Experience-Guided Self-Adaptive Cascaded Agents for Breast Cancer Screening and Diagnosis with Reduced Biopsy Referrals
تقترح الورقة البحثية BUSD-Agent، وهو إطار عمل متعدد الوكلاء متتالي ذاتي التكيف وموجه بالخبرة لفحص وتشخيص سرطان الثدي بالموجات فوق الصوتية، والذي يستفيد من بنك ذاكرة لمسارات القرارات التاريخية لضبط عتبات التصعيد ديناميكيًا، مما يقلل بشكل كبير من الإحالات غير الضرورية للخزعة ويحسن النوعية دون الحاجة إلى تحديث معلمات النموذج.
المؤلفون الأصليون:Pramit Saha, Mohammad Alsharid, Joshua Strong, J. Alison Noble
تخيل أنك تدير نقطة تفتيش أمنية في مطار مزدحم للغاية وعالي الخطورة مخصصة لصحة الثدي. كل يوم، يمر آلاف الأشخاص (صور الموجات فوق الصوتية) عبر هذه النقطة. الهدف هو القبض على "المهربين" الخطيرين (السرطان) مع السماح للمسافرين الأبرياء (الأورام الحميدة أو الأنسجة الطبيعية) بالمرور دون عناء.
المشكلة: في النظام الحالي، حراس الأمن شديدو الحذر والارتباك. إنهم يوقفون الجميع تقريبًا لإجراء فحص كامل للجسم (خزعة). هذا يسبب طوابير طويلة، وتوترًا هائلًا للمسافرين، ويهدر وقت الوكلاء المتميزين (أطباء الأشعة) الذين ينبغي أن يتعاملوا فقط مع التهديدات الحقيقية.
الحل: BUSD-Agent قام مؤلفو هذه الورقة البحثية ببناء نظام أمني ذكي مكون من مرحلتين يسمى BUSD-Agent. تخيل أنه فريق من نوعين مختلفين من ضباط الأمن يعملون معًا، مسترشدين بـ "سجل ذاكرة" للحالات السابقة.
المرحلة الأولى: ضابط "الفحص السريع" (وكيل الفرز)
من هم: ضابط خفيف وسريع الحركة يستخدم مجموعة من أجهزة كشف المعادال والماسحات الضوئية القياسية (نماذج تصنيف الذكاء الاصطعي).
ماذا يفعلون: ينظرون إلى صورة الموجات فوق الصوتية ويعطون إشارة سريعة بـ "الإبهام للأعلى" أو "للأسفل".
الطريقة القديمة: إذا أصدر الماسح صوتاً حتى لو بشكل طفيف، كان الضابط يرسل المسافر إلى المرحلة التالية لإجراء بحث كامل. تسبب هذا في الكثير من الإنذارات الكاذبة.
الطريقة الجديدة (السحر): هذا الضابط لا يعتمد فقط على الماسح الضوئي. قبل اتخاذ القرار، يفتح سجل الذاكرة.
التشبيه: تخيل أن الضابط رأى مسافراً يرتدي حزاماً غريب الشكل. بدلاً من الذعر، يفتح سجل الذاكرة: "انتظر، لقد رأيت أشخاصاً بحظامات مشابهة الأسبوع الماضي. تبين جميعهم أنها مجرد إكسسوارات موضة غير ضارة. أنا أثق بهذا النمط."
بفضل هذه الذاكرة، يقول الضابط بثقة: "أنت آمن، تفضل بالمرور"، للكثير من الناس الذين كان سيتم إيقافهم سابقاً. هذا يمنع الازدحام المروري.
المرحلة الثانية: فريق "العمليات الخاصة" (الوكيل التشخيصي)
من هم: فريق نخبة مدرب تدريباً عالياً لديهم مجاهر، وأجهزة أشعة إكس، وخرائط تفصيلية (أدوات متقدمة مثل تقسيم الآفات والوصف الإشعاعي).
ماذا يفلون: هم لا يرون إلا الأشخاص الذين لم يتأكد الضابط في مرحلة "الفحص السريع" من حالتهم. يقومون بغوص عميق لتقرير ما إذا كانت الخزعة (عينة من الأنسجة) ضرورية حقاً أم لا.
الطريقة الجديدة: تماماً مثل الضابط الأول، يقوم هذا الفريق أيضاً بفحص سجل الذاكرة. يبحثون عن حالات تشبه الحالة الحالية تماماً.
التشبيه: إذا بدت الحالة الحالية ككتلة "مشبوهة"، يفحص الفريق السجل: "في الماضي، عندما رأينا هذا الشكل والملمس بالضبط، تبين أنه سرطان 9 مرات من أصل 10. لنرسل هذا الشخص لإجراء خزعة."
أو قد يرون نمطاً عادة ما يكون غير ضار، فيقررون تخطي الاختبار الجراحي.
الجزء الأكثر براعة في هذا النظام هو كيف يتعلم دون إعادة تدريب.
الذكاء الاصطناعي القديم: لكي يتعلم، عليك عادةً تغذيته بآلاف الأمثلة الجديدة وإعادة برمجة دماغه (تحديث المعلمات). هذا أمر بطيء ومكلف.
BUSD-Agent: يستخدم التعلم داخل السياق (In-Context Learning). هو لا يغير دماغه؛ بل يغير فقط المواد المرجعية لديه.
في كل مرة يحصل فيها المريض على خزعة وتعود النتيجة (علم الأمراض/Pathology)، تُكتب تلك النتيجة في سجل الذاكرة كـ "مسار قرار".
عندما يصل مريض جديد، يجد النظام فوراً الحالات الأكثر تشابهاً من الماضي في السجل ويقول: "هيا، انظروا كيف تعاملنا مع هؤلاء من قبل. لنفعل الشيء نفسه."
النتائج: لماذا هذا مهم؟
باستخدام هذا النهج "الموجه بالخبرة"، حقق النظام نتائج مذهلة عبر 10 مجموعات بيانات مختلفة:
إنذارات كاذبة أقل: توقف عن إرسال الأبرياء إلى فريق "العمليات الخاصة". انخفض عدد عمليات التصعيد غير الضرورية من 85% إلى 59%.
خزعات أقل: نظرًا لأن عدد الأبرياء الذين تم تصعيدهم قل، انخفض عدد الخزعات غير الضرورية والمؤلمة والمكلفة من 60% إلى 37%.
لا يزال آمناً: والأهم من ذلك، لم يفتهم أي سرطان حقيقي. ظل النظام بارعاً تماماً في كشف التهديدات الحقيقية (الحساسية/Sensitivity) بينما أصبح أفضل بكثير في تجاهل الحالات غير الضارة (النوعية/Specificity).
باختصار
فكر في BUSD-Agent كأنه ممرض فرز ذكي قرأ كل السجلات الطبية في المستشفى. بدلاً من معاملة كل مريض بنفس الطريقة، ينظر إلى المريض الحالي، ويتذكر كيف تم التعامل مع 10 مرضى مشابهين في الماضي، ويتخذ قراراً أذكى وأكثر تخصيصاً. هذا يوفر الوقت، ويقلل التوتر للمرضى، ويضمن استخدام الاختبارات الجراحية المكلفة فقط عندما تكون ضرورية حقاً.
يعد تصوير الثدي بالموجات فوق الصوتية أداة خط أمامية حاسمة لفحص السرطان، لا سيما للنساء اللواتي يعانين من أنسجة ثدي كثيفة. ومع ذلك، تواجه الأنظمة الحالية تحديات كبيرة:
انخفاض النوعية (Specificity): معدلات عالية من الإيجابيات الكاذبة تؤدي إلى تصعيد تشخيصي مفرط.
الخزعات غير الضرورية: حوالي 60% من الإحالات تؤدي إلى نتائج حميدة، مما يسبب قلقاً للمرضى، وضيقاً نفسياً، وأعباءً اقتصادية وتشغيلية كبيرة على أنظمة الرعاية الصحية.
منطق القرار الثابت: تعتمد نماذج الذكاء الاصطناعي التقليدية على عتبات ثابتة ولا تكيّف سياسات اتخاذ القرار الخاصة بها بناءً على النتائج التاريخية أو الخبرة السريرية المتراكمة.
ازدحام سير العمل: يؤدي التصعيد المفرط للحالات منخفضة المخاطر إلى إرهاق أطباء الأشعة، مما يؤخر الرعاية للمرضى المشتبه في إصابتهم حقاً.
يقترح المؤلفون حلاً يقلل من الخزعات غير الضرورية والتصعيد التشخيصي مع الحفاظ على حساسية عالية (اكتشاف السرطانات الفعلية).
2. المنهجية: وكيل BUSD-Agent
يقدم المؤلفون BUSD-Agent، وهو إطار عمل متعدد الوكلاء متسلسل وموجه بالخبرة. يحاكي النظام عملية الفرز السريري عن طريق تقسيم سير العمل إلى مرحلتين واستخدام "بنك ذاكرة" من الحالات السابقة المؤكدة باثولوجياً لتكييف سياسات القرار ديناميكياً دون إعادة تدريب معاملات النموذج.
أ. البنية المتسلسلة (Cascaded Architecture)
يتكون الإطار من وكيلين متميزين:
وكيل عيادة الفحص (المرحلة 1):
الدور: يعمل كمرشح خفيف الوزن لجميع صور الموجات فوق الصوتية الواردة.
الأدوات: يستخدم مجموعة (Ensemble) من 14 نموذج تصنيف مدرب مسبقاً (نماذج CNN وTransformers مثل ConvNeXt وSwin وViT، إلخ).
الآلية: يقوم منسق يعتمد على النماذج اللغوية الكبيرة (LLM) بتجميع التنبؤات عبر التصويت بالأغلبية ودرجات الثقة. يقرر ما إذا كانت الحالة "حميدة/طبيعية" (واضحة) أو "مشتبه بها" (تستدعي التصعيد).
الهدف: تصفية الحالات منخفضة المخاطر لمنع وصولها إلى مرحلة التشخيص.
وكيل عيادة التشخيص (المرحلة 2):
الدور: يجري تحليلاً مفصلاً فقط للحالات التي تم تصعيدها من قبل وكيل الفحص.
الأدوات: يدمج "حديقة أدوات" (Tool Zoo) غنية تشمل:
متنبئات متعددة الملصقات للسمات الإشعائية (BIRADS، الحواف، الشكل، الصدى، التكلس).
نموذج رؤية ولغة (VLM) مضبوط بدقة لإنشاء تقارير إشعائية مهيكلة.
الآلية: ينخرط النموذج اللغوي الكبير في حلقة ReAct (الاستنتاج + الفعل)، حيث يقوم بالتفكير المتكرر بناءً على البيانات المرئية، وخرائط التجزئة، ووصف السمات، لاتخاذ قرار نهائي بشأن الإحالة للخزعة.
ب. التكيف الموجه بالخبرة داخل السياق (In-Context Adaptation)
الابتكار الجوهري هو آلية تكييف السياسة المشروطة بالخبرة، والتي تسمح للوكلاء بـ "التعلم" من الحالات السابقة دون تحديث المعاملات (Fine-tuning).
بنك الذاكرة المرتبط بالخزعة: يخزن مستودع مسارات القرار المهيكلة من الحالات السابقة. تتضمن كل مسارات:
تضمينات الصور (Image Embeddings).
تنبؤات النماذج وناقلات الثقة.
قرارات الوكيل (تصعيد/تصفية، خزعة/لا خزعة).
النتائج النهائية المؤكدة باثولوجياً (الحقيقة الأرضية/Ground Truth).
آلية الاسترجاع: بالنسبة لحالة استعلام جديدة، يسترجع النظام أكثر الحالات تشابهاً من بنك الذاكرة باستخدام مقياس تشابه مشترك:
مرحلة الفحص: يجمع بين تشابه تضمين الصورة وتشابه ناقل ثقة الخباثة.
مرحلة التشخيص: يستخدم فضاء سمات أغنى يشمل تنبؤات السمات الإشعائية (BIRADS، الحواف، إلخ) والواصفات المهيكلة.
التعلم داخل السياق (In-Context Learning): يتم تنسيق المسارات المسترجعة كـ "نماذج مثالية" (Exemplars) وتغذيتها في نافذة سياق النموذج اللغوي الكبير، مما يسمح بـ:
تحديد مخرجات النماذج أو أنماط الثقة التي كانت موثوقة تاريخياً لحالات مماثلة.
تعديل الثقة في أدوات محددة ديناميكياً.
إعادة معايرة عتبات التصعيد بناءً على النجاحات أو الإخفاقات السابقة.
3. المساهمات الرئيسية
إطار عمل متعدد الوكلاء متسلسل: نظام ذو مرحلتين (فحص ← تشخيص) يحاكي الفرز السريري، مما يفصل بفعالية بين الحالات منخفضة المخاطر والحالات عالية المخاطر.
تكييف السياسة المشروط بالخبرة: طريقة مبتكرة حيث يتكيف الوكلاء من خلال استرجاع والتحليل فوق مسارات القرار المؤكدة باثولوجياً، مما يتيح التحسين الذاتي دون إعادة تدريب النماذج.
تكامل الأدوات الشامل: دمج أدوات متنوعة (التجزئة، الكشف، توليد الوصف الإشعائي) في طبقة تنسيق تعتمد على النماذج اللغوية الكبيرة للمرحلة التشخيصية.
التقييم المرجعي الواسع: أول تقييم مرجعي واسع النطاق لـ 10 نماذج رؤية ولغة (VLMs) مملوكة ومفتوحة المصدر في فحص الموجات فوق الصوتية للثدي، مما يسلط الض�على عدم استقرارها مقارنة بالنهج المدعوم بالأدوات المقترح.
4. النتائج التجريبية
تم تقييم الإطار عبر 10 مجموعات بيانات متنوعة لتصوير الثدي بالموجات فوق الصوتية (مثل: BUSI، BUS-BRA، US3M، MICCAI 2022).
تقليل التصعيد والإحالات للخزعة:
التصعيد التشخيصي: انخفض من 84.95% (الأساس) إلى 58.72%.
الإحالات للخزعة: انخفضت من 59.50% (الأساس) إلى 37.08%.
مقاييس الأداء:
نوعية الفحص (Screening Specificity): تحسنت بنسبة 68.48% في المتوسط (انخفاض كبير في الإيجابيات الكاذبة).
نوعية التشخيص (Diagnostic Specificity): تحسنت بنسبة 6.33%.
الحساسية (Sensitivity): تم الحفاظ عليها أو تحسينها قليلاً (لا يوجد تدهور جوهري في اكتشاف حالات الخباثة).
الدقة المتوازنة (BAcc): حققت الطريقة المقترحة أعلى دقة متوازنة (78.29% للفحص، 71.58% للتشخيص) مقارنة بنماذج VLMs الحديثة (مثل GPT-4o، Gemini، Llama، إلخ)، والتي أظهرت مقايضات غير مستقرة بين الحساسية والنوعية.
دراسات الاستئصال (Ablation Studies):
عدد الاسترجاع (K): بلغت الأداء ذروته عند استرجاع K=10 من النماذج المثالية.
مقياس التشابه: تفوق النهج المشترك (الصورة + ناقلات الثقة/السمات) على استراتيجيات الاسترجاع القائمة على الصورة فقط أو الناقل فقط.
5. الأهمية
الأثر السريري: من خلال تقليل الإيجابيات الكاذبة والخزعات غير الضرورية بشكل كبير، يعالج النظام عقبة رئيسية في الرعاية الصحية، مما يقلل من قلق المرضى والتكاليف التشغيلية.
الذكاء الاصطناعي التكيفي: يوضح كيف يمكن للوكلاء القائمين على النماذج اللغوية الكبيرة التكيف ديناميكياً مع توزيعات البيانات الجديدة وتحسين سياسات القرار باستخدام "الخبرة" (المسارات المسترجعة)، بدلاً من الأوزان الثابتة، مما يفتح مساراً نحو ذكاء اصطٍ طبي أكثر أماناً وموثوقية.
كفاءة الموارد: يضمن النهج المتسلسل تخصيص أدوات التشخيص المكلفة حوسبياً ووقت أخصائيي الأشعة للحالات التي تثير اشتباهاً حقيقياً فقط، مما يحسن تخصيص الموارد في بيئات الفحص عالية الكثافة.