري عبر القسطرة، مما يوفر أداة جديدة للتقييم الشخصي للمخاطر وتحسين الإجراءات الجراحية.

المؤلفون الأصليون: Michele Cannito, Riccardo Renzulli, Adson Duarte, Farzad Nikfam, Carlo Alberto Barbano, Enrico Chiesa, Francesco Bruno, Federico Giacobbe, Wojciech Wanha, Arturo Giordano, Marco Grangetto, Fabrizio D'

نُشر 2026-02-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Michele Cannito, Riccardo Renzulli, Adson Duarte, Farzad Nikfam, Carlo Alberto Barbano, Enrico Chiesa, Francesco Bruno, Federico Giacobbe, Wojciech Wanha, Arturo Giordano, Marco Grangetto, Fabrizio D'Ascenzo

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 أن قلبك عبارة عن منزل، وأن الصمام الأبهري هو الباب الأمامي. في كثير من كبار السن، يصبح هذا الباب متصلبًا وصدئًا (وهي حالة تسمى تضيق الصمام الأبهري)، مما يجعل تدفق الدم من خلاله صعبًا. ولإصلاح ذلك، يقوم الأطباء بإجراء يسمى TAVI، حيث يقومون بتمرير باب جديد عالي التقنية إلى مكانه عبر أنبوب صغير، لتجنب الحاجة إلى جراحة القلب المفتوح.

ومع ذلك، هناك عقبة. فأحيانًا، لا يغلق الباب الجديد بإحكام ضد الإطار القديم. يتسرب القليل من الهواء (أو في هذه الحالة، الدم) حول الحواف. يسمى هذا الارتجاع حول الصمام (PVR). وحتى التسريب الصغير يمكن أن يكون خطيرًا بمرور الوقت، مثل قطرة بطيئة تؤدي في النهاية إلى إغراق القبو.

المشكلة:
في الوقت الحالي، يحاول الأطباء التنبؤ بما إذا كان "باب" المريض سيسرب أم لا من خلال النظر إلى صور الأشعة المقطعية ثلاثية الأبعاد (مثل الأشعة السينية فائقة التفصيل) وأخذ قياسات يدوية. الأمر يشبه محاولة تخمين ما إذا كان باب مصنوع خصيصًا سيتناسب مع فتحة الباب بمجرد قياس عرض الفتحة باستخدام مسطرة. قد تغفل عن النتوءات الدقيقة، أو الزوايا الغريبة، أو مشاكل الملمس التي قد تسبب التسرب لاحقًا.

الحل (هذه الورقة البحثية):
تساءل الباحثون: "هل يمكننا تعليم الكمبيوتر أن ينظر إلى المسح ثلاثي الأبعاد و'يشعر' بالأنماط الدقيقة التي قد تفوت البشر؟"

لقد بنوا محققًا يعمل بالذكاء الاصطناعي (نموذج تعلم عميق) للنظر في صور الأشعة المقطعية قبل الجراحة والتنبؤ بـ: "هل سيكون لدى هذا المريض باب يسرب بعد الجراحة؟"

كيف علموا الذكاء الاصطناعي (التشبيه)

بيانات التدريب: قاموا بتغذية الذكاء الاصطناعي بمسحات لـ 249 مريضًا. بعضهم كان لديهم تسريبات، والبعض الآخر لم يكن.
"العيون" (3D CNN): بدلاً من النظر إلى صور مسطحة، نظر الذكاء الاصطناعي إلى الحجم ثلاثي الأبعاد الكامل للقلب، مثل تدوير منحوتة بين يديك لرؤية كل زاوية.
"المعلم" (التدريب المسبق):
- المعاناة: لم يكن لدى الذكاء الاصطناعي أمثلة كافية للتعلم بمفرده.
- الطريق المختصر: جربوا طريقتين للتدريس:
  - الطريقة أ (العام): علموا الذكاء الاصطناعي باستخدام مجموعة من مسحات الصدر العشوائية من الإنترنت (مجموعة بيانات COCA). كان الأمر مثل تعليم طالب باستخدام كتاب مدرسي من بلد آخر؛ اللغة متشابهة، لكن التفاصيل مختلفة. لم يتعلم الذكاء الاصطناعي الكثير.
  - الطريقة ب (المتخصص): علموا الذكاء الاصطناعي على مسحات من مستشفى خاص بهم، مع التركيز تحديدًا على ترسبات الكالسيوم في القلب (وهي مهمة مشابهة جدًا لما يحتاجونه). كان هذا مثل توظيف نجار ماهر لتعليم الطالب. لقد تعلم الذكاء الاصطناعي "عروق الخشب" (التشريح) بشكل أفضل بكثير.
النتيجة: أصبح الذكاء الاصطناعي الذي تدرب بواسطة "المتخصص" (الطريقة ب) هو الأفضل في التنبؤ، حيث حقق دقة تقارب 72%. وهذا تحسن هائل مقارنة بالتخمين، خاصة وأن المهمة صعبة للغاية.

ماذا رأى الذكاء الاصطناعي بالفعل؟

استخدم الباحثون أداة خاصة تسمى Grad-CAM لرؤية أين كان ينظر الذكاء الاصطناعي. إنه يشبه وضع خريطة حرارية على المسح لإظهار "النقاط الساخنة" للذكاء الاصطناعي.

النتيجة: لم يكن الذكاء الاصطناعي ينظر فقط إلى إطار الباب. بل لاحظ أنسجة وأشكالًا دقيقة ومعقدة في العظام والأنسجة المحيطة التي غالبًا ما يتجاهلها البشر. لقد وجد أدلة تقول: "مهلاً، هذا الملمس المتعرج المحدد هنا يعني عادةً أن الباب لن يغلق بإحكام".

تجربة "التقريب" (Zoom In)

حاولوا أيضًا إجراء تجربة غريبة: قاموا بقص كل شيء في المسح باستثناء القلب والأبهر (الباب وإطاره)، وتخلصوا من بقية الصدر.

النتيجة: في الواقع، أصبح الذكاء الاصطناعي أقل دقة قليلاً، لكن إجاباته كانت أكثر اتساقًا.
الدرس المستفاد: اتضح أن الذكاء الاصطناعي يحتاج إلى رؤية "الغرفة بأكملها" (السياق الكامل للصدر) لاتخاذ أفضل تخمين، حتى لو كان ينظر إلى "الباب". إزالة الخلفية أربكته قليلاً.

لماذا يهم هذا الأمر؟

هذا يمثل تحولًا جذريًا في الطب الشخصي.

قبلًا: كان الأطباء يخمنون بناءً على القياسات القياسية.
بعدًا: يمكن للذكاء الاصطناعي النظر إلى مسحك ثلاثي الأبعاد الخاص وقول: "بناءً على الأنماط الدقيقة في تشريحك، لديك خطر عالٍ لحدوث تسرب".
الفائدة: إذا تنبأ الذكاء الاصطناعي بوجود تسرب، يمكن للجراح اختيار نوع مختلف من الصمامات، أو تعديل الحجم، أو التخطيط لتقنية محددة لمنع التسرب قبل أن يبدأ الجراحة حتى.

باختًا: تُظهر هذه الورقة البحثية أن الذكاء الاصطناعي يمكن أن يعمل كمساعد فائق القدرة، حيث يرصد الأدلة الصغيرة غير المرئية في مسح القلب التي تخبرنا ما إذا كان الصمام الجديد سيتناسب تمامًا أم سيسرب، مما يساعد الأطباء على التخطيط لعمليات جراحية أفضل للمرضى كبار السن.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "التنبؤ الآلي بالارتجاع حول الصمام قبل عملية استبدال الصمام الأبهري عبر القسطرة (TAVI)."

1. بيان المشكلة

السياق السريري: يُعد استبدال الصمام الأبهري عبر القسطرة (TAVI) علاجًا قياسيًا لتضيق الصمام الأبهري الشديد. ومع ذلك، يظل الارتجاع حول الصمام (PVR) مضاعفة شائعة وخطيرة بعد الإجراء، مما يؤثر بشكل كبير على بقاء المريض على قيد الحياة على المدى الطويل.
التحدي: يصعب التنبؤ بالارتجاع حول الصمام (PVR) قبل الجراحة لأنه يعتمد على تفاعل معقد بين العوامل التشريحية (هندسة الحلقة، وتوزيع التكلس) والمتغيرات الإجرائية. تعتمد سير العمل الحالية على القياسات اليدوية للأشعة المقطعية، والتي غالبًا ما تفشل في التقاط الأنماط المكانية والنسيجية ثلاثية الأبعاد الدقيقة المرتبطة بخطر الارتجاع.
الهدف: يقترح المؤلفون إطار عمل للتعلم العميق ثلاثي الأبعاد (3D Deep Learning) للتنبؤ التلقائي بحدوث الارتجاع حول الصمام مباشرة من أحجام الأشعة المقطعية للقلب قبل العملية، بهدف تمكين التقييم الشخصي للمخاطر وتحسين الإجراء الجراحي.

2. المنهجية

مجموعة البيانات (Dataset)

المصدر: 249 مريضًا خضعوا لعملية TAVI في مستشفى A.O.U. Città della Salute e della Scienza di Torino.
التصوير: تصوير مقطعي محوسب وعائي (CT angiography) قبل العملية مع مرحلة زمنية محددة (تم اختيار المرحلة القلبية الأولى).
الدقة: أُعيد بناء الصور بدقة $512 \times 512$ بكسل مع إعادة أخذ عينات متساوية الخواص (isotropic resampling) إلى $0.625 \text{ mm}^3$ لكل فوكسل (voxel).
توزيع الفئات:
- سالب (لا يوجد PVR): 174 مريضًا.
- موجب (PVR طفيف إلى شديد): 75 مريضًا.
- التقسيم: تقسيم طبقي إلى 199 مريضًا للتدريب و50 مريضًا للاختبار.

خط معالجة البيانات (Preprocessing Pipeline)

التطبيع (Normalization): تم قص شدة الفوكسل إلى $[-1000, 2000]$ وحدة هونسفيلد (HU) للحفاظ على الأنسجة ذات الصلة مع إزالة الشوائب (artifacts).
تغيير الحجم: أُعيد تغيير حجم جميع الأحجام إلى شبكة ثابتة قدرها $256 \times 256 \times 256$ .
التعزيز (Augmentation): تم تطبيق دورات ثلاثية الأبعاد عشوائية ( $10^\circ$ – $20^\circ$ ) على مجموعة التدريب فقط.
التركيز التشريحي: أجرى الباحثون تجربة ثانوية لقص الأحجام بناءً على عمليات تقسيم تلقائية للقلب والأبهر (باستخدام TotalSegmentator) لاختبار ما إذا كان تقييد مجال الرؤية يحسن الأداء.

بنيات النماذج (Model Architectures)

قيمت الدراسة أربعة تكوينات باستخدام إطار عمل MONI:

النماذج المرجعية (التدريب من الصفر):
- 3D DenseNet121
- 3D ResNet50
التعلم بنقل المعرفة (Pretrained Models):
- التدريب المسبق الداخلي: تم البدء بالتدريب على مجموعة بيانات مكونة من 491 صورة أشعة سينية للصدر وأشعة مقطعية لـ تقييم تكلس الشرايين التاجية (تخصصي في المجال، ذو اتساق تشريحي عالٍ).
- التدريب المسبه الخارجي: تم البدء بالتدريب على مجموعة بيانات COCA (213 صورة أشعة مقطعية للصدر غير محددة زمنياً) لتقييم التكلس (أكثر تباينًا، ودقة أقل).

التدريب والتقييم

دوال الخسارة (Loss Functions): تقاطع الإنتروبي الثنائي (BCE) وفقدان التركيز (Focal Loss) (لمعالجة عدم توازن الفئات).
المحسن (Optimizer): AdamW بمعدل تعلم قدره $1 \times 10^{-4}$ .
المقاييس: كان الدقة المتوازنة (Balanced Accuracy - BA) هو المقياس الأساسي لضمان التقييم العادل رغم عدم توازن الفئات.
القابلية للتفسير: تم استخدام 3D Grad-CAM لتصور المناطق التشريحية التي ساهمت أكثر في التنبؤات.

3. النتائج الرئيسية

أفضل أداء: حقق نموذج 3D DenseNet121 المدرب مسبقًا على مجموعة بيانات تقييم تكلس الشرايين التاجية الداخلية أعلى أداء (71.7% BA).
تأثير التدريب المسبق: تفوق التدريب المسبق المتخصص في المجال (البيانات الداخلية) بشكل كبير على التدريب من الصفر أو التدريب المسبق على مجموعة بيانات COCA غير المتجانسة.
تأثير التقسيم (Segmentation): أدى قص المدخلات لتقتصر على مناطق القلب/الأبهر إلى تقليل الدقة قليلاً ( $69.9\%$ ) ولكنه قلل بشكل كبير من التباين (الاستقرار)، مما يشير إلى أن السياق التشريحي المحيط يوفر إشارات فرعية قيمة.
دالة الخسارة: كان فقدان التركيز (Focal Loss) ( $\gamma=2, \alpha=0.75$ ) حاسمًا للتعامل مع عدم توازن مجموعة البيانات.

4. المساهمات الرئيسية

تطبيق جديد: تعد واحدة من أوائل الدراسات التي استخدمت الشبكات العصبية التلافيفية ثلاثية الأبعاد (3D CNNs) على صور الأشعة المقطعية قبل العملية للتنبؤ بـ PVR تحديدًا، بدلاً من مجرد التقييم بعد الإجراء أو التحديد الكمي للتشريح.
استراتيجية التدريب المسبق المتخصص في المجال: أثبتت أن التدريب المسبق على مهمة ذات صلة ومتخصصة (تقييم تكلس الشرايين التاجية على صور مقطعية مماثلة) يعزز الأداء بشكل كبير مقارنة بمجموعات البيانات العامة أو غير المتجانسة.
قابلية التنفيذ من البداية للنهاية: أثبتت أن التعلم العميق يمكنه استخراج مؤشرات حيوية شكلية ونسيجية دقيقة من أحجام الأشعة المقطعية الخام يصعب التقاطها عبر القياس اليدوي.
القابلية للتفسير: تم التحقق من ذلك عبر 3D Grad-CAM بأن النماذج تركز على المناطق ذات الصلة تشريحيًا، مما يزيد من الثقة السريرية.

5. الأهمية والخاتمة

الأثر السريري: يقدم هذا العمل مسارًا لـ التقييم الشخصي للمخاطر قبل عملية TAVI. ومن خلال تحديد المرضى المعرضين لمخاطر عالية قبل العملية، يمكن للأطباء تحسين اختيار الصمام والتخطيط للإجراء للحد من الارتجاع حول الصمام (PVR).
الرؤية التقنية: تسلط الدراسة الضوء على أن السياق مهم. فبينما يؤدي التركيز على أعضاء محددة (التقسيم) إلى استقرار النموذج، فإن الاحتفاظ بالسياق التشريحي الكامل (حجم الأشعة المقطعية الكامل) يعطي دقة أعلى، ويرجع ذلك على الأرجح إلى أن الهياكل المحيطة توفر إشارات غير مباشرة حول الصحة الوعائية العامة للمريض وأنماط التكلس.
الاتجاهات المستقبلية: يخطط المؤلفون لتوسيع مجموعة البيانات، ودمج البيانات السريرية متعددة الوسائط، واستكشاف آليات التوجيه بالانتباه (attention-guided mechanisms) لمزيد من تحسين المتانة والقابلية للتفسير.

توافر الكود المصدري: الكود متاح علنًا على https://github.com/EIDOSLAB/tavi.