RadPRISM: Schema-stratified radiology-report supervision for concept-disentangled image representations and visual grounding

تخيل أنك تحاول تعليم كمبيوتر فهم العالم من خلال إظهار صور له وقراءة قصص عنها. هذا هو جوهر تعلم "الرؤية واللغة"، وهو فرع من فروع الذكاء الاصطناعي حيث تحاول الآلات الربط بين ما تراه وما تقرأه. لفترة طويلة، علم العلماء هذه الحواسيب باستخدام نهج "مقاس واحد يناسب الجميع": حيث يظهرون للكمبيوتر صورة لأشعة سينية للصدر مع النص الكامل لتقرير الطبيب، ويطلبون من الكمبيوتر تعلم كيفية مطابقة الاثنين ككتلة واحدة ضخمة من المعلومات. الأمر يشبه محاولة تعلم لغة جديدة من خلال الاستماع إلى رواية كاملة وصورة لمشهد واحد في آن واحد، على أمل أن يستنتج الكمبيوتر سحرياً أي كلمة تنتمي إلى أي جزء من الصورة. وبينما ينجح هذا الأمر بشكل جيد في المهام العامة، إلا أنه يكون فوضوياً عندما تحتاج إلى تفاصيل محددة. فإذا كتب الطبيب: "القلب كبير، لكن الرئتين صافيتان"، فقد يرتبك الكمبيوتر بشأن أي جزء من الصورة يتوافق مع القلب وأيها يتوافق مع الرئتين. هذا النقص في الدقة يجعل من الصعب على الأطباء الوثوق بالذكاء الاصطناعي، لأنهم لا يستطيعون بسهولة معرفة لماذا اتخذ الكمبيوتر قراراً معيناً أو الإشارة بدقة إلى المكان الذي رأى فيه مشكلة ما.

هنا يأتي دور الورقة البحثية الجديدة، RadPRISM. أراد الباحثون بناء طريقة أكثر ذكاءً لتعليم الكمبيوتر قراءة التقارير الطبية والنظر في الأشعة السينية. فبدلاً من التعامل مع التقرير بأكمله ككتلة نصية واحدة كبيرة، قرروا تفكيكه إلى قطع صغيرة ومحددة، مثل فرز صندوق أدوات فوضوي إلى أدراج منفصلة للمطارق، والمفكات، والمفاتيح. لقد أنشأوا نظاماً يأخذ تقرير الطبيب المكتوب بنص حر، ويستخدم أداة لغوية ذكية قوية للعثور على الجمل المحددة التي تصف أشياء معينة (مثل "عظم مكسور" أو "سائل في الرئة")، ثم يعلمون الكمبيوتر البحث عن ذلك الشيء المحدد فقط في الصورة. فكر في الأمر كأنك تعطي الكمبيوتر عدسة مكبرة لكل مفهوم طبي محدد، بدلاً من عدسة واسعة الزاوية للصورة بأكملها. والنتيجة هي كمبيوتر لا يكتفي بالقول إن "هناك خطب ما ما"، بل يمكنه الإشارة بدقة إلى مكان المشكلة وشرحها باستخدام نفس اللغة الوصفية التي يستخدمها الطبيب البشري، وكل ذلك دون الحاجة إلى وجود إنسان يرسم مربعات حول كل مشكلة أثناء التدريب.

الفكرة الكبرى: فرز صندوق الأدوات

أدرك الفريق، بقيادة فابيان دريكسل وزملائه من جامعة ميونيخ التقنية، أن نماذج الذكاء الاصطناعي السابقة كانت تشبه الطلاب الذين يحاولون حفظ مكتبة كاملة في وقت واحد. فقد كانوا يتعلمون أن "الالتهاب الرئوي" و"السوائل" كلاهما أشياء سيئة في الرئتين، لكنهم واجهوا صعوبة في الحفاظ على التفاصيل مرتبة. فإذا قال التقرير: "هناك سوائل في الجانب الأيسى وليس الأيمن"، فإن النموذج القياسي قد يتعلم فقط أن "السوائل = سيئة" وينسى في أي جانب كانت.

ولإصلاح ذلك، اخترع الباحثون RadPRISM. بدأوا بأرشيف ضخم يضم أكثر من 323,562 صورة أشعة سينية للصدر مع تقاريرها النصية الحرة من مستشفى في ميونيخ. وبدلاً من تغذية الكمبيوتر بالتقرير بأكم، استخدموا أداة ذكاء اصطناعي خاصة (نموذج لغوي كبير) لتعمل كأمين مكتبة فائق السرعة. قام أمين المكتبة هذا بقراءة كل تقرير واستخراج جمل محددة لـ 19 مفهوماً طبياً مختلفاً، مثل "الالتهاب الرئوي"، أو "العظام المكسورة"، أو "حجم القلب".

تخيل عقل الكمبيوتر كغرفة ضخمة تحتوي على 19 "غرفة فرعية". عندما يجد أمين المكتبة جملة عن "الالتهاب الرئوي"، فإنه يرسل تلك الجملة إلى "غرفة الالتهاب الرئوي". وعندما يجد جملة عن "العظام المكسورة"، فإنه يرسلها إلى "غرفة العظام المكسورة". يتعلم الكمبيوتر بعد ذلك النظر إلى الأشعة السينية والبحث عن الدلائل البصرية التي تتوافق فقط مع غرفة الالتهاب الرئوي أو فقط مع غرفة العظام المكسورة. وهذا ما يسمى "التعلم الطبقي للمفاهيم". هذا يجبر الكمبيوتر على إبقاء أفكاره منفصلة ومنظمة، بدلاً من خلطها جميعاً في كومة واحدة مربكة.

ماذا وجدوا: عيون أكثر حدة وذاكرة أفضل

كانت نتائج هذه الطريقة الجديدة مثيرة للإعجاب. فعندما اختبر الباحثون الكمبيوتر على صور أشعة سينية جديدة لم يسبق له رؤيتها (وهي مهمة تسمى "التصنيف صفر المعرفة" أو zero-shot classification)، أصاب الكمبيوتر في 0.868 من المرات (مقاسة بدرجة تسمى macro AUROC). وبالمقارنة، فإن الطريقة القديمة "مقاس واحد يناسب الجميع" نجحت في 0.717 من المرات فقط. هذه قفزة هائلة في الدقة، مما يشير إلى أن تنظيم المعلومات في "غرف" منفصلة يساعد الكمبيوتر حقاً على فهم التفاصيل.

لكن السحر الحقيقي حدث عندما طلبوا من الكمبيوتر الإشارة إلى مكان المشكلة في الأشعة السينية، وهي مهمة تسمى "التأسيس البصري" (visual grounding). هذا يشبه طلب وضع نقطة من الكمبيوتر في المكان الدقيق الذي يوجد فيه الالتهاب الرئوي. وفي اختبار باستخدام مجموعة بيانات عامة تسمى CheXlocalize، حقق RadPRISM تحسناً هائلاً مقارنة بأفضل نموذج سابق، وهو CARZero.

• بالنسبة لـ انخماص الرئة (Atelectasis - انهيار الرئة)، كان RadPRISM أفضل بـ 4.3 مرة في الإشارة إلى المكان الصحيح.
• بالنسبة لـ الانصباب الجنبي (Pleural Effusion - سوائل حول الرئة)، كان أفضل بـ 2.8 مرة.
• بالنسبة لـ آفات الرئة (Lung Lesions)، كان أفضل بـ 1.5 مرة.

والأمر الأكثر إثارة هو أن الكمبيوتر فعل كل هذا دون أن يُعرض عليه ولو مثال واحد لطبيب يرسم دائرة حول مرض ما. لقد تعلم الإشارة إلى المكان بمجرد قراءة النصوص الوصفية والنظر إلى الصور.

الاختبار البشري: هل يثق به الطبيب؟

للتأكد من أن هذا لم يكن مجرد خدعة حاسوبية، استعان الباحثون بأطباء بشريين. فقد جعلوا ستة من أطباء الأشعة المقيمين (أطباء تحت التدريب) يفحصون 200 صورة أشعة سينية ويقيمون عمل الكمبيوتر. وقد طرحوا ثلاثة أسئلة:

1. هل خمن الكمبيوتر بشكل صحيح ما إذا كان المرض موجوداً؟ (كان محقاً في 0.83 من المرات).
2. هل تطابقت "خريطة الانتباه" الخاصة بالكمبيوتر (المنطقة التي سلط الضوء عليها) مع مكان وجود المرض فعلياً؟ (كان محقاً في 0.85 من المرات).
3. هل استطاع الكمبيوتر استرجاع جملة من قاعدة بياناته تصف المرض الموجود في الصورة؟ (كان محقاً في 0.78 من المرات).

لقد أعجب الأطباء بشكل خاص بالنقطة الثالثة. فبسبب تعلم الكمبيوتر فصل المفاهيم، استطاع استرجاع جمل وصفية محددة مثل "كتلة كبيرة غير متغيرة الحجم (حوالي 6 سم) في الفص العلوي الأيمن" والتي تطابق الصورة تماماً. وهذا شيء لم تستطع النماذج القديمة القيام به لأنها كانت تتدرب على قوائم ثابتة من التصنيفات (مثل "نعم/لا" فقط) ولم تكن تملك اللغة الوصفية الغنية للاستعانة بها.

لماذا يهم هذا الأمر

تشير الورقة البحثية إلى أنه من خلال تفكيك لغة الأطباء المتدفقة بحرية إلى مفاهيم منظمة ومحددة، يمكننا بناء ذكاء اصطناعي ليس فقط أكثر ذكاءً، بل أيضاً أكثر شفافية. يمكن للأطباء النظر في عمل الكمبيوتر، ومعرفة أي "غرفة" استخدمها لاتخاذ القرار، وقراءة الجملة المحددة التي تطابق الصورة. هذا يجعل الذكاء الاصطناعي أقل غموضاً (أقل كونه "صندوقاً أسود") وأكثر كونه شريكاً مفيداً يتحدث نفس لغة الفريق الطبي.

ومع ذلك، يوضح المؤلفون بحذر أن هذا يعد "إثباتاً للمفهوم". فبينما كانت النتائج قوية، فقد تم اختبارها في الغالب على صور أشعة سينية للصدر من مستشفى واحد ومجموعة بيانات عامة. كما وجدوا أن النظام ليس مثالياً بعد؛ فبالنسبة للأشياء الصعبة جداً في الرؤية مثل الكسور الصغيرة أو الخطوط الرقيقة للهواء في الرئة (استرواح الصدر/pneumothorax)، واجه الكمبيوتر أحياناً صعوبة في الإشارة إلى المكان الدقيق، ويرجع ذلك على الأرجح إلى أن دقة الصور لم تكن عالية بما يكفي. لكن الفكرة الأساسية — وهي أن تنظيم المعلومات حسب المفهوم يجعل الذكاء الاصطناعي أكثر ذكاءً وموثوقية — تبدو خطوة صلبة نحو الأمام في التكنولوجيا الطبية.