Beyond Uncertainty: Generalizable Failure Monitoring for Surgical Segmentation under Acquisition Degradation

في غرفة العمليات، يعتمد الجراح على يد ثابتة وعينين حادتين، ولكن بشكل متزايد، يعتمد أيضاً على برمجيات يمكنها الرؤية داخل الجسم. يمكن لأنظمة الكمبيوتر الحديثة مراقبة بث فيديو مباشر من كاميرا داخل المريض ورسم خطوط تحديد تلقائياً حول الأدوات الجراحية والأعضاء، مما يساعد الجراح على تتبع موقعه أو تقييم مهارته. تم تدريب هذه الأنظمة على آلاف الساعات من الفيديو الواضح وعالي الجودة. ومع ذلك، فإن الجراحة الحقيقية فوضوية؛ فالدخان الناتج عن كي الأنسجة، والتغيرات المفاجئة في الإضاءة، والحركة الضبابية، أو حتى ضغط إشارة الفيديو نفسها، يمكن أن تؤدي إلى تدهور الصورة. عندما يحدث هذا، قد يستمر الكمبيوتر في رسم خط تحديد مثالي المظهر بكل ثقة، رغم أن الصورة التي ينظر إليها مشوهة للغاية لدرجة تمنع دقتها. هذا هو الفشل الصامت: النظام مخطئ، لكنه لا يعرف ذلك، ولا يقدم أي تحذير للإنسان الذي يراقب الشاشة.

لقد طور فريق من الباحثين في جامعة فين (VinUniversity) في هانوي طريقة جديدة لكشف هذه الأخطاء الصامتة. لقد أنشأوا نظاماً يسمى TCSR-Monitor، والذي يعمل كـ "رقيب" مستقل للفيديو الجراحي. بدلاً من محاولة إصلاح نموذج الرؤية الحاسوبية أو إعادة تدريبه، يقوم هذا النظام الجديد ببساطة بمراقبة ما ينتجه النموذج والتحقق من النتيجة مقابل مجموعة من القواعد المنطقية السليمة. فهو ينظر إلى شكل الخط المحدد، ومدى سلاسة حركته من إطار فيديو إلى الإطار الذي يليه، وجودة الصورة نفسها. ومن خلال الجمع بين هذه الملاحظات ودرجة الثقة الخاصة بالنموذج، يمكن للمراقب رصد متى يتم تحديد أداة بشكل خاطئ، حتى لو أصر البرنامج الأصلي على أنه يقوم بعمل مثالي. اختبر الباحثون هذا النظام على مجموعة بيانات كبيرة من الفيديوهات الجراحية التي تم إتلافها اصطناعياً لمحاكاة مشاكل العالم الحقيقي مثل الضبابية والضجيج. ووجدوا أن نظامهم الجديد يمكنه اكتشاف حالات الفشل هذه بشكل أفضل بكثير من الاعتماد على ثقة الكمبيوتر وحدها، مما يثبت أن النظر إلى شكل وحركة النتيجة لا يقل أهمية عن الاستماع إلى "الصوت الداخلي" للكمبيوتر.

تتمثل المشكلة الجوهرية التي عالجها الباحثون في أن نماذج التعلم العميق، التي تشغل هذه الأدوات الجراحية، غالباً ما تكون مفرطة في الثقة. فعندما تكون الصورة ضبابية أو مظلمة، قد يخرج النموذج القياسي خط تحديد حاد وواضح لأداة جراحية، وهو مقتنع بأنه صحيح. وفي العالم الحقيقي، يعد هذا أمراً خطيراً لأن الجراح قد يثق في خط تحديد خاطئ ويرتكب خطأً. حاولت الطرق السابقة حل ذلك عن طريق قياس عدم اليقين، أي سؤال الكمبيوتر جوهرياً: "ما مدى تأكدك؟". وإذا كان الكمبيوتر غير متأكد، فإنه يطلق إنذاراً. لكن الباحثين وجدوا أنه تحت أنواع معينة من تدهور الصورة، يظل الكمبيوتر مصراً على ثقته حتى عندما يكون مخطئاً تماماً. النهج الجديد، TCSR-Monitor، يتقبل حقيقة أن الكمبيوتر قد يكون واثقاً ولكنه مخطئ، لذا فهو يتوقف عن الاكتفاء بالاستماع إلى ثقة الكمبيوتر ويبدأ في النظر إلى الأدلة الموجودة في الفيديو نفسه.

لبناء هذا الرقيب، صمم الباحثون نظاماً لا يحتاج لمعرفة كيفية عمل الكمبيوتر الجراحي من الداخل. إنه مراقب "بعدي" (post-hoc)، مما يعني أنه يجلس فوق النموذج الحالي دون تغيير أوزانه أو يتطلب الوصول إلى كوده البرمجي الداخلي. وهذا أمر بالغ الأهمية للمستشفيات، حيث قد يكون البرنامج الذي يدير الجراحة عبارة عن "صندوق أسود" لا يمكن تعديله أو إعادة تدريبه. يراقب النظام الفيديو إطاراً تلو الآخر؛ فلكل صورة، يستخرج النظام اثنين وعشرين دليلاً مختلفاً. بعض هذه الأدلة يأتي من ثقة النموذج، مثل مدى تذبذب النموذج بين احتمالات مختلفة. وأدلة أخرى تأتي من شكل الخط المحدد: فالأداة الجراحية يجب أن تبدو كجسم صلب، وليس كمجموعة مبعثرة من البكسلات. كما يتحقق النظام من كيفية حركة الأداة؛ ففي الفيديو الحقيقي، تتحرك الأداة بسلاسة، لذا إذا قفز الخط المحدد بشكل عشوائي من إطار إلى آخر، فهذه علامة على وجود مشكلة. وأخيراً، يقيس النظام جودة الصورة نفسها، بالتحقق من الضبابية والسطوع والتباين.

اختبر الباحثون نظامهم باستخدام مجموعة بيانات تسمى EndoVis 2017، والتي تحتوي على تسجيلات لجراحة روبوتية. لقد أخذوا هذه الفيديوهات وأفسدوها عمداً بستة أنواع مختلفة من المشكلات، بما في ذلك الضبابية الغاوسية (Gaussian blur)، وضبابية الحركة، وضغط JPEG، بخمسة مستويات مختلفة من الشدة. ثم طلبوا من مراقبهم التنبؤ بالإطارات التي تحتوي على فشل، والذي عُرّف بأنه اللحظة التي لا يتطابق فيها خط تحديد الكمبيوتر مع الأداة الفعلية بشكل كافٍ. ولضمان أن النظام يتعلم حقاً رصد حالات الفشل وليس مجرد حفظ أنواع الصور السيئة التي تدرب عليها، استخدموا طريقة اختبار صارمة. فقد قاموا بتدريب المراقب على خمسة أنواع من فساد الصور، ثم اختبروه على النوع السادس الذي لم يره من قبل. يشبه هذا تعليم طالب التعرف على سيارة معطلة من خلال رؤية إطار مسطح، وزجاج أمامي مشروخ، وخدش في الباب، ثم مطالبته بتحديد سيارة تفتقر إلى عجلة. وقد نجح المراقب، مما أظهر أنه تعلم المفهوم العام للفشل بدلاً من مجرد حفظ العيوب المحددة.

أظهرت النتائج أن الاعتماد على ثقة الكمبيوتر وحدها لم يكن كافياً. وبينما استطاعت الطرق القياسية القائمة على عدم اليقين رصد بعض الأخطاء، إلا أنها أغفلت العديد من حالات الفشل الواثقة الأكثر خطورة. لقد تفوق TCSR-Monitor الجديد بشكل كبير على هذه الطرق القديمة، من خلال الجمع بين الثقة مع الشكل والحركة وجودة الصورة. وفي الاختبارات التي كان على النظام فيها تحديد حالات الفشل في صور لم يرها أثناء التدريب، حدد المشكلات بشكل صحيح في كثير من الأحيان أكثر من النماذج المرجعية القائمة على عدم اليقين. كما أجرى الباحثون فحصاً محدداً للتأكد من أن النظام لا يصنف أي صورة ضبابية على أنها فشل فحياً. لقد أظهروا أن المراقب يمكنه التمييز بين صورة ضبابية لا يزال الكمبيوتر فيها صحيحاً، وصورة ضبابية ارتكب فيها الكمبيوتر خطأً. وهذا تمييز حاسم؛ فالنظام الذي يصرخ فقط "الصورة سيئة" ليس مفيداً إذا لم يستطع معرفة متى يكون الكمبيوتر مخطئاً بالفعل.

ومع ذلك، أشار الباحثون بحذر إلى أن النظام ليس مثالياً بعد للاستخدام السريري الفوري. فبينما نجح في تحديد حالات الفشل، فقد أطلق أيضاً إنذارات كاذبة. في بعض الحالات، عندما كانت الصورة تالفة بدرجة متوسطة، صنف النظام ما يقرب من أربعين بالمائة من الخطوط المحددة بشكل صحيح على أنها حالات فشل. وهذا يعني أنه إذا اعتمد الجراح على تدفق الإنذارات هذا اليوم، فسيتم مقاطعته بتحذيرات حتى عندما يقوم الكمبيوتر بعمله بشكل صحيح. ولمعالجة ذلك، استخدم الفريق تقنية إحصائية تسمى "معايرة موندريان المطابقة" (Mondrian conformal calibration). تقوم هذه الطريقة بضبط حساسية الإنذار لمستويات مختلفة من تدهور الصورة، مما يضمن بقاء معدل حالات الفشل المفقودة ثابتاً عبر جميع أنواع المشكلات. وبينما حقق هذا توازناً في السلامة، إلا أنه لم يقضِ على الإنذارات الكاذبة تماماً، مما يسلط الضوء على المقايضة بين رصد كل خطأ وتجنب المقاطعات المستمرة.

كما استكشفت الدراسة ما إذا كان بإمكان نظام المراقبة هذا العمل مع أنواع مختلفة من الحواسيب الجراحية. لقد اختبروه على نموذج أحدث وأكثر قوة يسمى SAM2، وهو نموذج رؤية عام الأغراض. ومن المثير للاهتمام أن مقياس عدم اليقين البسيط كان في الواقع أفضل من المراقب الجديد المعقد لهذا النموذج تحديداً. وهذا يشير إلى أن النظام الجديد ليس "علاجاً سحرياً" يعمل في كل موقف، بل هو أداة متخصصة تتألق عندما يكون نموذج الكمبيوتر الأساسي واثقاً بعناد رغم كونه مخطئاً. وجد الباحثون أن السمات التي تعلمها نظامهم - مثل النظر في الشكل والحركة - يمكن نقلها إلى النموذج الجديد، لكنها لم تتفوق على الطريقة الأبسط في تلك الحالة المحددة. هذه الدقة مهمة: تكمن قيمة النهج الجديد في قدرته على التعميم لمشكلات غير مرئية وفي متانته عندما يكون الكمبيوتر مخطئاً بثقة، وليس في قدرته على استبدال جميع الطرق الأخرى.

في الختام، يوفر هذا العمل إطاراً موثوقاً لجعل الذكاء الاصطناو الجراحي أكثر أماناً. فهو يثبت أنه من خلال إضافة طبقة من المراقبة الخارجية التي تتحقق من الشكل والحركة والجودة، يمكننا رصد الأخطاء التي يفشل الكمبيوتر نفسه في رؤيتها. لقد أتاح الباحثون الكود الخاص بهم وتكوينات التدريب للجمهور، مما يسم يسمح لعلماء آخرين بالبناء على هذا الأساس. وبينما لا يزال النظام بحاجة إلى تحسين لتقليل الإنذارات الكاذبة قبل أن يمكن استخدامه في غرفة عمليات حية، فإنه يقدم مساراً واضحاً للمضي قدماً. إنه ينقل التركيز من مجرد الأمل في أن يعرف الكمبيوتر متى يكون مخطئاً، إلى بناء نظام يمكنه إخبارنا متى يكون الكمبيوتر مخطئاً، حتى عندما يصر الكمبيوتر على أنه على صواب. وهذه خطوة حيوية نحو ضمان بقاء المساعدين الرقميين في غرف العمليات شركاء موثوقين في البيئة عالية المخاطر للجراحة.