Modelling Geographic Atrophy Progression using Implicit Neural Representations
تقترح هذه الورقة إطار عمل للتمثيل العصبي الضمني (INR) منخفض البيانات لنمذجة تطور الضمور الجغرافي الفردي في التنكس البقعي المرتبط بالسن، محققةً دقة فائقة في التنبؤ بمساحة الآفة وتجزئتها مع الحفاظ على جودة عالية في توليد صور التلقائية الفلورية لقاع العين عبر النقاط الزمنية الماضية والمستقبلية.
المؤلفون الأصليون:Simone Sarrocco, Paul Friedrich, Florentin Bieder, Christina Bornberg, Philippe Valmaggia, Peter Maloca, Philippe Cattin
تخيل أنك تحاول التنبؤ بكيفية انتشار قطرة من الحبر عبر ورقة مبللة. يمكنك رؤية الحبر في البداية، ويمكنك رؤيته بعد فترة وجيزة، لكن الشكل الدقيق الذي يتخذه في هذه الأثناء، أو أين سيكون غداً، يظل لغزاً. هذا هو نوع اللغز الذي يواجهه العلماء عند دراسة نوع معين من أمراض العين يسمى التنكس البقعي المرتبط بالعمر (AMD). في مرحلته المتأخرة "الجافة"، يخلق هذا المرض منطقة متقطعة ومتنامية من الضرر في الجزء الخلفي من العين تسمى الضمور الجغرافي (GA). يستخدم الأطباء حالياً كاميرات خاصة لالتقاط صور لظهر العين (تسمى التألق الذاتي للقاع أو FAF) لرؤية كيفية نمو هذه البقع الداكنة بمرور الوقت. ومع ذلك، نظرًا لأن عين كل شخص تختلف عن الأخرى، ولأن المرض يتحرك بسرعته الفريدة الخاصة، فمن الصعب التنبؤ بدقة بكيفية تغير رؤية مريض معين. الهدف هو بناء بلورة رقمية سحرية يمكنها النظر إلى بضع صور سابقة وتخمين كيف ستبدو العين في المستقبل، مما يساعد الأطباء على شرح ما قد يحدث لاحقاً للمرضى.
تقدم هذه الورقة طريقة جديدة وذكية لبناء تلك البلورة السحرية باستخدام ما يسمى "التمثيلات العصبية الضمنية" (INRs). فكر في الـ INR ليس كألبوم صور قياسي، بل ككتاب وصفات مستمر وسحري. فبدلاً من تخزين صورة كشبكة من البكسلات (مثل الصورة الرقمية)، يخزن هذا الكتاب مجموعة من التعليمات التي يمكنها وصف الصورة في أي نقطة زمنية أو مكانية. إذا سألت الوصفة: "كيف تبدو العين في الأسبوع الخامس؟"، فستقوم بحساب الإجابة فوراً، حتى لو لم يسبق لأحد أن التقط صورة في الأسبوع الخامس. استخدم الباحثون هذه الطريقة لإنشاء نموذج يتعلم "قصة" مرض عين المريض. وقد وجدوا أنه من خلال منح النموذج "بطاقة هوية" خاصة (متجه كامن) لكل عين محددة، كان بإمكانه تعلم الشكل الفريد ونمط نمو الضرر لدى ذلك الشخص.
اختبر الفريق نموذجهم على مجموعة من المرضى الذين تم مسحهم ضوئياً ما يصل إلى أربع مرات على مدار عدة أشهر. وطلبوا من النموذج القيام بشيئين: أولاً، إعادة إنشاء الصور الباهتة والمتوهجة للعين (صور FAF)، وثانياً، رسم مخطط دقيق للمنطقة المتضررة (تجزئة GA). كانت النتائج واعدة للغاية؛ ففي الاختبارات التي تعين على النموذج فيها تخمين المستقبل أو ملء الفجوات الزمنية المفقودة، كان جيداً بشكل مفاجئ في التنبؤ بحجم وشكل المنطقة المتضررة. لقد حقق أعلى دقة في قياس حجم الآفة وأفضل تطابق لشكل الضرر مقارنة بالبرامج الحاسوبية الأخرى. وبينما لم يكن مثالياً في إعادة إنشاء التفاصيل الدقيقة عالية الدقة لصور العين المتوهجة (حيث كان نسخ آخر صورة معروفة في بعض الأحيان أفضل من حيث وضوح الصورة)، إلا أنه تفوق في فهم كيفية تغير المرض. ويشير المؤلفون إلى أن هذا النهج يمكن أن يساعد الأطباء في تصور رحلة المرض الخاصة بكل مريض، مما قد يجعل من السهل مناقشة النتائج المستقبلية وفوائد العلاج. ومع ذلك، يلاحظون أن هناك حاجة لمزيد من العمل لجعل تفاصيل الصورة أكثر حدة واختبار هذا على مجموعة أكبر من الناس الذين يعانون من مراحل مختلفة من المرض.
ملخص تقني: نمذجة تطور الضمور الجغرافي باستخدام التمثيلات العصبية الضمنية
بيان المشكلة يعد التنكس البقعي المرتبط بالسن (AMD) سبباً رئيسياً للعمى، وتتميز مرحلته المتأخرة الجافة بوجود "الضمور الجغرافي" (GA)، وهو فقدان غير قابل للعكس في أنسجة الشبكية. وبينما يعد تصوير "التلقؤ الذاتي للقاع" (FAF) المعيار المتبع لمراقبة نمو آفات الضمور الجغرافي، فإن الطبيعة الفردية للغاية لتطور المرض تجعل من الصعب نمذجة التطور والتنبؤ به بدقة، لا سيما في حالات البيانات المنخفضة حيث تكون السجلات الطولية للمرضى نادرة. غالباً ما تواجه النهج الحالية للتعلم العميق صعوبة في التقاط المسارات المستمرة والخاصة بكل مريض، أو تتطلب بيانات واسعة النطاق للتعميم.
المنهجية يقترح المؤلفون إطار عمل يستخدم التمثيلات العصبية الضمنية (INRs) لنمذجة تطور الضمور الجغرافي كدالة مستمرة وخاصة بكل حالة. الهيكل الأساسي هو "ترميز-فك تشفير تلقائي" (auto-decoder) يتكون من "إدراك متعدد الطبقات" (MLP) مع وظائف تنشيط "SIREN".
البنية والاشتراط: ينقسم النموذج إلى رأسين: رأس إعادة بناء (fθfaf) لتوليد شدة بكسلات صورة (FAF)، ورأس تقسيم (fθseg) للتنبؤ بأقنعة آفات الضمور الجغرافي. يشترك الرأسان في نفس الـ (MLP) حتى الطبقة قبل الأخيرة.
التمثيل الكامن: لالتقاط خصائص العين الفردية، يتم تخصيص متجه كامن مكاني ثلاثي الأبعاد فريد (zi) لكل عين. يتم مشاركة هذا المتجه عبر جميع النقاط الزمنية لتلك العين المحددة، مما يجبر النموذج على تعلم السمات التشريحية الخاصة بالعين بدلاً من الآثار المرتبطة بكل زيارة.
التعديل والديناميكيات الزمنية: يتم ضبط الشبكة عبر طبقات تعديل (FiLM). يتم دمج المتجه الكامن مع المتغيرات الزمنية (الأسابيع المنقضية منذ خط الأساس) والمتغيرات السريرية (عمر المريض عند الزيارة). تُسقط هذه المدخلات المجتمعة على معاملات القياس والإزاحة (scale and shift) لكل طبقة عبر رسم خرائط خطية. ومن الجدير بالذكر أن معامل الإزاحة يُستخدم لتمثيل الديناميكيات الزمنية كإشارات منخفضة المستوى.
التدريب والتكيف وقت الاختبار:
التدريب: يقوم النموذج بتحسين بارامترات الشبكة (θ) ومجموعة المتجهات الكامنة الخاصة بكل عين ({zi}) عن طريق تقليل دالة خسارة مشتركة تتكون من "متوسط مربع الخطأ" (MSE) لإعادة بناء (FAF)، ومزيج من "الإنتروبيا المتقاطعة الثنائية" (BCE) وخسارة "DICE" للتقسيم.
التكيف وقت الاختبار: بالنسبة للمرضى غير المرئيين سابقاً (عيون جديدة)، يتم تخصيص متجه كامن جديد يتم تحسينه عشوائياً باستخدام الزيارات المتاحة لذلك المريض تحديداً مع إبقاء أوزان الشبكة ثابتة. يتيح ذلك للنموذج التكيف مع مسارات المرض الفردية دون الحاجة لإعادة تدريب الشبكة بأكملها.
المساهمات الرئيسية
أول تطبيق للتمثيلات العصبية الضمنية (INRs) في الضمور الجغرافي: يقدم هذا العمل أول تطبيق للتمثيلات العصبية الضمنية لنمذجة مسارات الآفات الفردية في الضمور الجغرافي الناتج عن التنكس البقعي المرتبط بالسن (AMD).
النمذجة المشتركة للصور والتقسيم: يولد الإطار صور (FAF) وأقنعة تقسيم الضمور الجغرافي في آن واحد عند أي نقاط زمنية (ماضية، حاضرة، أو مستقبلية)، مما يسمح بالاستكمال (interpolation) والاستقراء (extrapolation) لحالات المرض.
القدرة على التكيف مع البيانات المنخفضة: من خلال توظيف التكيف وقت الاختبار للمتجهات الكامنة الخاصة بالعين، يولد الأسلوب تنبؤات دقيقة للمرضى الجدد باستخدام بيانات طولية محدودة (زيارة واحدة أو اثنتين فقط).
نمذجة المسار المستمر: يعامل هذا النهج تطور المرض كعملية مستمرة، مما يسمح بتصور الحالات المتوسطة والتطور المستقبلي الذي قد تغفله النماذج المنفصلة.
النتائج تم تقييم الطريقة باستخدام مجموعة بيانات (OMEGA)، التي تضم 37 عيناً من 30 مريضاً مع ما يصل إلى أربع زيارات. تمت المقارنة مع طرق الاستكمال الكلاسيكية، وImageFlowNet، وT-UNet، ونموذج الانتشار الواعي بالزمن (T-I2SBUNet) عبر ثلاثة سيناريوهات: التنبؤ بزوج واحد من الصور، والاستقراء التاريخي الكامل، وإعادة بناء الزيارة المفقودة.
أداء التقسيم: حققت الطريقة المقترحة أعلى درجات (DICE) (0.85 في السيناريو 1، و0.91 في السيناريو 2) وأقل "متوسط خطأ مطلق" (MAE) لمساحة الآفة (0.31 مم² و0.20 مم²، على التوالي) عبر جميع السيناريوهات. وقد تفوقت بشكل كبير على النماذج العميقة الأخرى في التقاط شكل الآفة وتحديد موقعها.
إعادة بناء الصور: حقق النموذج درجات تنافسية في "نسبة الإشارة إلى الضجيج" (PSNR) و"مؤشر التشابه الهيكلي" (SSIM) لإعادة بناء (FAF). ومع ذلك، يشير المؤلفون إلى أنه في بعض الحالات، كان مجرد نسخ آخر صورة حقيقية متاحة يعطي أفضل مقاييس إعادة البناء، ويرجع ذلك على الأرجلة إلى فترات المتابعة القصيرة (حوالي 12 أسبوعاً) في مجموعة البيانات.
التحليل النوعي: أكدت الفحص البصري أن النموذج يولد مسارات نمو آفات واقعية تتماشى مع القياسات الحقيقية، بينما أنتجت بعض الطرق المنافسة درجات (MAE) منخفضة ولكنها كانت غير متطابقة بصرياً مع المناطق الضامرة.
الأهمية والادعاءات يدعي البحث إثبات فائدة المتجهات الكامنة المكانية لتعلم الهياكل التشريحية الفردية وحقن المعلومات الزمنية عبر طبقات التعديل. ويضع المؤلفون هذا العمل كأداة لمساعدة الأطباء على تصور تطور المرض المتوقع وتوصيل فوائد العلاج المحتملة للمرضى.
يظل المؤلفون متواضعين فيما يتعلق بالقيود الحالية، حيث أقروا بأن إعادة بناء التفاصيل عالية التردد في صور (FAF) أثناء الاستقراء لا تزال تمثل تحدياً. ويؤكدون أنه بينما يعمل النموذج بشكل جيد في التقسيم وتقدير المساحة، فإن جودة الصورة في سيناريوهات الاستقراء تتطلب مزيداً من الدراسة. ويخلص البحث إلى أن العمل المستقبلي يجب أن يركز على مجموعات أكبر، ومراحل مختلفة من (AMD)، ودمج وسائط إضافية (مثل OCT) لتحسين التفسير السريري والتنبؤ بالمخاطر.