AppendiGrade: An XAI-Enhanced Deep Learning Framework for Grading Appendicitis in Ultrasound with Gaussian Blur and Grad-CAM

في عالم الطب، يُعد الألم المفاجئ والحاد الناتج عن التهاب الزائدة الدودية حالة طوارئ شائعة تتطلب تحركاً سريعاً. فإذا انفجرت الزائدة الملتهبة، يمكن أن يؤدي ذلك إلى مضاعفات تهدد الحياة، مما يجعل التشخيص المبكر والدقيق أمراً بالغ الأهمية. وبينما اعتمد الأطباء لفترة طويلة على أدوات التصوير لرؤية ما بداخل الجسم، يبرز التصوير بالموجات فوق الصوتية (السونار) كوسيلة قيمة بشكل خاص لأنه يستخدم الموجات الصوتية بدلاً من الإشعاع، مما يجعله أكثر أماناً وسهولة في الوصول للمرضى. ومع ذلك، فإن النظر في هذه الصور ليس بالأمر السهل دائماً؛ إذ يتطلب التمييز بين حالة بسيطة من الالتهاب وحالة أكثر خطورة، مثل انفجار الزائدة الدودية أو وجود جيب من العدوى، عيناً مدربة تدريباً عالياً ويمكن أن يستغرق وقتاً طويلاً. وهنا يبرز تقاطع الطب وعلوم الحاسوب ليقدم مساراً جديداً للمضي قدماً، باستخدام الذكاء الاصطناعي لمساعدة الأطباء على رؤية ما قد يفوتهم لولا ذلك.

لقد وضع فريق من الباحثين هدفاً لبناء نظام حاسوبي قادر على قراءة صور الموجات فوق الصوتية هذه وتحديد النوع المحدد لالتهاب الزائدة الدودية الموجود تلقائياً. وقد ركزوا على خمس فئات متميزة: زائدة دودية طبيعية وسليمة؛ التهاب حاد؛ زائدة مثقوبة حيث تشكلت فجوة؛ خراج، وهو تجمع للصديد؛ وحصاة زائدة (appendicolith)، وهي ترسبات صلبة تشبه الحجر داخل العضو. ولتعليم حاسوبهم، جمع الفريق مجموعة كبيرة مكونة من 4,679 صورة موجات فوق صوتية، تم تصنيف كل منها بعناية من قبل طبيب معتمد لضمان تعلم الحاسوب من معلومات صحيحة. بدأوا بتغذية هذه الصور الخام في أربعة نماذج حاسوبية موجودة مسبقاً، والتي تشبه الأدمغة الرقمية المصممة للتعرف على الأنماط. في البداية، كانت النتائج مخيبة للآمال؛ فقد كافحت النماذج لفهم الصور، وحققت دقة بلغت حوالي 69 بالمائة فقط، مما يعني أنها كانت مخطئة في أكثر من ثلث الحالات. كانت الصور تحتوي على الكثير من الضجيج البصري وتفتقر إلى التباين الواضح المطلوب ليميز الحاسوب بين الأنواع المختلفة من الالتهابات.

وإدراكاً منهم بأن البيانات الخام كانت هي العقبة، قرر الباحثون تنظيف الصور قبل عرضها على الحاسوب. فقد طبقوا عملية قامت أولاً بتنعيم الضجيج الحبيبي، تماماً مثل تمويه صورة لإزالة النقط المشتتة، ثم شحذ الحواف لجعل حدود الأعضاء تبرز بوضوح. كما قاموا بتعديل الإعدادات الداخلية لنماذج الحاسوب، وضبط كيفية تعلم النظام من كل مثال جديد. هذا المزيج من تنظيف الصور وضبط إعدادات الآلة أدى إلى تحول النتائج. فالنظام الذي قدم أفضل أداء، وهو نموذج يُعرف باسم (InceptionV3)، شهد قفزة هائلة في دقته من 69 بالمائة إلى 95.58 بالمائة. لقد أصبح موثوقاً للغاية، حيث حدد الحالة بشكل صحيح في كل حالة تقريباً اختبرها.

لم يتوقف الباحثون عند مج-رد الحصول على الإجابة الصحيحة؛ بل أرادوا فهم الكيفية التي توصل بها الحاسوب إلى استنتاجه. وللقيام بذلك، استخدموا تقنية تنشئ خريطة بصرية، تسلط الضوء على المناطق المحددة في صورة الموجات فوق الصوتية التي ركز عليها الحاسوب لاتخاذ قراره. وعندما نظروا إلى هذه الخرائط، وجدوا أن الحاسوب كان ينظر بالفعل إلى الأجزاء الصحيحة من الجسم، مثل الزائدة الملتهبة أو السوائل المحيطة، بدلاً من التخمين بناءً على أنماط عشوائية. هذه الشفافية أمر بالغ الأهمية، لأنها تسمح للطبيب البشري بالتحقق بسرعة مما إذا كان الحاسوب ينظر إلى الأشياء الصحيحة. ووجدت الدراسة أنه بينما قدمت النماذج الأخرى أداءً جيداً، كان هذا النموذج تحديداً هو الأكثر اتساقاً وموثوقية، مما يظهر أنه مع التحضير الصحيح للبيانات، يمكن للذكاء الاصطناعي أن يصبح أداة قوية للتمييز بين الاختلافات الدقيقة في حالات الطوارئ البطنية. ويشير هذا العمل إلى أن مثل هذه الأنظمة يمكن أن تساعد المتخصصين الطبيين يوماً ما من خلال تسليط الضوء على مناطق الاهتمام في فحوصات الموجات فوق الصوتية، وتقديم رأي ثانٍ سريع ومتسق ومبني على الأدلة المرئية للصورة نفسها.