Development and evaluation of automated organ segmentation models for abdominal ultrasound in injured children
تُظهر هذه الدراسة أن نماذج التعلم العميق، ولا سيما نموذج EVIT U-Net، يمكنها تقسيم الأعضاء البطنية الرئيسية في الموجات فوق الصوتية لإصابات الأطفال تلقائياً وبفعالية وسرعة بدقة عالية وقبول مُعتمد من الخبراء، مما يتغلب على عقبات التجزئة اليدوية لتسريع تطوير مجموعات البيانات واسعة النطاق.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
عندما يصل طفل إلى غرفة الطوارئ في المستشفى بعد إصابة خطيرة، يحتاج الأطباء إلى معرفة ما إذا كان هناك نزيف داخلي بسرعة. إحدى أسرع الطرق للتحقق من ذلك هي الموجات فوق الصوتية بجانب السرير، وهي فحص غير مؤلم يستخدم الموجات الصوتية لإنشاء صور متحركة لداخل الجسم. وفي رعاية الصدمات، يُسمى هذا الفحص تحديداً "التقييم المركز بالموجات فوق الصوتية للصدمات". ويتضمن الأمر قيام الطبيب بتحريك جهاز محمول باليد فوق بطن الطفل للبحث عن السوائل في المساحات المحيطة بالكبد والطحال والمثانة. وبينما تعد هذه الأداة حيوية، فإن جودة الفحص تعتمد كلياً على مهارة الشخص الذي يمسك الجهاز ووضوح الصور التي يلتقطها. وأحياناً، تكون الصور ضبابية، أو قد يغفل الطبيب عن بقعة معينة، مما يجعل من الصعب التأكد مما إذا كان الطفل في أمان. ولتحسين ذلك، يقوم الباحثون بتعليم الحواسيب فهم هذه الصور تلقائياً، ولكن أولاً، يحتاج الحاسوب إلى تعلم كيف تبدو الأعضاء. وهذا يتطلب تعليم الآلة كيفية التعرف على حدود الكبد والكلى وغيرها من الهياكل، وهي مهمة تستغرق عادةً من الخبير البشري ساعات للقيام بها يدوياً لكل صورة على حدة.
لقد وضع فريق من الباحثين في جامعة كاليفورنيا، سان فرانسيسكو، هدفاً لحل هذه المشكلة من خلال بناء نظام حاسوبي يمكنه العثور تلقائياً على وتحديد معالم ستة أعضاء رئيسية في فحوصات الموجات فوق الصوتية للأطفال المصابين. وقد ركزوا على المثانة والكلى والكبد والطحال والعمود الفقري والحجاب الحاجز، وهو العضلة التي تساعد في التنفس. هذه الهياكل هي المعالم التي يستخدمها الأطباء لتحديد ما إذا كان الفحص مكتملاً ودقيقاً. جمع الفريق مجموعة من 200 مقطع فيديو للموجات فوق الصوتية لأطفال تم علاجهم من إصابات في مركز صدمات كبير. ثم قام أطباء خبراء برسم حدود كل عضو بعناية على آلاف الإطارات الفردية من هذه الفيديوهات، مما خلق مجموعة من أمثلة "الحقيقة الأرضية" (ground truth) التي يمكن للحاسوب أن يتعلم منها. وباستخدام هذه الأمثلة، درب الباحثون أربعة أنواع مختلفة من نماذج الذكاء الاصطناعي لأداء المهمة نفسها. وتراوحت هذه النماذج من التصميمات البسيطة والمستقرة إلى الأنظمة الأحدث والأكثر تعقيداً والتي تستخدم تقنيات رياضية متقدمة للانتباه إلى أجزاء مختلفة من الصورة في آن واحد.
اختبر الباحثون مدى قدرة كل نموذج حاسوبي على تخمين الحدود الصحيحة مقارنة برسومات الخبراء البشريين. ووجدوا أن الحواسيب كانت جيدة جداً في أداء المهمة، خاصة بالنسبة للكلى والمثانة، حيث تكون الأشكال مميزة وسهلة الرؤية. وفي المتوسط، تطابقت حدود الحاسوب مع حدود الخبراء البشريين بدرجة عالية من التداخل. وقد أدى نموذج واحد محدد، والذي جمع بين تصميم قياسي وطريقة أحدث للتركيز على التفاصيل المهمة، أفضل أداء إجمالي. فقد حدد الكبد والطحال والكلى بدقة ملحوذة، وفعل ذلك بسرعة كبيرة، حيث استغرق أقل من ثانية لمعالجة صورة واحدة. وقد واجه النظام بعض الصعوبة مع الحجاب الحاجز والعمود الفقري، وهما هيكلان أكثر نحافة ويصعب رؤيتهما بوضوح في صور الموجات فوق الصوتية، ولكن حتى بالنسبة لهذه الأجزاء الصعبة، قدم الحاسوب نتائج مفيدة.
ولمعرفة ما إذا كانت هذه التكنولوجيا ستعمل في العالم الحقيقي، أخذ الفريق النموذج الأفضل أداءً وعرضوا عليه مقاطع موجات فوق صوتية لم يرها من قبل، بما في ذلك فحوصات لأطفال وبالغين. وقام أربعة خبراء مستقلين بمراجعة عمل الحاسوب، حيث نظروا فيما إذا كانت الحدود تظهر في المكان الصحيح وما إذا كانت جودة الصورة جيدة بما يكفي ليثق بها الطبيب. ووجد الخبراء أن الحاسوب نجح في تحديد المواقع للأعضاء في الغالبية العظمى من المقاطع، حيث تراوحت معدلات النجاح من حوالي ثلاثة أرباع الحالات إلى جميع الحالات تقريباً، اعتماداً على العضو. وكان النظام موثوقاً بشكل خاص للمثانة والكبد، حيث حقق درجات تقترب من الكمال في مجموعة البالغين ودرجات عالية جداً في الأطفال. وأشار الباحثون إلى أنه عندما فشل الحاسوب، كان ذلك عادةً بسبب كون الصورة الأصلية ضبابية للغاية أو تم التقاطها بشكل سيء، وليس لأن الحاسوب كان مرتبكاً. وهذا يشير إلى أن التكنولوجيا قوية بما يكفي للتعامل مع الواقع الفوضوي وغير المتوقع لفحوصات غرف الطوارئ.
كما كشفت الدراسة أن النماذج الحاسوبية الأكبر والأكثر تعقيداً ليست بالضرورة أفضل. فالنموذج الأكثر تقدماً، الذي تم تدريبه على قاعدة بيانات ضخمة تضم 280,000 صورة موجات فوق صوتية من أشخاص آخرين، لم يكن أفضل بشكل ملحوظ من النموذج الأبسط والمصمم خصيصاً. في الواقع، كان النموذج الأبسط أسرع وتطلب قدرة حوسبة أقل، مما يجعله أكثر عملية للاستخدام في مستشفى مزدحم. تشير هذه النتيجة إلى أنه بالنسبة لهذه المهمة المحددة، فإن طريقة تصميم النموذج تهم أكثر من كمية البيانات التي تم تدريبه المسبق عليها. وخلص الباحثون إلى أن هذا النظام المؤتمت يمثل خطوة كبيرة للأمام. فمن خلال السماح للحواسيب بالقيام بالعمل الممل المتمثل في تحديد حدود الأعضاء، يمكن للأطباء والباحثين بناء مجموعات بيانات أكبر وأفضل لتدريب أدوات مستقبلية قد تتمكن يوماً ما من اكتشاف النزيف تلقائياً أو إخبار الطبيب ما إذا كان الفحص محدوداً من الناحية التقنية. وبينما لا يزال النظام غير جاهز لاستبدال الحكم البشري، إلا أنه يقدم طريقة قوية وجديدة لتوحيد وتحسين جودة الرعاية المقدمة للأطفال المصابين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.