🤖 machine learning

A continually expandable foundation model for brain MRI

تقدم الورقة البحثية "Alcmaeon"، وهو نموذج أساسي لصور الرنين المغناطيسي ثلاثية الأبعاد للدماغ قابل للتوسع باستمرار، تم تدريبه على أكثر من 425,000 حجم غير مصنف، والذي يستخدم تقنية "تقليم المخطط البياني" (Graph-Blueprint Pruning) للتكيف بالتتابع مع المجالات السريرية المتنوعة مع منع النسيان الكارثي بفعالية والحفاظ على القدرات السابقة.

المؤلفون الأصليون: Michail Mamalakis, Carmen Jimenez-Mesa, Yonghao Li, Hao Chen, Chao Li, Antonios Mamalakis, John Suckling, Richard Bethlehem, Stephen J. Price, Richard J. Gilbertson, Pietro Lio

نُشر 2026-08-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Michail Mamalakis, Carmen Jimenez-Mesa, Yonghao Li, Hao Chen, Chao Li, Antonios Mamalakis, John Suckling, Richard Bethlehem, Stephen J. Price, Richard J. Gilbertson, Pietro Lio

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 أنك تحاول تعليم روبوت فهم الدماغ البشري. تعرض عليه آلاف صور الرنين المغناطيسي -تلك الصور ثلاثية الأبعاد التفصيلية التي يستخدمها الأطباء للنظر داخل رؤوسنا. في البداية، يتعلم الروبوت التعرف على الأدمغة السليمة. ولكن بعد ذلك، تريد منه أن يكتشف أورام الدماغ، أو يفهم التغيرات الناجمة عن مرض الزهايمر، أو حتى يرى كيف ينمو دماغ الطفل. المشكلة هي أنه عندما تعلم الروبوت شيئاً جديداً، فإنه غالباً ما ينسى ما تعلمه من قبل. الأمر يشبه أن تدرس لاختبار في التاريخ، ثم تبدأ فوراً في دراسة اختبار في الرياضيات، وفجأة لا تستطيع تذكر تواريخ الثورة الفرنسية. في عالم الذكاء الاصطناعي، يُسمى هذا "النسيان الكارثي". لقد حاول العلماء بناء "نماذج تأسيسية" - عقول ذكاء اصطناعي فائقة الذكاء تتعلم قواعد عامة من كميات هائلة من البيانات حتى يمكن تكييفها مع مهام مختلفة دون الحاجة إلى إعادة بنائها من الصفر في كل مرة. لكن جعل هذه النماذج تعمل مع صور الرنين المغناطيسي ثلاثية الأبعاد أمر صعب للغاية لأن البيانات ضخمة، وفوضوية، وتأتي من أجهزة ومرضى مختلفين. السؤال الكبير هو: هل يمكننا بناء "دماغ-ذكاء اصطناعي" يستمر في تعلم أشياء جديدة دون أن يفقد ذكرياته القديمة؟

إليك Alcmaeon، وهو نوع جديد من نماذج الذكاء الاصطناعي التأسيسية لصور الرنين المغناطيسي للدماغ، يعمل كطالب منضبط جداً لا ينسى أبداً. تم إنشاء Alcmaeon بواسطة فريق من الباحثين، وقد تم تدريبه على أكثر من 425,000 صورة مسح ثلاثية الأبعاد للدماغ دون أن يضطر أحد لتصنيفها يدوياً. بدلاً من مجرد التعلم لمرة واحدة والتوقف، صُمم Alcmaeon لينمو. إنه يتعلم بشكل متسلسل، منتقلاً من المجموعات السكانية السليمة إلى الأمراض التنكسية العصبية، ثم إلى الحالات النمائية والنفسية، وأخيراً إلى أورام الدماغ. السر الذي يجعل هذا ممكناً هو خدعة ذكية تسمى تقليم المخطط البياني (Graph-Blueprint Pruning - GBP).

فكر في دماغ Alcmaeon كمكتبة ضخمة مليئة بملايين الكتب (أو في هذه الحالة، دوائر حاسوبية صغيرة تسمى "وحدات نمطية"). عندما يتعلم الذكاء الاصطناعي موضوعاً جديداً، مثل اكتشاف أورام الدماغ، فإنه عادة ما يحاول إعادة كتابة مكتبته بالكامل، مما يؤدي عرضاً إلى مسح الكتب القديمة عن الأدمغة السليمة. إن تقنية GBP تشبه أمين مكتبة يضع ملصق "ممنوع اللمس" على الكتب المحددة الضرورية للمواضيع القديمة. عندما يتعلم الذكاء الاصطناعي شيئاً جديداً، يمكنه فقط الكتابة في المساحات الفارغة أو استخدام الكتب التي ليس عليها ملصقات. بهذه الطريقة، يمكن للذكاء الاصطناعي أن يتعلم عن الأورام دون أن يمسح بالخطأ معرفته بالشيخوخة السليمة. "المخطط" هو في الأساس خريطة تتبع الكتب المحمية والكتب المتاحة للتحديث.

اختبر الباحثون ذلك من خلال تعليم Alcmaeon عبر أربع مراحل متميزة: الشيخوخة السليمة، التنكس العصبي، التصوير النمائي/النفسي، وأخيراً أورام الدماغ. وقارنوا Alcmaeon باستخدام طريقة "المخطط" هذه مقابل طرق شائعة أخرى لتعليم الذكاء الاصطناعي، مثل إعادة التدريب البسيط (الذي يسبب النسيان) أو استخدام طريقة تسمى "توطيد الوزن المرن" (Elastic Weight Consolization - EWC). أظهرت النتائج أنه عندما واجه الذكاء الاصطناعي التحدي الأكبر -وهو تعلم أورام الدماغ، التي تبدو مختلفة تماماً عن الأدمغة السليمة- حافظ Alcmaeon باستخدام طريقة "المخطط" على ذاكرته بشكل أفضل من الطرق الأخرى. وبينما بدأت الطرق الأخرى في نسيان كيفية إعادة بناء صور الدماغ السليمة (مما أدى إلى انخفاض درجات أدائها بشكل كبير)، حافظ Alcmeon مع تقنية GBP على مهاراته، محتفظاً بقدرته على رؤية الأدمحة السليمة سليمة بينما كان يتعلم أيضاً كيفية رصد الأورام.

ومن المثير للاهتمام، وجدت الورقة البحثية أن جعل نموذج الذكاء الاصطناعي أكبر (بإضافة المزيد من المعلمات/Parameters) لم يجعله بالضرورة أفضل في تذكر الأشياء. بدلاً من ذلك، كان كيفية بناء النموذج هي الأكثر أهمية. على سبيل المثال، نوع "اللغة" الرياضية التي يستخدمها النموذج لفهم الصور (الحتمية مقابل المتغيرة) غيرت مدى جودة عمله لمختلف أنواع المسوحات. بالنسبة للمسوحات الهيكلية القياسية، كان النهج المباشر هو الأفضل، أما بالنسبة لبعض خرائط البنية الدقيقة الأكثر تعقيداً، فقد كان النهج الأكثر مرونة هو المطلوب.

تحقق الفريق أيضاً مما إذا كان بإمكان هذا "الذكاء الاصطناعي المتذكر" مساعدة الأطباء فعلياً. اختبروا ما إذا كان بإمكان المعرفة التي جمعها Alcmaeon أن تُستخدم في مهام واقعية مثل التنبؤ بمدة بقاء مريض مصاب بورم دماغي على قيد الحياة، أو تصنيف مرض الزهايمر، أو حتى إنشاء صور رنين مغناطيسي جديدة لرؤية كيف قد يبدو الدماغ بدون ورم. وجدوا أن أجزاء مختلفة من دماغ الذكاء الاصطناعي كانت جيدة في وظائف مختلفة. كانت "الطبقات الوسطى" من النموذج بارعة في اكتشاف الأمراض، بينما كان النظام بأكمله جيداً في إنشاء صور جديدة. والأهم من ذلك، حتى بعد تعلم الأورام، كانت الأجزاء التي تعرف عن الزهايمر والأمراض الأخرى لا تزال موجودة ومفيدة، مما يثبت أن ملصقات "ممنوع اللمس" قد نجحت.

باختاً، تشير هذه الورقة البحثية إلى أننا لسنا بحاجة لبناء ذكاء اصطناعي جديد لكل مرض دماغي على حدة. بدلاً من ذلك، يمكننا بناء ذكاء اصطناعي قابل للتوسع يتعلم خطوة بخبو، ويحمي معرفته الماضية أثناء استيعاب معلومات جديدة. وبينما يوضح الباحثون بحذر أن هذه خطوة واعدة للأمام وليست حلاً مثالياً بعد (فهي تحتاج إلى مزيد من الاختبار على مرضى حقيقيين قبل استخدامها في المستشفيات)، فقد رسموا مساراً واضحاً نحو ذكاء اصطناعي يمكنه النمو مع العلوم الطبية دون أن يفقد طريقه.

أبحاث مشابهة