💻 computer science

MeFEm: Medical Face Embedding model

تقدم الورقة البحثية MeFEm، وهو نموذج رؤية معدل يعتمد على تقنية JEPA، يستفيد من قناع الأشرطة المحورية، وتوزين الخسارة الدائري، وإعادة تعيين رمز CLS الاحتمالي لتحقيق أداء رائد في القياسات الحيوية للوجه الطبية وتقدير مؤشر كتلة الجسم باستخدام بيانات تدريب أقل بكثير من النماذج المرجعية الحالية.

المؤلفون الأصليون: Yury Borets, Stepan Botman

نُشر 2026-02-17

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Yury Borets, Stepan Botman

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 لديك طالباً فائق الذكاء، لم يسبق له رؤية كتاب طبي، ولم يأخذ حصة بيولوجيا واحدة، ولم يزر طبيباً من قبل. ومع ذلك، فقد قضى هذا الطالب سنوات في التحديق في ملايين الصور لوجوه البشر من الإنترنت.

الآن، تخيل أنك سألت هذا الطالب: "بناءً على هذا الوجه، هل يمكنك تخمين عمر الشخص، أو جنسه، أو حتى مؤشر كتلة الجسم (BMI) الخاص به؟"

من المثير للدهشة أن هذا الطالب يصيب في إجاباته أكثر من الخبراء الذين درسوا الطب بالفعل. هذه هي قصة MeFEm (نموذج تضمين الوجه الطبي)، وهي أداة ذكاء اصطناعي جديدة وُصفت في الورقة البحثية التي شاركتها.

إليك تفصيل لكيفية عملها، باستخدام تشبيهات بسيية.

1. المشكلة: "نقص البيانات الطبية"

في عالم الذكاء الاصطناعي، لكي تُعلم الكمبيوتر القيام بشيء ما، فأنت تحتاج عادةً إلى مكتبة ضخمة من الأمثلة.

المشكلة: بالنسبة للمهام العامة (مثل التعرف على قطة أو سيارة)، لدينا مليارات الصور على الإنترنت. ولكن بالنسبة للمهام الطبية (مثل التنبؤ بأمراض القلب من خلال الوجه)، ليس لدينا بيانات تقريباً. لماذا؟ لأن سجلات المرضى خاصة، وتصنيفها يتطلب أطباء مكلفين.
الطريقة القديمة: حاولت نماذج الذكاء الاصطناعي السابقة التعلم عن طريق قراءة الأوصاف النصية (مثل "شخص مريض") المرفقة بالصور. لكن الإنترنت مليء بالأوصاف الغامضة مثل "وجه سعيد"، وليس "ضغط دم مرتفع قليلاً". هذا جعل الذكاء الاصطناعي مرتبكاً.

2. الحل: "المراقب الصامت"

قرر مبتكرو MeFEm تجاوز النص تماماً. لقد بنوا نموذجاً يتعلم فقط من خلال النظر إلى الوجوه، دون أي كلمات مرفقة.

فكر في الأمر كالتالي: إذا شاهدت آلاف الساعات من الناس وهم يتحدثون، فستتعلم في النهاية قراءة الشفاه ولغة الجسد دون أن يخبرك أحد بما يقولونه. MeFem يفعل هذا مع الوجوه. إنه يتعلم "هندسة" الوجه — المسافة بين العينين، شكل الفك، ملمس الجلد — ويكتشف أن هذه التفاصيل الصغيرة هي أدلة على صحة الشخص.

3. السر الخلطة: ثلاث حيل خاصة

توضح الورقة البحثية أنهم لم يستخدموا مجرد نموذج ذكاء اصطناعي قياسي؛ بل منحوه ثلاث "قوى خارقة" محددة لجعله أفضل في قراءة الوجوه:

أ. قناع "تسليط الضوء" (Axial Stripe Masking)

المشكلة: نماذج الذكاء الاصطناعي القياسية غالباً ما تتشتت بالخلفية. إذا عرضت على النموذج وجهاً في حديقة، فقد يحاول تعلم أشياء عن الأشجار أو السماء بدلاً من الأنف.
الحل: تخيل أنك تذاكر لاختبار، لكن المعلم يضع ورقة فوق النصف السفلي من الصفحة، مما يجبرك على التركيز فقط على النصف العلوي. ثم يحرك الورقة إلى اليسار، ثم إلى اليمين.
حيلة MeFEm: يستخدمون قناع "شريطي" يغطي أجزاء من الصورة بطريقة محددة. هذا يجبر الذكاء الاصطناعي على التركيز على مركز الصورة (حيث يوجد الوجه) وتجاهل الحواف (حيث توجد الخلفية). الأمر يشبه وضع تسليط ضوء على الوجه وإخبار الذكاء الاصطناعي: "انظر هنا فقط".

ب. "الدرجة الموزونة" (Circular Loss)

المشكلة: حتى مع تسليط الضوء، لا يزال الذكاء الاصطناعي يرى حواف الصورة. إذا أخطأ الذكاء الاصطناعي في سؤال حول الخلفية، فلا ينبغي معاقبته بنفس شدة الخطأ في سؤال حول العينين.
الحل: تخيل معلماً يصحح اختباراً. إذا أخطأت في السؤال الرئيسي، تخسر 10 نقاط. إذا أخطأت في رسمة صغيرة غير ذات صلة في الزاوية، تخسر نقطة واحدة فقط.
حيلة MeFEm: أعطوا الذكاء الاصطناعي "وزناً دائرياً". مركز الوجه (الأنف، العينين، الفم) يمثل 100% من الدرجة. الحواف تمثل القليل جداً. هذا يعلم الذكاء الاصطناعي الاهتمام بعمق بالوجه وتجاهل ضجيج الخلفية.

ج. "المذكرة الملخصة" (Probabilistic CLS Token)

المشكلة: تقوم نماذج الذكاء الاصطناعي عادةً بتقسيم الصورة إلى قطع صغيرة (patches). إنها بارعة في رؤية التفاصيل، لكنها أحياناً تنسى "الصورة الكبيرة".
الحل: تخيل طالباً يدون ملاحظات. هو يكتب كل تفصيل (القطع)، ولكنه يكتب أيضاً ملخصاً من جملة واحدة في الأعلى (الـ CLS token).
حيلة MeFEm: جعلوا الذكاء الاصطناعي يتدرب على كتابة تلك "المذكرة الملخصة" بشكل عشوائي. أحياناً يكون الملخص مبنياً على الجانب الأيسر من الوجه، وأحياناً على الجانب الأيمن. هذا يجبر الذكاء الاصطناعي على إنشاء ملخص مثالي وشامل للوجه بأكه، وهو أمر بالغ الأهمية لإجراء التخمينات الطبية السريعة لاحقاً.

4. النتائج: أكثر ذكاءً ببيانات أقل

اختبرت الورقة البحثية MeFEm مقابل نماذج شهيرة أخرى (مثل FaRL و Franca).

المفاجأة: استخدم MeFEm بيانات أقل بكثير من النماذج الأخرى (حوالي 6 ملايين صورة مقابل 15 مليون أو أكثر)، ومع ذلك كان أداؤه أفضل.
الاختبار الطبي: طلبوا من MeFEm تخمين مؤشر كتلة الجسم (BMI) لشخص ما من مجرد صورة. لقد قام بعمل أفضل من الخبراء.
الحدود: حاولوا أيضاً تخمين ضغط الدم والكوليسترول. حقق الذكاء الاصطناعي نتائج "جيدة" في بعض الأشياء، لكنه فشل في أخرى. يعترف المؤلفون: "لا يمكنك رؤية ضغط الدم في صورة بشكل مثالي". لكن حقيقة أنه وجد أي صلة بين الوجه وكيمياء الدم هي خطوة كبيرة للأمام.

الخلاصة الكبرى

MeFEm يشبه المحقق الذي تعلم حل الجرائم من خلال دراسة ملايين صور المجرمين، بدلاً من قراءة التقارير الشرطية. من خلال التركيز بدلاً من ذلك على التفاصيل البصرية للوجه وتجاهل "الضجيج" الناتج عن الخلفية أو النص، تعلم رصد علامات صحية دقيقة فاتت النماذج الأخرى.

لماذا يهم هذا؟
هذا يعني أنه قد تتوفر لدينا قريباً أدوات ذكاء اصطناعي يمكنها فحص المشكلات الصحية بمجرد النظر إلى صورة، حتى في الأماكن التي لا تتوفر فيها أطباء أو اختبارات معملية باهظة الثمن. إنه يحول مجرد صورة شخصية (selfie) إلى فحص صحي محتمل.

1. بيان المشكلة

تعالج الورقة البحثية ندرة البيانات الطبية عالية الجودة والمصنفة، والمطلوبة لتدريب النماذج الرؤيوية التأسيسية لتطبيقات الرعاية الصحية. وبينما نجح التعلم الخاضع للإشراف الذاتي (SSL) واسع النطاق في مجالات الرؤية واللغة العامة، فإن تطبيق هذه النماذج على مهام طبية متخصصة (مثل التنبؤ بمؤشر كتلة الجسم أو العلامات الفسيولوجية من الوجوه) يعوقه ما يلي:

ندرة البيانات: غالبًا ما تكون مجموعات البيانات الطبية صغيرة، أو مملوكة لجهات خاصة، أو تفتقر إلى الحجم اللازم لتدريب النماذج الضخمة.
التحيز النطاقي (Domain Bias): غالبًا ما تفشل النماذج العامة المصممة للأغراض العامة والمدرّبة على بيانات الإنترنت واسعة النطاق في التعميم على مهام طبية أو بيومترية محددة بسبب افتقارها إلى الميزات شبه الدلالية (sub-semantic) دقيقة التفاصيل.
تكاليف التصنيف: يتطلب التصنيف الطبي الدقيق اختبارات مخبرية مكلفة وتوسيمًا من قبل خبراء.

يقترح المؤلفون حلاً يستفيد من التعلم الخاضع للإشراف الذاتي (SSL) على مجموعات بيانات وجوه غير طبية واسعة النطاق لتعلم تمثيلات قوية يمكن نقلها إلى المهام الطبية والبيومترية بأقل قدر من البيانات المصنفة.

2. المنهجية

جوهر العمل هو MeFEm، وهو نموذج رؤي يعتمد على بنية Joint Embedding Predictive Architecture (JEPA) معدلة. يستخدم المؤلفون هيكل Vision Transformer (ViT) كعمود فقري، لكنهم يقدمون عدة تعديلات معمارية وتدريبية حاسمة لتحسين الأداء مع بيانات الوجوه.

أ. معالجة البيانات والاستراتيجية

توحيد المدخلات: على عكس نماذج ViT القياسية التي تعاني مع مجالات الاستقبال الثابتة، يفرض المؤلفون محاذاة مكانية متسقة. يستخدمون Blazeface للكشف، ثم يقومون بقص منطقة مربعة ضعف حجم صندوق الإحاطة المكتشف. هذا يحافظ على السياق المحيط (الجبهة، الأذنين، الرقبة) مع ضمان محاذاة المعالم التشريحية باستمرار مع شبكة الرقع (patch grid) الخاصة بالنموذج.
بيانات التدريب: يتم تدريب النموذج على مجموعة بيانات موحدة تضم حوالي 6.4 مليون صورة من ثلاثة مصادر:
- FaceCaption-15M: مجموعة فرعية منقحة من الوجوه المستخرجة من الويب.
- AVSpeech: إطارات مستخرجة من مقاطع فيديو لضمان التباين في ظروف "الواقع الحر" (in-the-wild).
- SFHQ: وجوه اصطناعية عالية الجودة (1024x1024) لضمان التنوع في العمر والعرق.
- ملاحظة: مجموعة التدريب الإجمالية أصغر بكثير من المنافسين مثل FaRL أو Franca، مما يؤكد التركيز على الكفاءة بدلاً من الحجم.

ب. التعديلات المعمارية الرئيسية

يقدم المؤلفون ثلاثة تعديلات محددة على إطار عمل JEPA القياسي:

القناع الشريطي المحوري (Axial Stripe Masking):
- المشكلة: يستخدم JEPA القياسي القناع متعدد الكتل (مستطيلات عشوائية)، مما يخلق تحيزًا موضعيًا حيث تكون الرقع الطرفية (الخلفية) أكثر عرضة لأن تكون في مجموعة "المصدر" (المرئية)، بينما غالبًا ما يتم حجب الرقع المركزية (الوجه). وهذا أمر غير مثالي للوجوه حيث يكون المركز ذا أهمية دلالية قصوى.
- الحل: بدلاً من الكتل العشوائية، يستخدم النموذج شرائط محورية (شرائط أفقية أو رأسية كاملة) كقناع للمصدر. يتم أخذ عينة من موقع الشريط من توزيع غاوسي (Gaussian distribution) ممركز حول الصورة. يضمن ذلك أن يحتوي سياق المصدر دائمًا على ميزات الوجه المركزية، مما يجبر النموذج على التعلم من المناطق الأكثر صلة.
تعيين رمز [CLS] الاحتمالي:
- المشكلة: غالبًا ما يتم تعطيل رمز [CLS] في JEFA القياسي. ومع ذلك، فإن الرمز العالمي مفيد لعمليات الاختبار الخطي (linear probing).
- الحل: يتم تعيين رمز [CLS] احتماليًا إما لمجموعة المصدر ( $S$ ) أو لمجموعة الهدف ( $T$ ) أثناء التدريب (عبر أخذ عينات برنولي بنسبة $P=0.5$ ). يسمح هذا للرمز بتعلم تمثيل عالمي ذي معنى دون المساس بالتعلم التفصيلي لتمثيلات الرقع (patch embeddings).
وزن الخسارة الدائري (Circular Loss Weighting):
- المشكلة: تساهم رقع الخلفية (الأطراف) بالضجيج في خسارة إعادة البناء.
- الحل: يتم وزن دالة الخسارة بناءً على مسافة الرقعة من مركز الصورة. تقوم دالة سيجمويد (sigmoid) بتعيين أوزان أعلى للرقع المركزية وأوزان أقل للرقع الطرفية. هذا يجبر النموذج على إعطاء الأولوية لإعادة بناء الوجه فوق الخلفية.

3. المساهمات الرئيسية

نموذج MeFEm: مشفر متخصص يعتمد على JEPA يتفوق على النماذج العامة ونماذج الوجوه المتخصصة رغم استخدامه لبيانات تدريب أقل بكثير.
استراتيجية القناع المبتكرة: تقديم القناع الشريطي المحوري المصمم خصيصًا للبيانات المهيكلة والمتمركزة (الوجوه)، مما يحل مشكلة التحيز الدلالي للقناع العشوائي القياسي.
مجموعة بيانات مؤشر كتلة الجسم (BMI) الموحدة: إنشاء مجموعة بيانات جديدة مغلقة المصدر لتقدير مؤشر كتلة الجسم، تجمع بين ثلاثة مصادر (FIW-BMI و MCD-rPPG ومجموعة منسقة مخصصة) لمعالجة التحيز النطاقي والتجزئة في البيانات الموجودة.
الكفاءة: إثبات أن التخصص المعماري (القناع، وزن الخسارة) يحقق نتائج أفضل من مجرد زيادة حجم البيانات أو عدد المعلمات.

4. النتائج

تم تقييم النموذج في مهام الأنثروبومتري (العمر، الجنس، العرق) وتقدير المعلمات الطبية (BMI، المؤشرات الحيوية للدم).

المهام الأنثروبومترية (CelebA & FairFace):
- حقق MeFEm أعلى دقة عبر جميع النماذج المرجعية (FaRL, Franca, Buffalo).
- بشكل ملحوظ، حقق تكوين اختبار رمز CLS فقط أداءً يقارب أداء مجمع الانتباه القائم على الرقع الكاملة، مما يؤكد فعالية التعيين الاحتمالي لرمز CLS.
- مثال: في تقدير مؤشر كتلة الجسم ( $R^2$ )، حقق MeFEm (الرقع/Patches) قيمة 0.506، متفوقًا على Franca (0.425) و FaRL (0.380).
التنبؤ بالمعلمات الطبية (MCD-rPPG):
- تم اختبار النموذج للتنبؤ بالعلامات الفسيولوجية من إطار فيديو واحد.
- النجاح: أظهر قدرة تنبؤية ذات معنى للهيموجلوبين السكري وتشبع الأكسجين.
- القصور: فشل في التنبؤ بالكوليسترول وضغط الدم الانبساطي، وهو أمر متوقع لأن هذه المعلمات تتطلب أكثر من مجرد إطار ثابت واحد.
- الأهمية: تشير النتائج إلى أن النموذج يتعلم علامات ظاهرة (phenotypic) دقيقة مرتبطة بالحالات الفسيولوجية، حتى بدون وجود تسميات طبية مباشرة أثناء التدريب المسبق.
دراسات الاستئصال (Ablation Studies):
- الشرائط المحورية: تفوقت على استراتيجيات القناع متعدد الكتل والتقسيم الرباعي.
- عرض الشريط: وُجد أن عرض 3 رقع هو الأمثل؛ حيث أدت الانحرافات عنه إلى تدهور الأداء.
- وزن الخسارة: أدى إزالة وزن الخسارة الدائري إلى انخفاض حاد في أداء رمز CLS، مما أكد ضرورة التركيز على الميزات المركزية.

5. الأهمية

تحول في النموذج الفكري: تجادل الورقة بأن التعلم الخاضع للإشراف الذاتي البصري الصرف يتفوق على نماذج التباين بين الصور والنصوص (مثل CLIP/FaRL) بالنسبة للمجالات المتخصصة مثل تحليل الوجه الطبي؛ حيث تفتقر التسميات النصية في مجموعات البيانات واسعة النطاق إلى الدقة اللازمة لوصف الإشارات الفسيولوجية الدقيقة، بينما يجبر التنبؤ البصري الصرف النموذج على تعلم هذه الميزات الدقيقة مباشرة.
كفاءة الموارد: يثبت MeFEm أنه يمكن تحقيق تمثيلات طبية عالية الأداء باستخدام 6 ملايين صورة فقط، وهو جزء ضئيل من البيانات المستخدمة في النماذج التأسيسية العامة، مما يجعل الأمر أكثر جدوى للمجموعات البحثية ذات الوصول المحدود إلى الحوسبة الضخمة أو البيانات الضخمة.
خط أساس للأعمال المستقبلية: من خلال إصدار الأوزان ومجموعة بيانات مؤشر كتلة الجسم الموحدة، يوفر المؤلفون خط أساس قوي وقابل للتكرار للأبحاث المستقبلية في القياسات الحيوية الطبية والتحليل الظاهري.

باختصار، يوضح MeFEm أنه من خلال تخصيص هدف التعلم الخاضع للإشراف الذاتي (القناع، وزن الخسارة، تعيين الرمز) ليتناسب مع هندسة ودلالات بيانات الوجه، يمكن بناء أدوات تشخيصية طبية عالية الفعالية دون الاعتماد على مجموعات بيانات طبية ضخمة ومصنفة.