A Unified DINOv2-Based Framework for LVEF Estimation, GLS Dysfunction Classification, and Early Cardiotoxicity Prediction

القلب مضخة لا تكل، ولكن مثل أي آلة، يمكن أن تضعف، خاصة عندما تحارب السرطان. تُعد أدوية العلاج الكيميائي أسلحة قوية ضد الأورام، ومع ذلك فإنها قد تسبب أحياناً ضرراً لعضلة القلب، وهو عرض جانبي يُعرف باسم "السمية القلبية". إن اكتشاف هذا الضرر مبكراً هو سباق مع الزمن. يعتمد الأطباء حالياً على طريقتين رئيسيتين لفحص صحة القلب؛ الأولى هي مقياس لكمية الدم التي يضخها القلب مع كل نبضة، وهو معيار قياسي يعطي الصورة الكلية. والثانية هي أداة أكثر حساسية تتبع التمدد والانقباض الدقيق لعضلة القلب نفسها، وغالباً ما تكشف عن المشاكل قبل أن تظهر الصورة الكلية أي علامة على الإجهاد. وتكمن التحديات في حقيقة أن هذه الإشارات مخفية داخل صور معقدة ومتحركة للقلب، وغالباً ما يتطلب رصد العلامات التحذيرية المبكرة وجود خبير بشري يقوم يدوياً بتتبع حدود القلب وعدّ نبضاته، وهي عملية بطيئة وعرضة للخطأ البشري.

لقد طور فريق من الباحثين في "GE HealthCare" نظاماً حاسوبياً جديداً مصمماً لقراءة فيديوهات القلب بسرعة ودقة أكبر، بهدف رصد المشاكل قبل أن تصبح غير قابلة للإصلاح. وبدلاً من تعليم الكمبيوتر من الصفر لفهم صور القلب، قاموا ببناء نظامهم فوق نموذج "أساسي" ضخم ومُدرب مسبقاً. فكر في هذا النموذج الأساسي كطالب قد درس بالفعل ملايين الصور العامة وتعلم التعرف على الأشكال والأنسجة والأنماط. ثم أعطى الباحثون هذا الطالب دورة متخصصة في فيديوهات القلب، لتعليمه التركيز على التفاصيل المحددة اللازمة لقياس وظيفة القلب والتنبؤ بالضرر الناتج عن الأدوية. سمح هذا النهج للنظام بالتعلم بسرعة ودقة، حتى مع توفر عدد قليل نسبياً من فيديوهات المرضى للتدريب.

اختبر الباحثون نظامهم في ثلاث مهام متميزة باستخدام مجموعة كبيرة من فيديوهات الموجات فوق الصوتية للقلب لمرضى من جميع أنحاء أوروبا. المهمة الأولى كانت حساب النسبة المئوية للدم الذي يضخه القلب، وهو رقم حاسم لتشخيص فشل القلب. والمهمة الثانية كانت تصنيف ما إذا كانت عضلة القلب تظهر علامات خلل وظيفي بناءً على أنماط تمددها. أما الثالثة، وهي الأكثر صعوبة، فكانت التنبؤ بالمرضى الذين سيصابون بضرر في القلب بسبب العلاج الكيميائي حتى قبل بدء العلاج، وذلك باستخدام فحوصات القلب الأساسية الخاصة بهم فقط. وللتعامل مع هذه الأهداف المختلفة، استخدم النظام استراتيجية ذكية حيث أبقى معرفته الجوهرية "مجمدة" وأضاف "محولات" (adapters) صغيرة ومرنة لكل مهمة محددة. وهذا يعني أن النظام استطاع تعلم الإشارات البصرية الفريدة لحجم الضخ دون الخلط بينها وبين إشارات تمدد العضلات، مما ضمن أداء كل مهمة بدقة عالية.

كان الابتكار الرئيسي في هذا العمل هو كيفية تعامل النظام مع توقيت نبضة القلب. في النهج التقليدي، قد يحتاج الكمبيوتر إلى إخباره بدقة متى يكون القلب في حالة استرخاء تام ومتى يكون في حالة انقباض تام لإجراء القياس. ومع ذلك، تعلم هذا النظام الجديد فهم إيقاع القلب من تلقاء نفسه؛ حيث استطاع استنتاج معلومات التوقيت الضرورية مباشرة من المحتوى البصري للفيديو، دون الحاجة إلى أي تسميات خارجية أو علامات يدوية لتحديد بداية ونهاية النبضة. جعل هذا النظام أكثر قوة وعملية للاستخدام في العالم الحقيقي، حيث غالباً ما تفتقر البيانات إلى هذه التسميات اليدوية الدقيقة. وبالنسبة لمهمة قياس حجم الضخ، أنشأ الفريق أيضاً نموذجاً منفصلاً ومتخصصاً يجمع بين حركة الفيديو الكاملة مع نظرة مركزة على اللحظات الأكثر حرجاً للاسترخاء والانقباض، محاكياً بذلك الطريقة التي قد يقارن بها الطبيب البشري ذهنياً بين حالة القلب في أوقات مختلفة.

أظهرت نتائج الدراسة أن هذا النهج الجديد حقق نجاحاً ملحوظاً. فبالنسبة لقياس حجم ضخ القلب، حقق النظام متوسط خطأ قدره خمسة بالمائة بقليل، وحسّن النموذج المتخصص هذه النسبة لتصبح أقل من خمسة بالمائة، وهو مستوى من الدقة يضاهي الخبراء البشريين. وعندما تعلق الأمر بالكشف عن خلل وظيفي دقيق في العضلات، حدد النظام المشكلة بشكل صحيح في ما يقرب من 77 بالمائة من الحالات. والأهم من ذلك، بالنسبة للتنبؤ بضرر القلب المبكر الناتج عن العلاج الكيميائي، تحسنت قدرة النظام على رصد المرضى المعرضين للخطر بشكل كبير، حيث صنف المرضى حسب درجة الخطورة بشكل صحيح في أكثر من 70 بالمائة من الحالات، وهي قفزة كبيرة مقارنة بالطرق السابقة. تشير هذه النتائج إلى أنه من خلال الاستفادة من المعرفة البصرية القوية المدربة مسبقاً وتكييفها بعناية مع الاحتياجات الطبية، يمكن للحواسيب أن تصبح حليفاً قوياً في حماية مرضى السرطان من ضرر القلب، مما يوفر وسيلة للتدخل المبكر وإنقاذ الأرواح المحتمل.