Learning Unsteady Aneurysm Hemodynamics with Physics-Informed DeepONets

تخيل أنك تحاول التنبؤ بكيفية جريان نهر عبر أخدود متعرج. في العالم الحقيقي، تكون الأنهار فوضوية؛ فهي تدوّم، وتصطدم بالصخور، وتغير سرعتها اعتماداً على الأمطار. وفي عالم الطب، تشبه أوعيتنا الدموية تلك الأنهار، وأحياناً تصاب بضعف يسمى "تمدد الأوعية الدموية" (aneurysms)—وهي انتفاخات قد تنفجر إذا ارتفع الضغط فيها بشكل كبير. يحتاج الأطباء إلى معرفة كيفية دفع الدم ودورانه بدقة داخل هذه الانتفاخات ليقرروا ما إذا كان المريض يحتاج إلى جراحة.

للحصول على هذه المعلومات، يستخدم العلماء عادةً برنامجاً حاسوبياً فائق القوة يسمى "ديناميكا السوائل الحسابية" (CFD). فكر في (CFD) ككاميرا سينمائية عالية التقنية تعمل بالتصوير البطيء، تحاكي كل قطرة دم. المشكلة هي أن صنع هذا الفيلم يستغرق وقتاً طويلاً—أحياناً أياماً على حاسوب خارق. الأمر يشبه محاولة التنبؤ بالطقس من خلال محاكاة كل جزيء هواء؛ إنه دقيق، لكنه بطيء جداً بحيث لا يمكنه مساعدة الطبيب في اتخاذ قرار سريع في المستشفى.

مؤخراً، بدأ العلماء في استخدام "الذكاء الاصطناعي" (AI) لتسريع هذه العملية. فبدلاً من محاكاة كل قطرة، يتعلم الذكاء الاصطناعي قواعد الفيزياء ويحاول تخمين الإجابة فوراً. أحد أنواع الذكاء الاصطناعي الشهيرة هو "DeepONet". يمكنك التفكير في (DeepONet) التقليدي كطالب ذكي جداً يحفظ كتاباً مدرسياً معيناً؛ إذا سألته سؤالاً من هذا الكتاب، سيجيب بشكل مثالي. ولكن إذا أعطيته سؤالاً مختلفاً قليلاً (مثل مريض جديد لديه معدل ضربات قلب مختلف)، فسيصاب بالارتباك ويضطر للبدء في الدراسة من جديد. تقدم هذه الورقة نسخة مطورة ومحدثة من هذا الطالب الذكي، وهي لا تكتفي بالحفظ فحسب، بل تتعلم كيف تتكيف مع المواقف الجديدة فوراً.

---

الورقة البحثية: تعلم ديناميكا الدم غير المستقرة لتمدد الأوعية الدموية باستخدام DeepONets المستندة إلى الفيزياء

تتحدث هذه الورقة عن تعليم ذكاء اصطناعي فائق الذكاء التنبؤ بكيفية تدفق الدم عبر نسخة مثالية ومصطنعة من تمدد الأوعية الدموية البطنية الخطير (وهو انتفاخ في الشريان الأورطي الرئيسي في البطن). الهدف هو إنشاء أداة يمكنها إخبار الأطباء بسرعة تدفق الدم والضغط على جدران الشريان في ثوانٍ، بدلاً من الـ 12 ساعة التي تستغرقها المحاكاة الحاسوبية التقليدية حالياً.

المشكلة في الذكاء الاصطناعي القديم
تخيل أنك تحاول وصف رقصة لصديق. إذا أخبرته فقط بالموسيقى (تدفق المدخل)، فقد يخمن الحركات. وإذا أخبرته فقط بالوضعية النهائية (ضغط المخرج)، فقد يخمن بشكل مختلف. ولكن إذا أخبرته بكليهما، بالإضافة إلى كيفية بدء الرقصة (الحالة الأولية)، فيمكنه فهم الروتين كاملاً وبشكل مثالي.

كانت نماذج الذكاء الاصطناعي السابقة مثل صديق يمكنه الاستماع لشيء واحد فقط في كل مرة. إذا أعطيته دليلين أو ثلاثة (مثل تدفق المدخل والحالة الأولية)، فسيصاب بالارتباك لأن "دماغه" (الجزء الذي يولد الإجابة) كان صلباً. كان الأمر يشبه محاولة ارتداء حذاء يناسب مقاس قدم واحد فقط، مهما حاولت تمديده. وتجادل الورقة بأن مجرد إضافة المزيد من المدخلات إلى الذكاء الاصطناعي القديم لم ينجح؛ بل جعل التنبؤات أسوأ في الواقع لأن الذكاء الاصطناعي لم يستطع دمج الأدلة المختلفة معاً بشكل صحيح.

الحل الجديد: استراتيجية "الحقن المجمع" (Aggregated Injection)

ابتكر المؤلفون بنية جديدة للذكاء الاصطناعي تسمى M3PI-DeepONet. السر يكمن في شيء يسمونه استراتيجية "الحقن المجمع".

فكر في الذكاء الاصطناعي كطباخ يصنع حساءً:

• الأفرع (The Branches): هي المكونات. في هذه الحالة، المكونات هي قطع مختلفة من المعلومات حول تدفق الدم (مثل السرعة عند المدخل، والضغط عند المخرج، وكيف كانت حركة الدم في بداية نبضة القلب).
• الجذع (The Trunk): هو القدر الذي يُطهى فيه الحساء. في نماذج الذكاء الاصطناعي القديمة، كان القدر صلباً؛ له شكل ثابت، لذا مهما وضعت فيه من مكونات، يظل طعم الحساء كما هو.
• الابتكار: أضاف المؤلفون "خلاطاً" خاصاً (الحقن المجمع) يمزج جميع المكونات معاً قبل أن تدخل إلى القدر! وهذا يغير شكل القدر نفسه؛ الآن، يتكيف القدر مع مزيج المكونات المحدد. إذا أضفت مكوناً حاراً، يتمدد القدر للتعامل مع الحرارة. وإذا أضفت مكوناً مائياً، ينكمش القدر.

يسمح هذا للذكاء الاصطناعي بإنشاء "أساس متكيف مع المدخلات" (Input-Adaptive Basis). وباللغة البسيطة، يغير الذكاء الاصطناعي خريطته الداخلية للعالم بناءً على الأدلة المحددة التي تعطيها له. فهو يتوقف عن كونه روبوتاً صلباً ويبدأ في كونه حلالاً للمشكلات بمرونة.

ماذا وجدوا؟
اختبر الفريق هذا الذكاء الاصطناعي الجديد على نموذج حاسوبي لتمدد الأوعية الدموية. قاموا بتغذية النموذج ببيانات من 15 نبضة قلب مختلفة (أشكال موجية) وطلبوا منه التنبؤ بتدفق الدم لنبضات قلب جديدة لم يسبق له رؤيتها.

1. إنه يعمل بشكل أفضل مع المزيد من الأدلة: وجدوا أن إعطاء الذكاء الاصطناعي دليلاً واحداً فقط (مثل تدفق المدخل) أدى إلى تنبؤ مشوش بنسبة خطأ تقارب 27%. ولكن عندما أعطوه دليلين محددين—تدفق المدخل والحالة الأولية للدم—انخفض الخطأ بشكل كبير إلى حوالي 3.4% للسرعة و4.2% للضغط.
2. "الخلاط" هو المفتاح: عندما حاولوا استخدام ثلاثة أدلة دون استراتيجية "الخلاط" الجديدة، ارتبك الذكاء الاصطناعي وعاد الخطأ للارتفاع. لكن مع "الحقن المجمع"، حتى استخدام ثلاثة أو أربعة أدلة كان يعمل بشكل رائع. وهذا يثبت أن الطريقة التي مزجوا بها المعلومات كانت هي الاختراق الحقيقي.
3. السرعة هي الفائز: الجزء الأكثر إثارة هو السرعة. استغرقت المحاكاة الحاسوبية التقليدية حوالي 12 ساعة لحساب تدفق دورة نبضة قلب واحدة. أما الذكاء الاصطناعي الجديد، بمجرد تدريبه، كان بإمكانه القيام بنفس المهمة في حوالي 20 دقيقة. هذا يعني تسريع العملية بمقدار 36 مرة.

ما الذي لا يستطيع فعله بعد؟
الورقة البحثية صريحة جداً بشأن حدودها. لقد تم تدريب الذكاء الاصطناعي على شكل "مثالي" لتمدد الأوعية الدموية. أما الشرايين البشرية الحقيقية فهي متعرجة، ومنحنية، وفريدة لكل شخص. هذا الذكاء الاصطناعي لا يعرف كيف يتعامل مع هذه التعرجات الواقعية بعد. كما أنه يحتاج إلى بعض المعلومات الأولية المحددة (مثل سرعة الدم في بداية نبضة القلب) ليتمكن من تقديم تنبؤاته. وفي مستشفى حقيقي، قد يكون الحصول على تلك البيانات الأولية الدقيقة أمراً صعباً دون إجراء فحص أولاً.

الخلاصة
لا تدعي هذه الورقة أنها حلت مشكلة التنبؤ بتمدد الأوعية الدموية لكل مريض غداً. بدلاً من ذلك، هي تظهر طريقة جديدة قوية لبناء ذكاء اصطناعي يتعلم قوانين الفيزياء ويتكيف مع المواقف الجديدة فوراً. من خلال دمج الأدلة المختلفة معاً قبل تغذيتها في عقل الذكاء الاصطناعي، أنشأوا نموذجاً أسرع بكثير وأكثر دقة من المحاولات السابقة. إنها خطوة كبيرة نحو مستقبل قد يتمكن فيه الأطباء من إجراء محاكاة "ماذا لو" لقلب المريض في الوقت الذي يستغرقه إعداد كوب من القهوة، مما يساعدهم على اتخاذ قرارات علاجية منقذة للحياة بشكل أسرع بكثير.