Topology of a Smile: Persistent Homology in Dental Imaging
تقترح هذه الورقة طريقة مؤتمتة لتصوير الأسنان تجمع بين التماثل المستمر من تحليل البيانات الطوبولوجية وآلات ناقلات الدعم لتصنيف الأسنان وتشخيص الأمراض في فحوصات التصوير المقطعي المحوسب ذو الحزمة المخروطية، محققةً دقة أعلى بكثير (97.67% و96.77%) من الشبكة العصبية التلافيفية المماثلة.
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 الزوايا الهادئة للطب الحديث، يجد فرع متخصص من الرياضيات يُعرف باسم "الطوبولوجيا" (Topology) موطناً جديداً له. وبينما يعتقد معظم الناس أن الرياضيات هي دراسة الأرقام والمعادلات، فإن الطوبولوجيا هي هندسة الشكل والفضاء. إنها تطرح أسئلة لا تعتمد على القياسات الدقيقة أو الزوايا الجامدة، بل على كيفية اتصال الأشياء ببعضها البعض. هل للشكل ثقب؟ هل هناك جزءان من جسم ما مرتبطان معاً، أم أنهما منفصلان؟ تظل هذه الأسئلة صحيحة حتى لو تم شد الجسم، أو لفه، أو سحقه، طالما لم يتم تمزيقه. لقد استُخدم هذا المجال لفترة طويلة لفهم الكون وبنية الجزيئات، ولكن مؤخراً، بدأ الباحثون في تطبيق هذه المبادث نفسها على البيانات المعقدة وغير المنتظمة الناتجة عن التصوير الطبي. والهدف هو تعليم الحواسيب رؤية العالم ليس فقط كمجموعة من البكسلات، بل كمشهد طبيعي من الأشكال، حيث يترك وجود تجويف أو انحناء جذر السن بصمة طوبولوجية متميزة يمكن قياسها وفهمها.
بالنسبة لأطباء الأسنان، يعد تحدي قراءة فحوصات الأشعة السينية ثلاثية الأبعاد مهمة شاقة. توفر هذه الفحوصات، المعروفة باسم التصوير المقطعي المحوسب بالحزمة المخروطية (CBCT)، رؤية تفصيلية وحجمية لفك المريض وأسنانه والعظام المحيطة بها. وهي ضرورية لتخطيط عمليات الزرع، واستخراج الأسنان المنطمرة، وتشخيص الالتهابات الخفية. ومع ذلك، فإن تحويل هذه الأحجام الرقمية الضخمة إلى تقرير طبي واضح يتطلب خبيراً بشرياً يقوم بفرز مئات الشرائح يدوياً، وتحديد كل سن وتسجيل أي تشوهات. هذه العملية بطيئة وعرضة للإجهاد. وبينما حقق الذكاء الاصطناعي خطوات واسعة في أتمتة هذا العمل، فإن معظم الأنظمة الحالية تعتمد على نماذج التعلم العميق التي تتطلب كميات هائلة من البيانات لتعمل بشكل جيد. وعندما تكون البيانات شحيحة، أو عندما يختلف الشكل المحدد للسن بشكل كبير عن المعتاد، غالباً ما تعاني أدوات الرؤية الحاسوبية القياسية هذه، وتفشل في رصد التفاصيل الهيكلية الدقيقة التي تميز السن السليم عن السن المصاب.
اقترح فريق من الباحثين من سويسرا والولايات المتحدة مساراً مختلفاً للمضي قدماً، مساراً يتجاوز المتطلبات الكبيرة للبيانات التي يتطلبها التعلم العميق التقليدي من خلال التركيز على الشكل الأساسي للبيانات نفسها. في دراستهم، طوروا طريقة لتحديد الأسنان تلقائياً وتشخيص مشاكل الأسنان الشائعة باستخدام إطار عمل يسمى "التجانس المستمر" (Persistent Homology). وبدلاً من محاولة التعرف على السن من خلال أنماط البكسلات الخاصة به، يعامل نهجهم المسح الضوئي كمشهد طبيعي حيث يتوافق "ارتفاع" التضاريس مع سطوع الصورة. ومن خلال رفع مستوى الماء الافتراضي ببطء عبر هذا المشهد، يمكنهم مراقبة كيفية ظهور جزر الضوء والاندماج، وكيف تتشكل الثقوب أو الوديان ثم تمتلئ. هذه العملية، التي يطبقونها على الصورة الأصلية بالإضافة إلى عدة نسخ معدلة رياضياً منها، تلتقط ولادة وموت الأشكال مثل الحلقات والفراغات. ويتم تسجيل هذه الأحداث كمجموعة من النقاط التي تلخص الطابع الطوبولوجي الفريد للسن أو الآفة.
اختبر الباحثون هذه الطريقة على مجموعة بيانات مكونة من عشرين فحصاً من نوع (CBCT) مجهولة الهوية من عيادة جامعية، تحتوي على مئات الأسنان في حالات مختلفة. استخدموا أولاً أداة تعلم عميق قياسية لنحت مناطق صغيرة حول كل سن، لعزلها عن بقية الفك. ثم قاموا بتغذية هذه المناطق المعزولة في مسارهم الطوبولوجي. أنتج النظام ملخصاً لسمات الشكل لكل سن ومرر هذه المعلومات إلى محرك تصنيف بسيط لاتخاذ القرار. كانت النتائج مذهلة؛ ففي مهمة تحديد أي سن محدد كان يتم النظر إليه، حققت الطريقة الجديدة متوسط دقة بلغ 97.67 بالمائة. وبالنسبة لمهمة تشخيص حالات مثل الحشوات، أو الأسنان المنطمرة، أو التسوس، وصلت الدقة إلى متوسط 96.77 بالمائة. ولوضع ذلك في السياق، عندما قام نفس الباحثين بتدريب شبكة تعلم عميق قياسية على نفس البيانات تماماً، حققت تلك الشبكة دقة 70.27 بالمائة فقط لتحديد السن و86.67 بالمائة للتشخيص.
يكمن نجاح هذا النهج في كفاءته واستقراره. فخلافاً لنماذج التعلم العميق التي تحتاج إلى آلاف الأمثلة لتعلم شكل السن، يتطلب النهج الطوبولوجي عدداً أقل بكثير من السمات لاتخاذ القرار. كما أنه يتسم بالمتانة؛ لأنه يركز على الشكل العام بدلاً من قيم البكسل المحددة، فهو يتعامل مع الاختلافات في حجم الصورة وجودتها دون أن ينهار. لقد قسم الباحثون المهمة المعقدة للتشخيص إلى سلسلة من الخطوات الصغيرة والميسرة، تماماً مثل المخطط الانسيابي. أولاً، يقرر النظام ما إذا كان السن في الفك العلوي أو السفلي، ثم أي ربع ينتمي إليه، وأخيراً نوع السن. هذا التضييق التدريجي للاحتمالات يسمح للنظام بتحقيق دقة عالية حتى مع مجموعة بيانات صغيرة نسبياً. وبالمثل، بالنسبة للتشخيص، يتحقق النظام من وجود المواد المركبة (الحشوات)، ثم يتحقق من الانطمار، وأخيراً يبحث عن علامات التآكل أو التسوس، مما يجعل سلسلة من القرارات الثنائية التي تؤدي إلى استنتاج نهائي.
يشير هذا العمل إلى أن مستقبل تحليل الصور الطبية قد لا يتطلب دائماً شبكات عصبية أكبر وأكثر تعقيداً. فمن خلال العودة إلى الخصائص الأساسية للشكل والاتصال، يمكن للباحثين بناء أدوات قوية وخفيفة حسابياً في آن واحد. وتوضح الدراسة أنه عندما يكون الهدف هو فهم بنية السن أو وجود تجويف، فإن لغة الطوبولوجيا تقدم طريقة أوضح وأكثر مباشرة لرؤية الحقيقة الكامنة داخل البيانات. وبينما يشير الباحثون إلى أن مجموعة البيانات الحالية محدودة وأن العمل المستقبلي سيتضمن الاختبار على مجموعات أكبر من المرضى، فإن النتائج تقدم إثباتاً مقنعاً لمبدأ المفهوم. إنهم يظهرون أنه من خلال الاستماع إلى شكل البيانات، بدلاً من مجرد حفظ مظهرها، يمكن للآلات أن تتعلم رؤية الابتسامة بوضوح يضاهي، وفي بعض الحالات يتفوق على، أكثر الطرق التقليدية تقدماً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.