GenFAR: A generalized representation of brain structure, derived from 49,246 multi-cohort MRIs via deep learning
يُعد GenFAR إطار عمل للتعلم العميق معياريًا تم تدريبه على 49,246 صورة رنين مغناطيسي للدماغ من مجموعات سكانية متعددة باستخدام نهج تسلسلي لاستخلاص تمثيل عام ومعلومات سريرية يحسن بشكل كبير من كفاءة العينات ودقة مهام التصوير العصبي اللاحقة.
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. لسنوات، بنى العلماء روبوتات "متخصصة": أحدهم بارع في رصد الأورام، وآخر ممتاز في تخمين عمر الشخص، وثالث يمكنه فقط معرفة ما إذا كان الشخص يعاني من ارتفاع ضغط الدم. هؤلاء المتخصصون جيدون في وظيفتهم الواحدة، لكنهم سيئون للغاية في مشاركة ما يعرفونه. إذا أردت بناء روبوت جديد للتنبؤ بمرض مختلف، عليك البدء من الصفر، وجمع كومة هائلة من البيانات وتدريبه بالكامل من جديد. هذا الأمر بطيء، ومكلف، وغالباً ما يكون مستحيلاً إذا لم تكن تملك ملايين الصور الإشعاعية للدماغ.
إن مجال التصوير الطبي عالق حالياً في "وضع المتخصص" هذا. ومع ذلك، في مجالات أخرى من الذكاء الاصطناعي، مثل اللغة أو الصور الفوتوغرافية، بدأ العلماء في بناء "نماذج تأسيسية" — وهي عقول ضخمة عامة الغرض تتعلم الأنماط الواسعة أولاً، والتي يمكن بعد ذلك تعديلها لمهام محددة. السؤال الكبير لعلماء أبحاث الدماغ هو: هل يمكننا بناء دماغ عام مماثل للصور الطبية؟ إذا استطعنا فعل ذلك، فهذا يعني أننا سنتمكن من التعلم من كمية ضئيلة من البيانات الجديدة لأن النموذج سيفهم بالفعل الأساسيات حول كيفية ظهور الأدمغة وتغيرها. هذا هو التحدي الذي يتناوله البحث: إنشاء نظام واحد ذكي يتعلم من العديد من المهام المتعلقة بالدماغ في وقت واحد، بحيث يمكنه مساعدة الأطباء والعلماء في حل مشكلات جديدة بشكل أسرع وببيانات أقل.
تعرف على GenFAR، وهو نوع جديد من "أدمغة الدماغ" يعمل كأمين مكتبة فائق القدرة للصور الطبية. بدلاً من توظيف 17 متخصصاً مختلفاً لقراءة 17 كتاباً مختلفاً، بنى الباحثون مكتبة ضخمة ونمطية تقرأها جميعاً في وقت واحد. لقد غدوا هذا النظام بـ 49,246 صورة رنين مغناطيسي للدماغ من 11 مجموعة مختلفة من الناس، ليعلموه التنبؤ بكل شيء بدءاً من عمر الشخص ومستوى تعليمه وصولاً إلى ما إذا كان يعاني من السكري، أو ارتفاع ضغط الدم، أو العلامات المبكرة لمرض ألزهايمر.
جرب الباحثون طريقتين مختلفتين لتدريب هذه المكتبة. كانت الطريقة الأولى تشبه وجود 17 طالباً يدرسون في غرف منفصلة؛ كانوا يقرأون نفس الكتب لكن لم يكن بإمكانهم التحدث مع بعضهم البعض. نجح هذا بشكل مقبول، لكنه كان غير فعال. أما الطريقة الثانية، والتي تبين أنها الفائزة، فكانت تشبه سباق التتابع. في هذا النهج "التسلسلي"، درس الطلاب بترتيب محدد. تعلم الطالب الأول من مسح الدماغ الخام ثم مرر ملاحظاته إلى الطالب الثاني، الذي أضاف رؤاه الخاصة، وهكذا. وبحلول الوقت الذي وصلت فيه الملاحظات إلى الطالب الأخير، كانت لديهم ملخص ضخم وغني بكل ما يمكن للدماغ أن يخبرنا به.
اكتشف الفريق أن الحجم المثالي لفريق التتابع هو ستة طلاب. إذا حاولوا إضافة المزيد من الطلاب إلى الخط، تصبح الملاحظات فوضوية ومربكة (وهي مشكلة تسمى "الإفراط في التخصيص" أو overfitting)، ويصبح الملخص النهائي أقل دقة. كما اكتشفوا أي الطلاب هم أفضل "مانحي" المعرفة. كانت مهام مثل التنبؤ بالعمر، وألزهايمر/الضعف الإدراكي الخفيف، ودرجات اختبار الذاكرة (MMSE)، وحالات مثل ارتفاع ضغط الدم وفرط شحميات الدم، هم النجوم الخارقين. قدمت هذه المهام المعلومات الأكثر فائدة للمهام الأخرى. في الواقع، كان التعلم عن عمر الشخص مفيداً للغاية لدرجة أنه عزز أداء كل مهمة أخرى حاول النموذج حلها.
سحر GenFAR لا يكمكن فقط في أنه تعلم هذه الأشياء؛ بل في مدى قدرته على استخدام تلك المعرفة في مشكلات جديدة لم يرها من قبل. اختبر الباحثون ذلك عن طريق إخفاء مهمة واحدة (مثل التنبؤ بحالة التدخين) ومعرفة ما إذا كان النموذج، المدرب فقط على المهام الأخرى، لا يزال قادراً على تخمينها بشكل صحيح. كانت النتائج مبهرة: كان النموذج التسلسلي أفضل في تخمين هذه المهام المخفية من النموذج المدرب مباشرة على البيانات الخاصة بتلك المهمة. والأهم من ذلك، كان النموذج "فعالاً للغاية في التعامل مع العينات". عادةً، يحتاج التعلم العميق إلى آلاف الأمثلة لتعلم خدعة جديدة. ومع ذلك، استطاع GenFAR تعلم مهام جديدة باستخدام 100 إلى 500 مثال فقط، بينما يفشل النموذج القياسي أو يؤدي بشكل ضعيف مع هذا القدر الضئيل من البيانات.
استبعد البحث صراحةً فكرة أن سلاسل التعلم الأطول هي دائماً الأفضل؛ فقد وجدوا أن تجاوز ست مهام يؤدي في الواقع إلى تدهور الأداء. كما وجدوا أن ليست كل المهام هي مانحة مفيدة؛ فمحاولة التعلم من مهام مثل "Total-Tau CSF" (علامة بروتينية محددة) أو "التدخين" جعلت النموذج أسوأ، ويرجع ذلك على الأرجب إلى عدم كفاية البيانات أو ضعف إشارات الدماغ لدرجة تجعلها مفيدة. الباحثون واثقون جداً من نتائجهم، حيث اختبروا 5,000 تسلسل عشوائي مختلف لإثبات أن الرقم ستة هو النقطة المثالية، وأن مقياس "درجة المانح" (Donor Score) يتنبأ بدقة بالمهام التي تساعد والتي تضر.
في النهاية، لم يحتفظ الباحثون بهذه الأداة لأنفسهم. لقد أطلقوا النموذج والشيفرة البرمجية للجمهور، مما يسمح لأي شخص لديه مسح دماغي باستخراج هذه الميزات القوية والمعممة دون الحاجة إلى حاسوب خارق. ومن خلال تحويل كومة من النماذج المشتتة ذات الغرض الواحد إلى نظام واحد متماسك يشارك المعرفة، يشير GenFAR إلى أن مستقبل تصوير الدماغ يكمن في النماذج التي تتعلم بشكل واسع أولاً، لكي تساعدنا في فهم أسرار الدماغ ببيانات أقل بكثير مما كنا نعتقد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.