تخيل عالماً يستطيع فيه الطبيب النظر إلى طفل يمشي في ممر، فيعرف فوراً ما إذا كانت عضلاته تتحرك بشكل صحيح، أو إذا كان هناك خطأ طفيف. هذا ليس سحراً؛ بل هو نقطة التقاء الرؤية الحاسوبية (تعليم الحواسيب كيفية "رؤية" وفهم الصور) وطب الأطفال (الرعاية الطبية للأطفال). لفترة طويلة، اعتمد الأطباء على أعينهم لرصد الاختلافات الدقيقة في طريقة مشي الطفل، وهي عملية تسمى تحليل المشية (gait analysis). وبينما ينجح هذا الأمر مع الأطباء ذوي الخبرة، إلا أنه من الصعب تعليم الكمبيوتر القيام بالمثل لأن الأطفال ليسوا مجرد "بالغين مصغرين". فأجسادهم لا تزال في طور النمو، وحركاتهم متذبذبة وغير متوقعة، ولا يمشون بإيقاع مثالي كما يفعل البالغون. وهذا يجعل من الصعب للغاية على الذكاء الاصطناائي القياسي، الذي يتم تدريبه عادةً على مشي البالغين المنتظم، رصد الإشارات الضئيلة التي تنذر بمشكلة صحية.

هذه هي قصة تحدي الذكاء الاصطناعي للأطفال الأول (1st AI Children Challenge)، وهي مسابقة عالية المخاطر تعاون فيها علماء الحاسوب والأطباء لحل هذا اللغز. يصف البحث كيف قاموا ببناء "مكتبة" جديدة ضخمة من بيانات الفيديو التي تضم آلاف الأطفال الذين يمشون، بدءاً من الأطفال الدارجين وصولاً إلى المراهقين. لقد تحدوا أفضل فرق الذكاء الاصطناعي في العالم لبناء نماذج يمكنها العمل كأطباء خبراء، وتحليل هذه الفيديوهات لرصد أنماط مشي محددة مرتبطة بـ الشلل الدماغي (Cerebral Palsy)، وهي حالة تؤثر على حركة العضلات. لم يكن الهدف مجرد القول بأن "هذا الطفل يمشي بشكل غريب"، بل تسجيل كيفية مشيه وتصنيف نوع الصعوبة التي يعاني منها بدقة، وكل ذلك من خلال فيديو بسيط. ويكشف البحث أنه على الرغم من كون هذه مهمة صعبة، إلا أن مجموعة البيانات الجديدة والمنافسة قد حفزت بعض الحلول الذكية للغاية التي تقربنا من مساعدة الأطباء في تشخيص الأطفال بشكل أسرع وأكثر دقة.

التحدي الكبير: تعليم الذكاء الاصطناعي مراقبة مشي الأطفال

أراد مؤلفو هذا البحث سد الفجوة بين ما يمكن للأطباء البشر رؤيته وما يمكن للحواسيب فهمه. أدركوا أن أدوات الذكاء الاصطناعي الحالية تشبه الطلاب الذين لم يدرسوا سوى الكتب المدرسية الخاصة بالبالغين؛ فهي تفشل عندما تحاول تحليل حالة طفل لأن الأطفال يتحركون بشكل مختلف. ولإصلاح ذلك، أنشأ الفريق مجموعة بيانات تسلسل وضعية مشي الأطفال (CGPS). فكر في مجموعة البيانات هذه كدليل تدريبي ضخم وتفصيلي للغاية للذكاء الاصطناعي. فهي تحتوي على أكثر من 1,100 فيديو لأطفال يمشون، تم تسجيلها بمعدل 60 إطاراً في الثانية (وهو ما يعادل التقاط 60 صورة كل ثانية). تلتقط هذه الفيديوهات 110 مرضى مختلفين، تتراوح أعمارهم بين 2.6 و16.6 سنة، وهم يمشون أمام كاميرات موضوعة لرؤيتهم من الجانب ومن الأمام.

لكن الفيديو وحده لا يكفي. السحر الحقيقي في مجموعة البيانات هذه يكمن في "التوصيفات" (annotations) — وهي الملصقات التي تخبر الذكاء الاصطناعي بما يجب أن يبحث عنه. فقد قام خبراء بشريون، بما في ذلك أطباء يتمتعون بعقود من الخبرة، بمراجعة هذه الفيديوهات ووضع علامات على نقاط محددة في أجساد الأطفال (مثل الركب، والوركين، والكاحلين) لإنشاء هيكل عظمي للحركة. ثم قاموا بتسجيل 34 تفصيلاً دقيقاً للمشية، مثل "مدى ارتفاع الكعب" أو "مقدار انثناء الركبة". كما حددوا أربعة طرق محددة قد يمشي بها الأطفال المصابون بنوع من الشلل الدماغي يسمى "الشلل الدماغي التشنجي الثنائي"، وأطلقوا عليها أسماء مثل "مشية القفز" (حيث يبدو الطفل وكأنه يقفز) أو "مشية القرفصاء" (حيث يمشي الطفل بركب مثنية).

مساري المنافسة

انقسم التحدي إلى مهمتين متميزتين، أو "مسارين"، للتعامل معهما المشاركون.

المسار الأول: مسجل النقاط
كانت المهمة الأولى هي العمل كحكم صارم. كان على الذكاء الاصطناعي النظر في مشية الطفل وتخصيص درجة لـ 34 جزءاً مختلفاً من حركته. يعتمد هذا على أداة سريرية تسمى مقياس إدنبرة البصري للمشية (EVHS). تخيل معلماً يصحح خط يد طالب؛ كان على الذكاء الاصطناعي أن يقرر ما إذا كانت حركة معينة "طبيعية" أم "غير نمطية". يشير البحث إلى أن هذا أمر صعب لأن الاختلافات غالباً ما تكون ضئيلة جداً. كان على الفريق التنبؤ بما إذا كان رفع كعب الطفل طبيعياً أم لا، أو ما إذا كانت ركبته تنثني أكثر من اللازم. كان الهدف هو جعل الدرجة قريبة قدر الإمكان مما سيكتبه الطبيب الحقيقي.

المسار الثاني: المحقق
المهمة الثانية كانت لعبة تصنيف. هنا، كان على الذكاء الاصطناعي النظر إلى طفل يعاني من الشلل الدماغي التشنجي الثنائي وتحديد أي من أنماط المشي الأربعة المحددة ينتمي إليها. الأمر يشبه النظر إلى مجموعة من الأشخاص ومحاولة تخمين من منهم يرتدي قبعة حمراء، ومن يرتدي قبعة زرقاء، وهكذا، ولكن "القبعات" هنا هي أنماط مشي غير مرئية. كان على الذكاء الاصطناعي رصد الاختلافات المرضية الدقيقة التي تميز بين مشية "التقوس الحقيقي" (True Equinus) ومشية "القفز" (Jump Gait). كان هذا صعباً بشكل خاص لأن مجموعة البيانات تحتوي على أمثلة قليلة جداً من بعض هذه الأنماط النادرة، مما يجعل من السهل إرباك الذكاء الاصطناعي.

كيف تم قياس النجاح

لم يكتف المنظمون بجعل الفرق تخمن فحسب؛ بل وضعوا أرضية اختبار صارمة. لقد قسموا البيانات بحيث يمكن للذكاء الاصطناعي التعلم من بعض الفيديوهات والاختبار على فيديوهات أخرى لم يسبق له رؤيتها. ولضمان عدالة النتائج، استخدموا طريقتين رئيسيتين لتقييم الفرق:

1. الدقة: كم مرة حصل الذكاء الاصطناعي على الإجابة الصحيحة؟
2. قياس الخطأ: بالنسبة لمسار التسجيل، قاموا بقياس مدى ابتعاد درجة الذكاء الاصطناعي عن درجة الطبيب.

كما استحدثوا مرحلة "تقييم لاحق". بعد انتهاء المنافسة، توجب على الفرق المتصدرة مشاركة الأكواد البرمجية الخاصة بها. ثم قام المنظمون بتشغيل الأكواد بأنفسهم على جهاز كمبيوتر قياسي للتحقق من النتائج. كان الهدف من ذلك التأكد من أن نتائج أي فريق لم تكن مجرد ضربة حظ أو نتيجة عارضة.

النتائج: ماذا وجد الذكاء الاصطناعي؟

استقطبت المنافسة 57 فريقاً من جميع أنحاء العالم. وأظهرت النتائج أنه على الرغم من أن الذكاء الاصطناعي لم يحاكي الطبيب البشري بشكل مثالي بعد، إلا أنه حقق تقدماً كبيراً.

• بالنسبة لمسار التسجيل (المسار 1): استخدم الفريق الفائز، CCE، مزيجاً ذكياً من نماذج الذكاء الاصطناعي سابقة التدريب (والتي تعمل كقواعد معرفية عامة) وقواعد محددة صممها الأطباء. وقد تمكنوا من التنبؤ بالدرجات بدقة عالية. أما الفريق المتصدر الآخر، Btaji Crew، فقد ركز على استخراج تفاصيل "بيوميكانيكية" محددة، مثل الزاوية الدقيقة للمفصل، قبل تقديم تخمينه. ويشير البحث إلى أن النهج الأفضل لم يكن مجرد استخدام نموذج ذكاء اصطناعي واحد كبير، بل الجمع بين طرق مختلفة — مثل استخدام نهج "هجين" حيث يعمل التعلم الآلي جنباً إلى جنب مع القواعد الطبية الصارمة.
• بالنسبة لمسار التصنيف (المسار 2): استخدم الفريق الفائز، seantangth، طريقة تسمى XGBoost (وهي نوع قوي من خوارزميات اتخاذ القرار) ولكن تم تعديلها لتتبع قواعد طبية محددة حول كيفية ارتباط الساق اليمنى واليسرى ببعضهما البعض. لقد وجدوا أن مجرد ترك الذكاء الاصطناعي يخمن لم يكن كافياً؛ بل كان عليهم إجبار الذكاء الاصطناعي على احترام تماثل جسم الإنسان.

يوضح البحث أن الفرق المتصدرة استخدمت جميعها استراتيجيات للتعامل مع حقيقة وجود أمثلة قليلة جداً لأنماط المشي النادرة. لقد استخدموا تقنيات مثل "إشارات المسارات المتقاطعة" (cross-track signals)، حيث يستخدم الذكاء الاصطناعي النتائج من مسار التسجيل لمساعدته في تقديم تخمينات أفضل في مسار التصنيف. الأمر يشبه استخدام درجة اختبار الرياضيات لمساعدتك في تخمين الإجابة على سؤال في التاريخ لأن المادتين مرتبطتان ببعضهما.

ماذا يعني هذا للمستقبل؟

يخلص البحث إلى أن هذا التحدي كان خطوة كبيرة للأمام. لقد أثبت أنه مع وجود البيانات الصحيحة والتوجيه المناسب من الأطباء، يمكن للذكاء الاصطناعي أن يبدأ في فهم الطريقة المعقدة والفوضوية والرائعة لحركة الأطفال. ويقترح المؤلفون أن العمل المستقبلي يجب أن يركز على جعل هذه النماذج أفضل في التعامل مع أنواع مختلفة من الكاميرات وأشكال الأجسام المختلفة. كما أشاروا إلى أن الخطوة الكبيرة التالية هي معرفة ما إذا كانت هذه الأدوات يمكن أن تساعد الأطباء في تشخيص الأطفال بشكل أسرع في المستشفيات الحقيقية.

ومع ذلك، فإن البحث حذر من الادعاء بأن المشكلة قد "حُلت". تظهر النتائج أنه بينما أصبح الذكاء الاصطناعي جيداً، فإنه لا يزال يواجه صعوبة في الحالات الأكثر دقة وندرة. ويؤكد المؤلفون أن القيمة الحقيقية لهذا التحدي لا تكمن فقط في خوارزميات الفوز، بل في إنشاء مجموعة بيانات مشتركة ومجتمع من الباحثين يعملون معاً لتحسين رعاية الأطفال الصحية. لقد أظهرت المنافسة أنه عندما تلتقي الرؤية الحاسوبية مع الخبرة الطبية، يمكننا البدء في بناء أدوات تساعد كل طفل على المشي بشكل أسهل قليلاً.