Toward Multi-Modal Deep Learning for Pulmonary Disease Classification: A Texture-Based Machine Learning Pilot Study on Public Chest X-Ray Data
تقيم هذه الدراسة الاستطلاعية أساليب تعلم الآلة التقليدية القائمة على الملمس للتمييز بين كوفيد-19 والالتهابات الرئوية الأخرى في مجموعة بيانات عامة للأشعة السينية للصدر، محققةً أداءً متواضعاً يعمل كأساس لاقتراح بنية تعلم عميق متعددة الوسائط في المستقبل.
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 جسم الإنسان كمدينة شاسعة وصاخبة، والرئتين كحديقتين عامتين ضخمتين وهائمتين حيث يتدفق الهواء النقي في الداخل والخارج. أحياناً، تتعرض هذه الحدائق لغزو من المثيرين للمشاكل — الفيروسات، أو البكتيريا، أو الفطريات — التي تحول السماء الصافية إلى فوضى ضبابية وغائمة. يستخدم الأطباء "كاميرات سحرية" خاصة تسمى الأشعة السينية لالتقاط صور لهذه الحدائق، بحثاً عن العلامات الدالة على هذا الضباب. لكن قراءة هذه الصور عمل شاق؛ فالأمر يشبه محاولة العثور على نمط سحابي محدد وسط سماء مليئة بها، ولا يوجد عدد كافٍ من "مراقبي السحب" الخبراء (أطباء الأشعة) للنظر في كل صورة. وهنا يحاول الكمبيوتر التدخل، ليعمل كمساعدين فائق السرعة للمساعدة في رصد المشاكل. السؤال الكبير الذي يطرحه العلماء هو: هل يمكننا تعليم الكمبيوتر أن ينظر إلى أشعة سينية ويقول فوراً: "آه، هذا هو الضباب المحدد الناتج عن كوفيد-19، وليس مجرد أي ضباب قديم آخر"؟
هذه الورقة البحثية هي دراسة استطلاعية — اختبار تجريبي صغير ودقيق — تحاول الإجابة على هذا السؤال باستخدام نهج قديم ومحدد للغاية. فبدلاً من تعليم الكمبيوتر كيف "يتعلم" من الصفر مثل طالب بشري (وهو ما يتطلب عادةً ملايين الصور)، أعطى الباحثون الكمبيوتر مجموعة من الأدوات البسيطة المصنوعة يدوياً لقياس ملمس السحب. تخيل الأمر كإعطاء محقق عدسة مكبرة ومسطرة لقياس خشونة واتجاه الخطوط في رسم ما، بدلاً من ترك المحقق يحدق في آلاف الرسومات ليفهم الأمر بمفرده. لقد استخدموا أداتين رئيسيتين: إحداهما تعد اتجاه الحواف (مثل الخطوط في عروق الخشب) والأخرى تقيس مدى تشابه النقاط الصغيرة المتجاورة (مثل التحقق مما إذا كان القماش ناعماً أم خشناً). وقد اختبروا هذه الأدوات على مجموعة صغيرة عامة تضم 668 صورة أشعة سينية من 408 مرضى لمعرفة ما إذا كان بإمكان الكمبيوتر التمييز بين التهاب الرئة الناتج عن كوفيد-19 وأنواع أخرى من الالتهاب الرئوي.
وجد الباحثون أن "المحقق" البسيط القائم على القواعد قد أدى عملاً جيداً، لكنه لم يكن معجزاً. فمن خلال استخدام أدوات الملمس هذه جنباً إلى جنب مع مصنفات رياضية قياسية (مثل الانحدار اللوجستي، والغابة العشوائية، وآلة ناقلات الدعم)، حقق أفضل أداء — وهو آلة ناقلات الدعم — النتيجة الصحيحة بنسبة 71.6% تقريباً في حوالي 75.4% من المرات. وهذا يمثل تحسناً متواضعاً عن مجرد التخمين بوجود "كوفيد-19" في كل مرة، وهو ما كان سيصيب بنسبة 71.6% لمجرد أن هناك المزيد من صور كوفيد-19 في المجموعة. كما تمكن الكمبيوتر أيضاً من التمييز بين النوعين من الالتهاب الرئوي بدرجة تسمى (AUC) بلغت 0.755، وهي أفضل من رمي العملة المعدنية (0.500) ولكنها بعيدة عن المثالية.
ومع ذلك، فإن المؤلفين صادقون جداً بشأن حدود هذه التجربة. فقد استبعدوا صراحةً فكرة أن يكون هذا النظام جاهزاً للاستخدام في مستشفى حقيقي لتشخيص المرضى. وأشاروا إلى أن مجموعة البيانات كانت صغيرة وجاءت من تقارير حالات متفرقة بدلاً من مجموعة منهجية من المرضى، مما قد يكون قد أدى إلى انحياز النتائج. كما ذكروا أنه نظرًا لأن مجموعة "الالتهاب الرئوي الآخر" كانت مزيجاً من أسباب عديدة (فيروسية، بكتيرية، فطرية)، فقد كان من الصعب على الكمبيوتر تعلم نمط واضح. والأهم من ذلك، أنهم عارضوا محاولة استخدام أنظمة "التعلم العميق" الضخمة والمعقدة على مثل هذه المجموعة الصغيرة من البيانات، محذرين من أن ذلك سيؤدي على الأرجح إلى قيام الكمبيوتر بمجرد حفظ الإجابات (الفرط في التخصيص/Overfitting) بدلاً من التعلم الفعلي.
وبدلاً من ادعاء النصر، تستخدم هذه الورقة هذه النتائج المتواضدة كحجر زاوية. يقترح المؤلفون أنه بينما يثبت هذا الأسلوب البسيط القائم على الملمس وجود "إشارة" ما يمكن العثور عليها، فإن المستقبل الحقيقي يكمن في بناء نظام أكثر تطوراً "متعدد الوسائط". إنهم يقترحون بنية مستقبلية تجمع بين أنواع مختلفة من الذكاء الاصطناعي القوي (مثل الشبكات التلافيفية والمحولات/Transformers) وتدمج صور الأشعة السينية مع السجلات الطبية للمرضى. لكنهم يشددون على أن هذا مجرد مقترح لعمل مستقبلي. ولتحقيق ذلك، يقولون إننا بحاجة إلى مجموعات بيانات أكبر وأكثر تنوعاً من مستشفيات عديدة وفحوصات أخلاقية صارمة. في الوقت الحالي، تعمل هذه الورقة كخط أساس شفاف وقابل لإعادة الإنتاج — خطوة أولى متواضعة تظهر أنه بينما المسار واضح، فإن الرحلة نحو طبيب ذكاء اصطناعي موثوق حقاً لا تزال في بدايتها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.