Deep learning-based computed tomography (CT) derived body composition classifier for colorectal cancer patients
تُظهر هذه الدراسة أن نماذج التعلم العميق المُحسّنة، ولا سيما GoogLeNet وAlexNet، يمكنها أتمتة تحليل تكوين الجسم المستمد من التصوير المقطعي المحوسب لمرضى سرطان القولون والمستقيم بدقة وسرعة، مما يقدم حلاً مجدياً لتقليل الوقت والخبرة المطلوبة للتقطيع اليدوي في سير العمل السريري.
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
في المعركة ضد السرطان، اعتمد الأطباء لفترة طويلة على رقم بسيط لتقييم الحالة الصحية العامة للمريض، وهو مؤشر كتلة الجسم (BMI). هذا الحساب، الذي يقسم وزن الشخص على طوله، يقدم لمحة سريعة عما إذا كان الشخص يعاني من نقص الوزن، أو وزن طبيعي، أو زيادة في الوزن. ومع ذلك، بالنسبة لمرضى سرطان القولون والمستقيم، فإن هذا الرقم لا يروي سوى جزء من القصة. فقد يكون لدى الشخص مؤشر كتلة جسم مرتفع ويبدو في حالة جيدة، بينما يعاني سرًا من حالة خطيرة تسمى "السمنة العضلية" (sarcopenic obesity). في هذه الحالة، يفقد الجسم كميات كبيرة من الأنسجة العضلية الحيوية، والتي تُستبدل بالدهون. هذا الفقدان الخفي للعضلات هو مؤشر قوي على ضعف معدلات البقاء على قيد الحياة وانخفاض جودة الحياة، ومع ذلك، لا تستطيع جداول الوزن القياسية رؤية ذلك. ولكي يفهم الأطباء حقًا القوة الفسيولوجية للمريض، يحتاجون إلى النظر داخل الجسم لقياس الكمية الفعلية للعضلات والدهون.
لعقود من الزمن، كانت الطريقة الأكثر دقة لرؤية هذا المشهد الداخلي هي التصوير المقطعي المحوسب (CT scans). توفر هذه الصور الطبية مقطعًا عرضيًا مفصلاً للجسم، مما يسمح للمتخصصين بقياس مساحة العضلات الهيكلية وكثافة تلك الأنسجة العضلية. كما يمكنهم تحديد كمية الدهون المخزنة تحت الجلد مباشرة والدهون المحيطة بالأعضاء الداخلية. هذه القياسات حاسمة لأنها تكشف عن الحالة الغذائية الحقيقية للجسم، مما يساعد الأطباء على التنبؤ بمدى قدرة المريض على تحمل الجراحة أو العلاج الكيميائي. ومع ذلك، وعلى الرغم من إمكاناتها المنقذة للحياة، نادرًا ما تُستخدم هذه الفحوصات لهذا الغرض في الرعاية المستشفى الروتينية. والسبب ليس نقصًا في التكنولوجيا، بل نقصًا في الوقت؛ فقياس هذه المساحات يدويًا على شاشة الكمبيوتر عملية بطيئة ومملة للغاية تتطلب خبيرًا مدربًا تدريبًا عاليًا لتتبع حدود كل عضلة وترسب دهني. قد يستغرق تحليل مسح واحد من قبل متخصص ساعات، مما يجعل من المستحيل استخدام هذه الطريقة لكل مريض يمر عبر الباب.
سعى فريق من الباحثين في جامعة غلاسكو لحل هذه العقبة عن طريق تعليم الحواسيب القيام بعملية القياس. كان هدفهم بناء نظام يمكنه النظر إلى فحص الأشعة المقطعية وحساب الكمية الدقيقة للعضلات والدهون تلقائيًا، تمامًا كما يفعل الخبير البشري، ولكن في جزء ضئيل من الوقت. اختبروا أنواعًا مختلفة من الذكاء الاصطناعي، المعروفة بنماذج التعلم العميق، وهي مصممة للتعرف على الأنماط في الصور. قام الباحثون بتغذية هذه البرامج الحاسوبية بآلاف الصور المقطعية لمرضى سرطان القولون والمستقيم، جنباً إلى جنب مع القياسات الصحيحة التي حسبها خبراء بشريون بالفعل. تعلم الكمبيوتر بعد ذلك كيفية التعرف على البصمات المرئية للعضلات والدهون، ليصبح قادرًا في النهاية على التنبؤ بهذه القيم بمفرده.
وجدت الدراسة أن الكمبيوتر استطاع بالفعل تعلم هذه المهمة المعقدة بدقة ملحوية. ومن بين النماذج المختلفة التي اختبروها، أثبتت بنية واحدة، تُعرف باسم "GoogLeNet"، أنها الأكثر مهارة في تقدير مساحة العضلات الهيكلية، حيث سجلت خطأً يقل عن خمسة بالمائة مقارنة بالمعيار البشوي الذهبي. أما النموذج الآخر، المسمى "AlexNet"، فقد كان الأفضل في قياس كثافة الأنسجة العضلية، بمعدل خطأ بلغ ما يزيد قليًا عن ثمانية بالمائة. هذه الأرقام مهمة لأنها تظهر أن الكمبيوتر لا يقوم بمجرد التخمين، بل يقدم نتائج قريبة إحصائيًا مما قد ينتجه المتخصص البشري. كما اكتشف الباحثون أن الكمبيوتر واجه صعوبة طفيفة في قياس مناطق الدهون، وخاصة الدهون الموجودة تحت الجلد، والتي يصعب تمييزها عن الخلفية في الفحص. ومع ذلك، حتى مع هذه التحديات الطفيفة، نجح النظام في تصنيف المرضى إلى فئات خطر بنسبة تقارب ثمانين بالمائة، حيث حدد بشكل صحيح أولئك الذين يعانون من مستويات خطيرة من فقدان العضلات.
ولضمان إمكانية استخدام هذه التكنولوجيا في مستشفى مزدحم، لم يتوقف الفريق عند مجرد بناء النموذج. لقد قاموا بدمج أفضل البرامج الحاسوبية أداءً في تطبيق ويب بسيط. تتيح هذه الأداة للطبيب رفع صورة واحدة من فحص الأشعة المقطعية الخاص بالمريض، مع تفاصيل أساسية مثل طول المريض ووزنه. وفي غض خلال ثوانٍ، يقوم النظام بحساب مساحة وكثافة العضلات، وتحويلها إلى درجة معيارية، وإخبار الطبيب ما إذا كان المريض معرضًا لخطر عالٍ. تستغرق العملية بأكملها أقل من ثانية لكل فحص، وهي سرعة تجعل من الممكن استخدامها لكل مريض. وأكد الباحثون أنهم اختاروا هذه النماذج الحاسوبية تحديدًا لأنها خفيفة الوزن وفعالة بما يكفي للعمل على معدات المستشفيات القياسية، مما يجنبهم الحاجة إلى أجهزة حاسوب فائقة التطور وباهظة الثمن، والتي غالبًا ما تتطلبها أنظمة الذكاء الاصطناعي الأحدث والأكثر تعقيدًا.
بينما تعد النتائج واعدة، يحرص الباحثون على الإشارة إلى أن هذه دراسة تجريبية، مما يعني أنها خطوة أولى وليست حلاً نهائيًا. فقد تم اختبار النظام على مجموعة صغيرة نسبيًا من المرضى من مستشفى واحد في غلاسكو. وهذا يحد من مدى فعالية الأداة مع أشخاص من خلفيات مختلفة أو بأجسام مختلفة، حيث تعلم الكمبيوتر من مجموعة محددة من الصور. كما وجدت الدراسة أن الأداة كانت أقل دقة نوعًا ما لبعض المجموعات، مثل النساء والرجال ذوي الأوزان المنخفضة، مما يشير إلى أن النسخ المستقبلية ستحتاج إلى ضبط دقيق للتعامل مع هذه الاختلافات بإنصاف. ورغم هذه القيود، يوضح العمل أن حلم التحليل الآلي لتكوين الجسم بات في المتناول. ومن خلال تحويل مهمة مرهقة تستغرق ساعات إلى مسألة ثوانٍ، تمتلك هذه التكنولوجيا القدرة على إدخال أداة تشخيصية حيوية في الممارسة السريرية اليومية، مما يضمن عدم مرور فقدان العضلات الخفي لأي مريض دون ملاحظة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.