Kinematic Knowledge Maps for Pattern Alignment: Structured Latent Representational Learning in Multimodal Gait Analysis
تقدم الورقة البحثية ScoliDetect، وهو إطار عمل متعدد الوسائط وقابل للتفسير لفحص الجنف مجهول السبب لدى المراهقين، والذي يستفيد من خريطة معرفية حركية مهيكلة ونصوص قائمة على القوالب لتعزيز التعميم والقابلية للتفسير من خلال الانتباه المتقاطع ثنائي الاتجاه والتدريب المسبق التبايني.
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 الأروقة الهادئة للمدارس والعيادات، استمر تحدٍ صامت لفترة طويلة: كيف يمكن رصد التواء طفيف ثلاثي الأبعاد في عمود فقري لشاب قبل أن يتحول إلى مشكلة صحية خطيرة. هذه الحالة، المعروفة باسم الجنف مجهول السبب لدى المراهقين، تؤثر على عدد كبير من المراهقين، وتسبب انحناء العمود الفقري جانبياً ودورانه. لعقود من الزمن، اعتمدت الطريقة القياسية لاكتشافه على فحص بدني حيث ينحني الطالب للأمام، يليه قياس مدى التواء ظهره. ورغم فعاليتها، تتطلب هذه العملية معدات متخصصة، وموظفين مدربين، وغالباً ما تؤدي إلى تعرض غير ضروري للإشعاع الناتج عن الأشعة السينية لأولئ-ك الذين لا يعانون في الواقع من الحالة. لقد سعى المجتمع الطبي منذ فترة طويلة لإيجال طريقة للكشف عن هذا التشوه تكون أقل توغلاً، وأكثر خصوصية، وقادرة على أن يتم تنفيذها من قبل غير المتخصصين، وربما باستخدام لا شيء أكثر من مجرد كاميرا فيديو بسيطة.
تكمن الصعوبة الجوهرية في استخدام الفيديو لهذه المهمة في طبيعة الحركة البشرية. فالمشي عبارة عن دورة إيقاعية متكررة، لكن التقاطه عبر الكاميرا يُدخل مزيجاً فوضوياً من المتغيرات: المسافة بين الشخص والعدسة، وزاوية اللقطة، وسرعة خطواته. عندما يحاول الباحثون تعليم الحواسيب كيفية التعرف على تشوه العمود الفقري من خلال الفيديو، غالباً ما تجد الآلات صعوبة في التمييز بين علامة طبية حقيقية وبين مجرد أثر ناتج عن كيفية تصوير الفيديو. فقد تتعلم الآلة التعرف على إضاءة معينة في ممر مستشفى أو ارتفاع الكاميرا، بدلاً من التعرف على الطريقة الفعلية التي يمشي بها الشخص. ولحل هذه المشكلة، طور فريق من الباحثين نظاماً جديداً لا يكتفي بمراقبة الفيديو فحسب، بل يترجم الحركة إلى لغة هيكلية عالمية يمكن للحاسوب فهمها بدقة.
هذا النظام الجديد، الذي يسمى "ScoliDetect"، ابتكره باحثون من جامعة هونج كونج ومستشفى شنتشن التابع لها. فبدلاً من تغذية خوارزمية معقدة بمقاطع الفيديو الخام مباشرة، يقوم الفريق أولاً بتحويل حركة المشي إلى "خريطة معرفة حركية". تخيل هذه الخريطة كقائمة مراجعة مفصلة وثابتة تضم 238 قياساً محدداً تصف كل جانب من جوانب مشية الشخص، من زاوية كتفيه إلى المسافة بين مفاصله. تعمل هذه الخريطة كشبكة صلبة، مما يضمن قياس كل خطوة يخطوها الشخص وفقاً لنفس المعايير تماماً، بغض النظر عن مكان المشي أو من يقوم بالتصوير. وإلى جانب هذه الخريطة، ينشئ النظام وصفاً هيكلياً قصيراً للحركة، مكتوباً بتنسيق يمكن للحاسوب قراءته، يلخص متوسط عرض الخطوات وميل الجذع.
بعد ذلك، بنى الباحثون إطار عمل يجمع بين ثلاثة مصادر متميزة للمعلومات: لقطات الفيديو الأصلية، وخريطة الحركة الهيكلية هذه، والنص الوصفي. لم يكتفوا بمجرد دمج هذه الأشياء الثلاثة معاً؛ بل صمموا طريقة يتعلم فيها الحاسوب كيفية محاذاتها بعناية. فالنظام يجبر الفيديو وخريطة الحركة على النظر إلى بعضهما البعض، ومطابقة لحظات محددة في الفيديو مع النقاط المقابلة لها في الخريطة. تتم عملية المحاذاة هذه من خلال عملية يركز فيها الحاسوب انتباهه على الأجزاء الأكثر صلة بالمشي، متجاهلاً ضجيج الخلفية والتفاصيل غير ذات الصلة. وفقط بعد هذه المحاذاة الدقيقة، يقوم النظام بدمج المعلومات لاتخاذ قرار بشأن ما إذا كان الشخص يعاني على الأرجح من انحناء في العمود الفقري.
لاختبار هذا النهج، جمع الفريق بيانات من ما يقرب من 1,900 مشارك عبر مواقع متعددة، بما في ذلك مستشفيات ومدارس في هونج كونج وشنتشن. وقد سجلوا آلاف فيديوهات المشي للمراهقين، بعضهم تم تأكيد إصابتهم بالجنف والبعض الآخر لا. كانت النتائج مذهلة. فعندما استخدم النظام الفيديو وحده، واجه صعوبة في التمييز بين الأصحاء والمصابين بدقة عالية. ومع ذلك، عندما تمت إضافة خريطة الحركة الهارية إلى المزيج، تحسنت قدرة النظام على اكتشاف الحالة بشكل كبير. أما النسخة الأكثر نجاحاً، والتي جمعت بين الفيديو والخريطة والوصف النصي، فقد حققت مستوى من الدقة أعلى بكثير من أي طريقة منفردة أو مجرد دمج بسيط لهما. لقد حدد النظام الحالة بشكل صحيح في الغالبية العظمى من الحالات مع الحفاظ على معدل منخفض جداً للإنذارات الكاذبة.
الأمر الجوهي هو أن النظام لم يكتفِ بتقديم درجة أو نتيجة فحسب؛ بل قدم تفسيراً واضحاً لقراره. ولأن خريطة الحركة مبنية على شبكة ثابتة من القياسات المعروفة، استطاع الباحثون تتبع استنتاج الحاسوب وصولاً إلى أجزاء محددة من المشية. ووجدوا أن النظام يركز باستمرار على نفس العوامل القليلة، مثل الموضع الأفقي للأذن والزاوية بين الذراعين، عند تحديد تشوه العمود الفقري. هذه الشفافية أمر حيوي للتطبيقات الطبية، لأنها تسمح للأطباء بالتحقق من أن النظام ينظر إلى الأشياء الصحيحة وليس مجرد التخمين بناءً على أنماط عشوائية. وقد أظهرت الدراسة أن هذا الأداء ظل مستقراً عبر مختلف أنواع انحناءات العمود الفقري ودرجات شدتها المتفاوتة، مما يشير إلى أن الطريقة قوية بما يكفي للاستخدام في العالم الحقيقي.
كما اختبر الباحثون مدى فعالية النظام عندما تم تدريبه على بيانات من مجموعة من الناس ثم اختباره على مجموعة مختلفة تماماً من موقع آخر. وهذا يعد عقبة شائعة في مجال الذكاء الاصطناعي الطبي، الذي غالباً ما يفشل عند انتقاله من بيئة المستشفى المنضبطة إلى صالة ألعاب رياضية مدرسية مزدحمة. وفي هذه الحالة، صمد النظام بشكل ملحوظ. فقد عملت الخريطة الهيكلية كجسر، مما سمح للحاسوب بتعميم معرفته وتطبيقها على أشخاص جدد لم يسبق له رؤيتهم. وخلصت الدراسة إلى أنه من خلال دمج هذا الهيكل الصريح في عملية التعلم، أصبح النظام أكثر دقة وأكثر موثوقية.
يشير هذا العمل إلى مسار جديد للمسح الطبي. لا يُقصد بهذا النظام استبدال الأشعة السينية أو تشخيص المختصين، بل يهدف ليكون خطوة أولى فعالة للغاية في برنامج الفحص. يمكن استخدامه من قبل ممرضي المدارس أو موظفي الرعاية الأولية الذين تلقوا تدريباً وجيزاً فقط، باستخدام إعداد كاميرا قياسي لالتقاط دقائق قليلة من المشي. وإذا رصد النظام حالة ما، يمكن حينها إحالة الطالب لإجراء فحص أكثر تفصيلاً. ومن خلال تحويل الحركة المعقدة والانسيابية للمشي إلى مجموعة واضحة وقابلة للتدقيق من الحقائق، نجح الباحثون في ابتكار أداة تحترم خصوصية المريض، وتقلل الحاجة إلى الإشعاع، وتوفر طريقة قابلة للتوسع لرصد حالة خطيرة في وقت مبكر، مما قد يغير كيفية مراقبة صحة العمود الفقري للأجيال القادمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.