MUST-PET: MUltimodal Self-supervised learning across Tracers for whole-body PET/CT-based lesion segmentation
تقدم هذه الورقة البحثية MUST-PET، وهو إطار عمل للتعلم الذاتي متعدد الوسائط يستفيد من إعادة البناء المقنع عبر كواشف FDG وPSMA PET-CT لتحقيق تقسيم لآفات الجسم بأك entirety يتسم بكفاءة التسمية والقدرة على التعميم لأغراض تحديد مراحل السرطان وتخطيط العلاج.
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 المشهد الواسع للطب الحديث، تتيح أداة قوية تسمى التصوير المقطعي بالإصدار البوزيتروني والتصوير المقطعي المحوسب (PET/CT) للأطباء رؤية داخل جسم الإنسان بوضوح مذهل. تجمع هذه التقنية بين نوعين مختلفين من الصور: أحدهما يرسم خريطة لبنية الجسم، مثل مخطط معماري مفصل، والآخر يكشف كيفية عمل الخلايا، حيث يسلط الضوء على مناطق النشاط العالي التي غالبًا ما تشير إلى المرض. عندما يعاني المريض من السرطان، يمكن لهذه الفحوصات إظهار الأورام في أي مكان من الرأس إلى أخمص القدمين، مما يساعد الأطباء في تحديد مرحلة المرض، وتخطيط العلاج، والتحقق مما إذا كان العلاج فعالاً. ومع ذلك، فإن تحويل هذه الصور المعقدة إلى معلومات قابلة للتنفيذ يمثل عبئاً ثقيلاً؛ إذ يتعين على الأطباء تتبع كل ورم بشكل يدوي عبر مئات الشرائح من الصور، وهي عملية بطيئة ومجهدة وعرضة للخطأ البشري. وبينما تعلمت الحواسيب القيام بذلك تلقائياً، إلا أنها عادة ما تواجه صعوبة عند التعامل مع أنواع جديدة من الفحوصات أو مستشفيات مختلفة، لأنها تم تدريبها على مجموعات بيانات صغيرة ومحددة للغاية. ولجعل هذه الأدوات مفيدة حقاً للجميع، يجب أن تتعلم من مجموعة متنوعة واسعة من الأمثلة، لكن العثور على قدر كافٍ من البيانات المصنفة لكل سيناريو محتمل هو أمر مستحيل تقريباً.
وهنا يأتي دور نهج جديد يسمى "التعلم الخاضع للإشراف الذاتي" (self-supervised learning) ليقدم مساراً واعداً. فبدلاً من انتظار الأطباء لتصنيف ملايين الصور، تعلم هذه الطريقة الحواسيب كيف تتعلم من خلال محاولة إصلاح أو إعادة بناء أجزاء من الصور التي تم إخفاؤها عنها. ومن خلال التدرب على كميات هائلة من البيانات غير المصنفة، تتعلم الحاسة القواعد الأساسية للتشريح وكيفية ارتباط أجزاء الجسم المختلفة ببعضها البعض. وقد اتخذ فريق من الباحثين في جامعة دارتموث هذا المفهوم وطبقه على آفاق جديدة وتحدي كبير: تعليم الكمبيوتر التعرف على آفات السرطان عبر أنواع مختلفة من المواد المشعة (التعقبات الإشعاعية) ومن مؤسسات مختلفة. لقد طوروا نظاماً أطلقوا عليه اسم MUST-PET، وهو اختصار لـ "التعلم متعدد الوسائط الخاضع للإشراف الذاتي عبر المواد المشعة" (Multimodal Self-Supervised learning across Tracers). تم تدريب هذا النظام على مجموعة ضخمة تضم ما يقرب من 6000 فحص كامل للجسم لمرضى متنوعين، بما في ذلك بيانات من أرشيفات عامة ومستشفى محلي. وكان الهدف هو إنشاء نموذج يمكنه فهم كل من صور الأشعة المقطعية الهيكلية وصور الـ PET الوظيفية معاً، بحيث يتعلم كيفية ملء الأجزاء المفقودة من أي نوع من أنواع الصور باستخدام النوع الآخر كدليل.
صمم الباحثون عملية التدريب لتكون اختباراً صارماً لقدرة الكمبيوتر على تعلم القواعد العامة بدلاً من مجرد حفظ حالات محددة. فقد قاموا بتغذية النظام بأزواج من فحوصات PET وCT، ولكن خلال مرحلة التدريب، كانوا يخفون عشوائياً نصف المعلومات من أحد الصور، تاركين الصورة الأخرى مرئية بالكامل. وكان على الكمبيوتر حينها تخمين كيف تبدو الأجزاء المخفية بناءً على الأجزاء المرئية من صورته الشريكة. على سبيل المثال، إذا تم حجب قسم من فحص PET، يستخدم الكمبيوتر فحص CT المقابل له لاستنتاج التفاصيل المفقودة، والعكس صحيح. أجبر هذا النظام على تعلم العلاقة العميقة بين بنية الجسم ووظيفته. وقد دربوا هذا النموذج على مزيج متنوع من البيانات، بما في ذلك فحوصات تستخدم مادتين مشعتين مختلفتين: إحداهما تستهدف مجموعة واسعة من أنواع السرطان، والأخرى تستهدف تحديداً سرطان البروستاتا. وبمجرد أن تعلم الكمبيوتر هذه الأنماط الواسعة، اختبره الباحثون من خلال إعطائه كمية صغيرة من البيانات المصنفة لصقل قدرته على رسم حدود دقيقة حول الأورام.
أظهرت النتائج أن هذا النهج حسن أداء الكمبيوتر بشكل كبير، خاصة عندما كان لديه قدر ضئيل جداً من البيانات المصنفة للعمل بها. فعند اختباره على مجموعة بيانات قياسية مكونة من 321 فحصاً، حقق النموذج الجديد درجة تقسيم بلغت 0.576، وهو تحسن ملحوظ عن النموذج الذي تم تدريبه من الصفر والذي سجل 0.526. وكان الفرق أكثر وضوحاً عندما تم اختبار النموذج الجديد على مجموعة بيانات مختلفة تماماً مكونة من 200 فحص لسرطان البر prostatat لم يسبق له رؤيتها من قبل؛ ففي هذا السيناريو الصعب، سجل النموذج الجديد 0.601، بينما حقق النهج التقليدي 0.547 فقط. تشير هذه الأرقام إلى أن النموذج تعلم التعرف على الأورام بدقة أكبر وبأخطاء أقل، مثل تفويت الآفة أو تحديد الأنسجة السليمة خطأً على أنها سرطان. كما أثبت النظام كفاءة أكبر في التعامل مع البيانات؛ حيث أظهر مكاسب جوهرية حتى عندما تم تدريبه باستخدام جزء ضئيل فقط من الأمثلة المصنفة المتاحة، مما يشير إلى أن مرحلة الإشراف الذاتي الأولية قد منحته أساساً قوياً من المعرفة.
وبعيداً عن الأرقام، لاحظ الباحثون أن النموذج الجديد ارتكب أخطاءً أقل في توقعاته البصرية. ففي المقارنات جنباً إلى جنب، كان النموذج المدرب من الصفر غالباً ما يفقد الأورام الصغيرة أو يرسم حدوداً فضفاضة للغاية، بينما التقط النموذج الجديد الآفات بدقة أكبر وبإنذارات كاذبة أقل. وقد ظل هذا التحسن قائماً حتى عند تطبيق النموذج على فحوصات من مستشفى مختلف بمعدات ومرضى مختلفين، مما أظهر مستوى من القدرة على التكيف تفتقر إليه الأنظمة السابقة. تشير الدراسة إلى أنه من خلال تعليم الحواسيب فهم العلاقة بين أنواع التصوير المختلفة وعبر مؤشرات الأمراض المختلفة، يمكننا بناء أدوات أكثر قوة لا تتطلب عمليات تصنيف يدوي هائلة لتعمل بفعالية. وبينما يشير الباحثون إلى أن المقارنة المباشرة مع نموذج سابق تم تدريبه على نوع واحد فقط من المواد المشعة لم تكن ممكنة بسبب تداخل البيانات، فإن نتائجهم تشير بوضوح إلى أن التعلم عبر مواد مشعة ومؤسسات متعددة يؤدي إلى تعميم أفضل. يشير هذا العمل نحو مستقبل يمكن فيه للأنظمة المؤتمتة مساعدة الأطباء بشكل أكثر موثوقية، والتعامل مع الحجم المتزايد للصور الطبية دون الحاجة إلى زيادة متناسبة في وقت المتخصصين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.