Enhancing Low Back Pain Assessment with Diffusion Models for Lumbar Spine MRI Segmentation

تخيل عالماً يكون فيه جسدك عبارة عن آلة معقدة وعالية التقنية، ويكون الأطباء هم الميكانيكيون الذين يحاولون إصلاحها. أحياناً، تبدأ هذه الآلة بالألم، وتحديداً في أسفل الظهر، وهي مشكلة شائعة جداً لدرجة أنها تؤثر على مليارات البشر عالمياً. ولتحديد ما هو الخطأ، يستخدم الأطباء كاميرا خاصة تسمى الرنين المغناطيسي (MRI) تلتقط صوراً دقيقة للغاية للعمود الفقري، تبدو وكأنها مجموعة من "دونات الجيلي" (الأقراص) الموضوعة بين كتل عظمية (الفقرات). ولكن النظر إلى هذه الصور يدوياً عملية بطيئة ومرهقة، وقد يرى الأطباء المختلفون أشياء مختلفة.

ادخل إلى عالم الذكاء الاصطناعي، وتحديداً نوع من "الأدمغة" يسمى "الشبكة العصبية التلافيفية" (CNN). فكر في هذه الشبكات كطلاب أذكياء جداً درسوا ملايين الصور وأصبح بإمكانهم الآن تمييز "دونات الجيلي" والكتل العظمية تلقائياً. ومع ذلك، عندما يمرض العمود الفقري - أي عندما ينضغط "الجيلي"، أو تتشقق الكتل، أو يميل الهيكل بأكمله - تصبح الصور فوضوية ومربكة. مؤخراً، اكتشف العلماء نوعاً جديداً من الذكاء الاصطناعي يسمى "نموذج الانتشار" (Diffusion Model). يمكنك التفكير في هذا النموذج كآلة زمن عكسية للصور؛ فبدلاً من مجرد النظر إلى صورة، يبدأ الأمر بسحابة ضبابية مليئة بالضجيج (مثل تشويش التلفاز)، ثم يقوم بتنظيفها خطوة بخوة حتى تظهر صورة واضحة. تستكشف هذه الورقة البحثية ما إذا كان سحر "التنظيف" هذا يمكن أن يساعد أطباء الذكاء الاصطناعي على الرؤية بوضوح عبر فوضى العمود الفقري المتدهور والمؤلم بشكل أفضل من الطرق القديمة.

قصة الورقة البحثية: تعليم الذكاء الاصطناعي كيفية تنظيف فوضى العمود الفقري

هذه الدراسة، التي تحمل عنوان "تعزيز تقييم آلام أسفل الظهر باستخدام نماذج الانتشار لتجزئة رنين العمود الفقري القطني"، هي رحلة لبناء مساعد ذكاء اصطناعي أفضل لرصد مشاكل الظهر. أراد الباحثون، بقيادة ماريا مونزون وفريقها في جامعة ETH Zurich، معرفة ما إذا كان بإمكانهم استخدام "نماذج الانتشار" ذات "الزمن العكسي" لرسم حدود أجزاء العمود الفقري تلقائياً: القناة الشوكية، والفقرات، والأقراص بين الفقرات (IVDs).

التحدي الكبير: العمود الفقري "الفوضوي"
في العمود الفقري السليم، تبدو الأجزاء مرتبة ومنتظمة. ولكن لدى المرضى الذين يعانون من آلام أسفل الظهر (LBP)، غالباً ما يكون العمود الفقري منطقة كوارث. قد تكون الأقراص منزلقة (مضغوطة للخارج)، أو قد تكون العظام منزلقة (انزلاق فقاري)، أو قد تكون الأنسجة متدهورة. الأمر يشبه محاولة تحديد طبقات كعكة سقطت على الأرض وانضغطت. النماذج التقليدية للذكاء الاصطناعي، مثل نموذج "nnU-Net" الشهير، بارعة في هذا، لكنها تعاني أحياناً عندما يكون التشريح مشوهاً بهذا الشكل.

الأداة الجديدة: SpineSegDiff
بنى الفريق نموذجاً جديداً يسمى SpineSegDiff. وبدلاً من مجرد النظر إلى الرنين المغناطيسي وتخمين الحدود، يعمل هذا النموذج كـ "مرمم". يبدأ بنسخة ضوضائية وضبابية من خريطة التجزئة، ثم يستخدم عملية رياضية لـ "إزالة الضجيج" منها، ليكشف تدريجياً عن الأشكال الصحيحة.

• السر الخفي: لم يتركوا النموذج يبدأ من الفوضى المطلقة فحسب، بل استخدموا حيلة ذكية تسمى "التجزئة المسبقة" (presegmentation). تخيل أنك تحاول رسم دائرة مثالية؛ بدلاً من البدء بصفحة بيضاء، تقوم أولاً برسم دائرة تقريبية بالقلم الرصاص (باستخدام ذكاء اصطناعي أقدم وأسرع وهو nnU-Net)، ثم يأتي نموذج الانتشار ليقوم بتحسين هذا الرسم، فينعم الخطوط ويصلح التعرجات. جعل هذا العملية أسرع وأكثر كفاءة بكثير.
• خريطة عدم اليقين: أحد أروع ميزات هذا النموذج هو أنه لا يعطيك إجابة فحسب، بل يخبرك بمدى تأكده. ولأن النموذج يعمل من خلال أخذ عينات من احتمالات عديدة، استطاع الفريق إنشاء "خريطة حرارية". إذا كان النموذج واثقاً، تكون المنطقة واضحة. أما إذا كان مرتبكاً (ربما بسبب تلف شديد في العمود الفقري)، فإن الخريطة تتوهج بـ "عدم اليقين". هذا يشبه إشارة المرور للأطباء: الأخضر يعني "استمر، هذا يبدو صحيحاً"، والأحمر يعني "توقف وانظر بتمعن، هذا الجزء صعب".

ماذا وجدوا؟
اختبر الباحثون نموذجهم الجديد على بيانات من 218 مريضاً باستخدام صور الرنين المغناطيسي من مجموعة بيانات SPIDER. وقارنوا SpineSegDiff بالمعيار الذهبي الحالي، وهو nnU-Net، ونماذج انتشار أخرى.

• النتائج: حقق النموذج الجديد أداءً مماثلاً لأفضل ذكاء اصطناعي موجود (nnU-Net)، حيث وصل "مقياس Dice" (وهو مقي-اس لمدى مطابقة رسم الذكاء الاصطناعي للتشريح الحقيقي) إلى 0.913 عند تدريبه على صور T1 وT2.
• الانتصار في حالات التدهور: بينما كان الأداء العام متشابهاً، أظهر النموذج الجديد تحسناً محدداً في تحديد الأقراص المتدهورة. هذه الأقراص هي الأصعب في الرؤية لأنها تبدو مختلفة تماماً عن الأقراص السليمة. تمكن SpineSegDiff من تحديد هذه الأقراص الصعبة بدرجة 0.90، وهي أعلى ملحوظة من درجة nnU-Net البالغة 0.84 لنفس المهمة.
• اختبار "ماذا لو": تحقق الفريق أيضاً من كيفية تعامل النموذج مع إصابات محددة. ووجدوا أن حالات مثل الانزلاق الفقاري (انزلاق الفقرات) وضيق القرص قللت بشكل كبير من دقة النموذج، مع وصول القيم الاحتمالية (p-values) إلى 0.0003 لتأثير تدهور القرص على النتائج. يخبرنا هذا أنه رغم براعة النموذج، إلا أنه لا يزال يعاني عندما يكون العمود الفقري محطماً حقاً.
• السرعة مقابل الجودة: من خلال استخدام حيلة "التجزئة المسبقة"، وجدوا أنه يمكنهم تقليل عدد الخطوات التي يحتاجها النموذج. وحتى مع عدد خطوات أقل (مثل 30 أو 100 بدلاً من 1000)، حافظ النموذج على دقته العالية، مما يجعله أكثر عملية للاستخدام في العالم الحقيقي.

ما توضح الورقة أنه ليس كذلك
يتحلى المؤلفون بالحذر ولا يبالغون في تضخيم نتائجهم. فقد ذكروا صراحة أنه على الرغم من أن النموذج واعد، إلا أنه ليس عصا سحرية تحل كل شيء.

• أشاروا إلى أن أداء النموذج ينخفض بشكل كبير في حالات الأمراض الشديدة مثل انزلاق الفقرات.
• أوضحوا أن "خرائط عدم اليقين" هي أدلة بصرية نوعية وليست فترات ثقة إحصائية دقيقة بعد.
• اعترفوا بأن تدريب هذه النماذج يتطلب قدرة حوسبة كبيرة، مما قد يشكل عائقاً للمستشفيات الصغيرة.
• أكدوا أن نتائجهم تعتمد على مجموعة بيانات محددة وتحتاج إلى اختبار على مجموعات أكبر وأكثر تنوعاً من البشر قبل أن يمكن الوثوق بها تماماً في كل عيادة.

الخلاة المستفادة
تشير هذه الورقة إلى أن نماذج الانتشار هي أداة جديدة قوية للنظر في حالات العمود الفقري المؤلمة. من خلال التعامل مع مهمة التجزئة كعملية "تنظيف" بدلاً من مجرد لعبة "تخمين"، أنشأ الفريق نظاماً قوياً، يتعامل جيداً مع التشريح الفوضوي، بل ويعطي الأطباء "مقياس ثقة" لمساعدتهم على تحديد الأماكن التي تتطلب فحصاً أدق. ورغم أنه ليس منتجاً نهائياً جاهزاً لكل مستشفى غداً، إلا أنه يضيء الطريق نحو مستقبل يساعد فيه الذكاء الاصطناعي الأطباء على تشخيص آلام الظهر بدقة أكبر وبأقل قدر من التخمين.