Adaptive Post-Processing Drives Instance-Level Detection in Stroke Lesion Segmentation

في عالم التصوير الطبي، غالباً ما يتم تعليم الحواسيب للبحث عن المرض من خلال النظر إلى أصغر الوحدات البنائية الممكنة للصورة. فعندما يقوم طبيب بفحص دماغ بحثاً عن سكتة دماغية، تتكون الصورة من ملايين المكعبات الصغيرة التي تسمى "فوكسل" (voxels). ولسنوات طويلة، كانت الطريقة القياسية لتدريب الكمبيوتر على رصد هذه السكتات هي عدّ كم عدد هذه المكعبات التي تطابق رسم الخبير. فإذا غطى الكمبيوتر معظم المنطقة المتضررة، يحصل على درجة عالية. هذا الأسلوب يعمل بشكل جيد مع السكتات الكبيرة والواضحة، لكنه يعاني مع السكتات الصغيرة. يمكن أن تكون السكتة الدماغية بحجم حبة أرز أو بحجم قبضة اليد، وغالباً ما يتجاهل تدريب الكمبيوتر السكتات الصغيرة لأنها لا تساهم إلا بنسبة ضئيلة في العدد الإجمالي للمكعبات. وهذا يخلق نقطة عمياء حيث قد يجد الكمبيوتر سكتة كبيرة بشكل مثالي ولكنه يغفل تماماً عن سكتة صغيرة وخطيرة، أو والأسوأ من ذلك، قد يجد واحدة صغيرة ولكنه يفشل في ربطها بالمكان الصحيح بطريقة تُحتسب كنجاح.

لقد وضع الباحثون في مستشفى جامعة أوسلو حداً لهذه النقطة العمياء من أجل تحدي ISLES'26، وهي مسابقة مخصصة لتحسين كيفية اكتشاف الحواسيب لآفات السكتة الدماغية. واكتشفوا أن المشكلة الأكبر لم تكن في تصميم "عقل" الكمبيوتر، بل في كيفية تنقية الإجابة النهائية بعد أن يقدم الكمبيوتر تخمينه. وجدوا أن قاعدة صارمة تُستخدم لتحديد ما يُعتبر "إصابة ناجحة" كانت تعاقب الكمبيوتر بشكل غير عادل لكونه بعيداً قليلاً عن الدقة في الآفات الصغيرة. ومن خلال استبدال هذه القاعدة الجامدة بنظام مرن يتكيف مع حجم السكتة في كل مريض على حدة، نجحوا بشكل كبير في تحسين قدرة الكمبيوتر على إيجاد هذه الإصابات الصغيرة والحرجة.

يكمن جوهر المشكلة في كيفية تحكيم المنافسة للنتائج. يستخدم الحكام قاعدة "حارس البوابة" محددة: لكي يُعتبر توقع الكمبيوتر اكتشافاً ناجحاً، يجب أن تتداخل المساحة المتوقعة مع الآفة الحقيقية بنسبة ربع على الأقل. إذا وجد الكمبيوتر آفة ولكن التداخل كان أقل بقليل من هذا الربع، فإن النظام يعامله كما لو أن الكمبيوتر لم يجد شيئاً على الإطلاق. هذه عقوبة قاسية على "الخطأ الوشيك". تخيل كمبيوتراً حدد بشكل صحيح سكتة صغيرة وتداخل معها بشكل كبير، ولكنه جاء تحت الحد المطلوب بقليل. بموجب القواعد القديمة، كانت هذه المحاولة شبه المثالية ستُسجل كفشل تام، بينما سيحصل الكمبيوتر الذي أخطأ تماماً في العثور عليها على نفس الدرجة. هذا التباين يعني أن تدريب الكمبيوتر، الذي ركز على تغطية أكبر مساحة ممكنة، لم يساعده في اجتياز اختبار "حارس البوابة" هذا بالنسبة للآفات الصغيرة.

ولحل هذه المعضلة، طور الفريق طريقة جديدة تسمى "المعالجة اللاحقة التكيفية المشروطة بالحجم" (Volume-Conditioned Adaptive Post-Processing). فبدلاً من استخدام قاعدة واحدة ثابتة لتصفية البقع الصغيرة المزعجة من توقعات الكمبيوتر، ينظر هذا النظام الجديد إلى إجمالي حجم الضرر المتوقع في مسح مريض معين. فإذا توقع الكمبيوتر ضرراً صغيراً، يصبح النظام متساهلاً للغاية، حيث يحتفظ حتى بالقطع الصغيرة لضمان عدم تفويت أي سكتة صغيرة. أما إذا توقع الكمبيوتر ضرراً كبيراً، فإنه يصبح أكثر صرامة، ويقوم بإزالة القطع الصغيرة المزعجة التي قد تكون إنذارات كاذبة. يسمح هذا النهج للكمبيوتر بأن يكون حساساً بما يكفي لالتقاط أصغر السكتات دون أن يرتبك بسبب الضجيج في السكتات الكبيرة.

اختبر الباحثون هذه الطريقة على مجموعة بيانات تضم أكثر من 1,400 مسح لمرضى. وقارنوا نظامهم الجديد بنموذج كمبيوتر قياسي ونموذج آخر أكثر تعقيداً ومصمماً خصيصاً يستخدم آليات انتباه خاصة للتركيز على التفاصيل الصغيرة. وأظهرت النتائج أن تغيير التصميم الداخلي للكمبيوتر ساعد، ولكن بشكل طفيف فقط. لقد كان الاختراق الحقيقي يأتي من طريقة المعالجة اللاحقة الجديدة. فمن خلال تطبيق هذا المرشح التكيفي، نجح الفريق في تحسين اكتشاف الآفات الفردية بهامش كبير. في الواقع، كان التحسن الناتج عن هذا التعديل البسيط أكبر بنحو ست مرات من التحسن الناتج عن أي تغيير في بنية الكمبيوتر.

كان أحد أكثر النتائج كشفاً هو كيف تغير أداء الكمبيوتر عند النظر إلى أنواع مختلفة من المقاييس. فقد كان نموذج الكمبيوتر الجديد الأكثر تعقيداً أفضل في إيجاد الآفات الصغيرة، مما زاد معدل الاكتشاف بنسبة تقارب أربعة بالمائة. ومع ذلك، إذا نظرت فقط إلى الدرجة القياسية التي تقيس مدى تداخل المنطقة المتوقعة مع المنطقة الحقيقية، لكان هذا التحسن غير مرئي. لقد وجد الكمبيوتر المزيد من الآفات، لكن شكل تلك النتائج لم يتغير بما يكفي لتحسين درجة التداخل. وقد أثبت هذا أن الكمبيوتر يمكن أن يصبح أفضل بكثير في إيجاد المرض دون أن يغير بالضرورة مدى جودة تغطيته للمساحة، وهو تفصيل دقيق غالباً ما تغفله طرق التسجيل القياسية.

كما عالج الفريق حالة استثنائية صعبة حيث لا يوجد لدى المريض سكتة مرئية على الإطلاق. في هذه الحالات النادرة، قد يتوقع الكمبيوتر أحياناً آفة وهمية صغيرة. يتضمن نظامهم الجديد قاعدة سلامة تقوم بتصفير أي توقع صغير جداً لدرجة أنه لا يمكن أن يكون حقيقياً، مما يضمن عدم قيام الكمبيوتر بالإبلاغ كذباً عن وجود إصابة في دماغ سليم. سمح هذا الضبط الدقيق بموازنة الحاجة إلى إيجاد كل الآفات مع الحاجة إلى تجنب الإنذارات الكاذبة.

في النهاية، توضح الدراسة أنه في تحليل الصور الطبية، يمكن أن تكون طريقة تنقية النتيجة النهائية بنفس أهمية تصميم الكمبيوتر نفسه. ومن خلال الابتعاد عن نهج "مقاس واحد يناسب الجميع" والسماح للنظام بالتكيف مع الاحتياجات المحددة لكل مسح مريض، تمكن الباحثون من تحسين اكتشاف السكتات الدماغية الصغيرة والمهددة للحياة بشكل كبير. ويشير هذا العمل إلى أن التحسينات المستقبلية في الذكاء الاصطناعي الطبي قد لا تأتي من بناء نماذج أكبر وأكثر تعقيداً، بل من فهم القواعد المحددة المستخدمة للحكم على نجاحها، مما يضمن مكافأة الكمبيوتر على إيجاد الأشياء الصغيرة التي تهم حقاً.