CalcSeg: Confidence-aware 3D Latent Context Curriculum Learning For Myocardial Scar Segmentation From Single-Stack LGE-CMRs

في النبض الهادئ والمنتظم لقلب الإنسان، غالباً ما تُكتب قصة تاريخ صامت في الأنسجة نفسها. فعندما تتضرر عضلة القلب بسبب نوبة قلبية أو مرض ما، تترك وراءها بقعة من الأنسجة الندبية، تماماً مثل جرح ملتئم على الجلد. وقد اعتمد الأطباء لفترة طويلة على نوع متخصص من التصوير بالرنين المغناطيسي، يُعرف باسم (LGE-CMR)، لرؤية هذه الندبات. يستخدم الفحص صبغة آمنة تبرز المناطق المتضررة، مما يسمح للأطباء بقياس مقدار الجزء المصاب من القلب. وهذا القياس حيوي للغاية؛ إذ يمكن لحجم وموقع الندبة أن يتنبأ بما إذا كان المريض قد يواجه مشا المشكلات القلبية الخطيرة في المستقبل. ومع ذلك، فإن قراءة هذه الصور يدوياً هي مهمة بطيئة وصعبة؛ فالندبات قد تكون باهتة، أو منتشرة بشكل رقيق، أو مخفية في مناطق ذات تباين منخفض، مما يجعل من السهل تفويتها أو إساءة تقديرها. وحتى عندما ينظر الخبراء إلى الفحص نفسه، فإنهم غالباً ما يختلفون حول المكان الذي تبدأ وتنتهي عنده الندبة بالضبط.

ولحل هذه المشكلة، طور الباحثون في جامعة فرجينيا نظاماً حاسوبياً جديداً يسمى (CalcSeg). صُممت هذه الأداة لتحديد وتحديد حدود ندبات القلب تلقائياً بمستوى من الدقة يضاهي الخبراء البشر، ولكن مع اتساق الآلات. تم بناء النظام للتعامل مع الصعوبات المحددة لصور مسح القلب أحادية الطبقة (single-stack)، وهي الشائعة في العيادات ولكنها غالباً ما تفتقر إلى التفاصيل الكاملة ثلاثية الأبعاد اللازمة لرؤية الضرر المعقد. وبدلاً من محاولة إجبار الحاسوب على تعلم كل شيء دفعة واحدة، علمهم الباحثون باستخدام طريقة تشبه كيفية تعلم الطالب لموضوع جديد: البدء بالأمثلة الأسهل ثم الانتقال تدريجياً إلى الأصعب. هذا النهج، المعروف باسم "التعلم المنهجي" (curriculum learning)، يسمح للحاسوب ببناء أساس متين قبل مواجهة الندبات المربكة أو الضبابية أو الصغيرة التي عادة ما تحبط الأنظمة الأخرى.

يكمن جوهر هذه الطريقة الجديدة في كيفية فهم الحاسوب للقلب. فقد كانت معظم المحاولات السابقة تنظر إلى القلب كشرائح رقيقة واحدة في كل مرة، مثل تقليب صفحات كتاب فردي. وغالباً ما تسبب هذا في جعل الحاسوب يفتقد الصورة الكبيرة، حيث يفشل في رؤية كيفية اتصال الندبة من شريحة إلى أخرى. يغير (CalcSeg) ذلك من خلال إنشاء "سياق كامن" (latent context)، وهو طبقة فهم خفية تربط الشرائح ببعضها البعض. فهو يستخدم آلية "الانتباه الذاتي" (self-attention mechanism)، والتي تعمل مثل كشاف الضوء الذي يساعد الحاسوب على النظر إلى شريحة ما والتساؤل: "ماذا تخبرني الشريحة فوق وتحت هذه الشريحة؟". يتيح ذلك للنظام إعادة بناء عرض ثلاثي الأبعاد للقلب من الصور ثنائية الأبعاد، مما يضمن أن الندبة التي يحددها منطقية تشريحياً وتتبع الشكل الطبيعي لعضلة القلب.

وما يجعل هذا النظام فريداً حقاً هو كيفية قراره بالصور التي سيتعلم منها ومتى. فبدلاً من معاملة كل مسح كصعوبة متساوية، يقيم الحاسوب باستمرار مدى ثقته. فهو ينظر إلى توقعاته ويتساءل سؤالين: "بكم يختلف تخميني عن الحقيقة المعروفة؟" و"ما مدى عدم تأكدي من هذا التوقع؟". إذا كان الحاسوب واثقاً وكانت الصورة واضحة، فإنه يعامل الحالة كحالة سهلة. وإذا كانت الصورة ضبابية، أو كانت الندبة صغيرة، أو كان الحاسوب غير متأكد، فإنه يصنف الحالة كحالة صعبة. يقوم النظام بعد ذلك بتنظيم تدريبه للتركيز على الحالات السهلة أولاً. ومع إتقانه لها، يبدأ ببطء في إدخال الحالات الأصعب والأكثر إرباكاً في دروسه. تضمن هذه العملية الديناميكية أن الحاسوب لا يشعر بالإرهاق من الأمثلة الصعبة في وقت مبكر، بل يبني بدلاً من ذلك المهارات اللازمة للتعامل معها لاحقاً.

اختبر الباحثون هذا النظام على مجموعة كبيرة من مسوحات القلب من أربعة مراكز طبية مختلفة، شملت ما يقرب من ألف مريض يعانون من حالات قلبية متنوعة. وقارنوا (CalcSeg) بخمسة نماذج حاسوبية رائدة أخرى تُعتبر حالياً الأفضل في هذا المجال. وأظهرت النتائج أن (CalcSeg) تفوق باستمرار على الآخرين. لقد كان ناجحاً بشكل خاص في السيناريوهات الأكثر تحدياً، مثل عندما تكون الندبة صغيرة جداً، أو منتشرة بشكل واسع، أو يصعب رؤيتها مقابل الأنسجة السليمة. وفي هذه الحالات الصعبة، قلل النظام الجديد من الخطأ في قياس حجم الندبة بهامش كبير مقارنة بأفضل الطرق السابقة. كما أنتج تنبيهات كاذبة أقل، مما يعني أنه كان أقل عرضة للخلط بين الأنسجة السليمة والندبة.

تؤكد الدراسة أن تعليم الحاسوب التعلم على مراحل، مع مساعدته في الوقت نفسه على فهم البنية ثلاثية الأبعاد للقلب، يؤدي إلى نتائج أفضل بكثير من محاولة تعلم كل شيء دفعة واحدة من صور مسطحة. فالنظام لا يخمن فحسب، بل يتعلم التعرف على الأنماط الدقيقة لتلف القلب التي غالباً ما يتم إغفالها. وبينما يشير الباحثون إلى أن العمل المستقبلي سيتضمن اختبار النظام على أنواع مختلفة من مسوحات القلب وتحسين كيفية تعامله مع عدم اليقين عند حواف الندبات، فإن النتائج الحالية تقدم خطوة واعدة للأمام. ومن خلال توفير طريقة أكثر موثوقية وتلقائية لقياس ندبات القلب، يمكن لهذه التكنولوجيا أن تساعد الأطباء في نهاية المطاف في اتخاذ قرارات أسرع وأكثر دقة للمرضى الذين يعانون من أمراض القلب، محولةً مهمة يدوية معقدة ومتغيرة إلى معيار دقيق وقابل للتكرار للرعاية الصحية.