RARE disease detection from Capsule Endoscopic Videos based on Vision Transformers
تقدم هذه الورقة نموذج "جوجل فيجن ترانسفورمر" (ViT) تم ضبطه بدقة للتصنيف متعدد الملصقات لـ 17 حالة من حالات الجهاز الهضمي في فيديوهات كبسولة التنظيب، وذلك كجزء من مسابقة "جاسترو"، رغم أنه حقق متوسط دقة متوسطة (mAP) منخفضاً يبلغ حوالي 0.02 في مجموعة بيانات الاختبار.
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 جهازك الهضمي كأنه نفق بطول 9 أمتار وضيق (بعرض علبة صودا تقريباً) تسافر من خلاله الأطعمة. لسنوات، واجه الأطباء صعوبة في فحص هذا النفق لأنه طويل وضيق للغاية.
لحل هذه المشكلة، يبتلع المرضون الآن كاميرا صغيرة بحجم الحبة (تسمى كبسولة التنظير - Capsule Endoscope) تلتقط حوالي 50,000 صورة أثناء زحفها من فمك حتى مخرجك. الأمر يشبه إرسل طائرة درون تجسس عبر كهف مظلم، لكن الصور غالباً ما تكون ضبابية، أو مغطاة بالفقاعات، أو محجوبة ببقايا الطعام.
التحدي: البحث عن الإبرة في كومة القش
سيتعين على الطبيب الذي ينظر إلى هذه الـ 50,000 صورة رصد شيئين:
- أين نحن؟ (هل الكاميرا في المعدة؟ أم الأمعاء الدقيقة؟ أم القولون؟)
- ما الخطب؟ (هل هناك نزيف؟ بوليب/لحمية؟ قرحة؟)
المشكلة هي أن بعض الأشياء (مثل "القولون") قد تظهر في آلاف الصور، بينما الأشياء النادرة والخطيرة (مثل نوع معين من النزيف أو صمام نادر) قد تظهر في عدد قليل جداً من الصور. الأمر يشبه محاولة تعليم طالب التعرف على طائر نادر لا يظهر إلا مرة واحدة في السنة، بينما يغمره في الوقت نفسه بآلاف الصور للحمام.
الحل: "العقل الفائق" للذكاء الاصطناعي
قام فريق MDXBrain (من جامعة ميدلسكس) ببناء ذكاء اصطناعي لمساعدة الأطباء. وبدلاً من النظر إلى الصور واحدة تلو الأخرى مثل البشر، استخدموا تقنية "محول الرؤية" (Vision Transformer - ViT).
تخيل "محول الرؤية" كأنه أمين مكتبة فائق التنظيم لا يكتفي بقراءة كتاب واحد في كل مرة، بل ينظر إلى المكتبة بأكملها، ويفهم كيف ترتبط الكتب المختلفة ببعضها البعض، ويكتشف الأنماط فوراً. لقد قاموا بـ "ضبط" هذا الأمين ليتناسب مع صور الكبسولة.
العقبة الكبرى: مشكلة "الفئات غير المتوازنة"
كانت المشكلة الكبرى هي أن البيانات كانت غير متوازنة بشكل كبير.
- مشكلة الحمام: كان هناك ما يقرب من مليوني صورة للقولون.
- مشكلة الطائر النادر: لم يكن هناك سوى 122 صورة فقط لـ "الخط Z" (وهو جزء محدد من المريء).
إذا قاموا بتدريب الذكاء الاصطناعي على كل هذه البيانات، فسوف يتعلم الذكاء الاصطناعي ببساد قول "قولون" في كل مرة لأن هذا هو الشيء الأكثر شيوعاً، وسيتجاهل الأشياء النادرة والخطيرة.
كيف حلوا المشكلة: استراتيجية "أخذ العينات الناقصة" (Under-Sampling)
تخيل أنك تصنع حساءً؛ لديك دلو ضخم من البطاطس (بيانات شائعة) وجرة صغيرة من الكمأة (بيانات نادرة). إذا سكبت الدلو بأكمله، فسيكون طعم الحساء مثل البطاطس.
- ما فعلوه: قاموا برمي معظم البطاطس واحتفظوا بالقليل منها فقط، بحيث يتساوى عدد البطاطس مع عدد الكمأة.
- اللمسة الذكية: كانوا حذرين جداً في الاحتفاظ بـ "البطاطس الخاصة" — تلك التي تحتوي على بطاطس وكمأة معاً (صور تحتوي على تسميات متعددة). لقد احتفظوا بكل صورة من تلك الصور النادرة والمعقدة لتعليم الذكاء الاصطناعي كيفية رصد عدة مشكلات في وقت واحد.
النتيجة: منحنى التعلم
بعد تدريب هذا الذكاء الاصطناعي، اختبروه على ثلاث كبسولات فيديو جديدة.
- الدرجة: حقق الذكاء الاصطناعي درجة تقارب 0.02 (على مقياس حيث 1.0 هو الدرجة الكاملة).
- ماذا يعني هذا: في عالم مسابقات الذكاء الاصطناعي، هذه درجة منخفضة جداً. الأمر يشبه طالباً درس بجد ولكنه حصل في النهاية على 2% في الامتحان النهائي.
لماذا كانت الدرجة منخفضة جداً؟
تقر الورقة البحثية بأن النتائج كانت ضعيفة، ومن المرجح أن ذلك يعود إلى:
- الصور سيئة للغاية: صور الكبسولة ذات دقة منخفضة وغالباً ما تكون ضبابية.
- المهمة صعبة للغاية: البحث عن قرحة صغيرة في فيديو ضبابي ومتحرك يشبه البحث عن حبة رمل محددة على الشاطئ وأنت ترتدي نظارات ضبابية.
- الطبيعة "النادرة": بطبيعة الحال، يصعب العثين على الأمراض النادرة لوجود بيانات قليلة جداً للتعلم منها، حتى مع استخدام حيل الموازنة هذه.
الخلاصة
هذه الورقة البحثية هي قصة "عمل قيد التنفيذ". لقد بنى الفريق نظام ذكاء اصطناعي متطور (محول الرؤية) واستخدموا رياضيات ذكية لموازنة البيانات (أخذ العينات الناقصة). ورغم أن النتيجة النهائية لم تكن فائزة بعد، إلا أن المنهجية المتبعة سليمة. لقد أثبتوا أنه يمكنك بناء نظام للبحث عن الأمراض النادرة في هذه الفيديوهات الصعبة، حتى لو كان النظام يحتاج إلى مزيد من التدريب وبيانات أفضل ليصبح مفيداً حقاً للأطباء.
إنها تذكير بأنه في الطب، الذكاء الاصطناعي هو مساعد قوي، لكنه لا يزال في مرحلة تعلم أصول المهنة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.