Development and Validation of SERRATE: A Deep Learning-Based Tool for Diagnosis of Sessile Serrated Lesions in Colonoscopy Images
تقدم هذه الدراسة SERRATE، وهي أداة تعتمد على التعلم العميق وتستخدم نماذج Swin Transformer المدربة على مجموعات بيانات متوازنة من التصوير بالضوء الأبيض والتصوير بنطاق ضيق، والتي تُظهر دقة ذات صلة سريرية في تمييز الآفات المسننة الجالسة عن أنواع السلائل الأخرى لتحسين الوقاية من سرطان القولون والمستقيم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تخيل جسدك كحديقة شاسعة ومتعرجة، حيث يقوم بستاني خفي أحياناً بزراعة بذور صغيرة ومخادعة. معظم هذه البذور تنمو لتصبح أعشاضاً ضارة، لكن القليل منها عبارة عن "عملاء نائمون" — تبدو بريئة في البداية، ولكن يمكن أن تتحول لاحقاً إلى كرمات غازية وخطيرة تخنق الحديقة. في عالم الطب، هذه الحديقة هي القولون، وتلك البذور المتسللة تسمى "الزوائد اللحمية" (polyps). وبينما كان الأطباء لزمن طويل خبراء في رصد الأعشاض القبيحة والواضحة (المعروفة باسم الأورام الغدية التقليدية)، هناك نوع محدد من العملاء النائمين يسمى "الآفة المتسلسلة المسطحة" (SSL)، وهي صعبة الاكتشاف بشكل ملحوظ. فهذه الآفات (SSLs) مسطحة، وتندمج مع الأنسجة المحيطة بها، وغالباً ما تبدو تماماً مثل الزوائد اللحمية التضخمية غير الضارة. ولأن من الصعب جداً التمييز بينها، قد يخطئ الأطباء في رصدها أو يخلطون بينها وبين نموات غير ضارة، مما يترك هؤلاء "العملاء النائمين" خلفهم ليتسببوا في المشاكل لاحقاً.
ولحل هذه المشكلة، يعمل العلماء على بناء "نظارات ذكية" للأطباء باستخدام الذكاء الاصطناعي (AI). فكر في الذكاء الاصطناعي كمتدرب شديد الملاحظة قد اطلع على الملايين من صور الزوائد اللحمية ليتعلم الفرق بين العشب الضار والعميل النائم الخطير. ومع ذلك، حتى الآن، تم تدريب معظم هؤلاء المتدربين الرقميين بشكل أساسي على الأعشاض الواضحة والسهلة، ولم يحصلوا على ممارسة كافية مع تلك الآفات (SSLs) الصعبة، مما يؤدي إلى وقوعهم في الأخطاء. تقدم هذه الدراسة الجديدة متدرباً جديداً تم تدريبه خصيصاً، واسمه SERRATE، المصمم خصيصاً لرصد هذه الآفات (SSLs) المراوغة قبل أن تتسبب في الضرر.
قرر الفريق الذي يقف وراء SERRATE، بقيادة باحثين من مستشفى كلية بيجينج الطبية الموحدة وجامعة ماساتشوستس لويل، بناء نموذج الذكاء الاصطناعي الخاص بهم باستخدام نهج عادل ومتوازن للغاية. فبدلاً من مجرد تغذية الكمبيوتر بآلاف الزوائد اللحمية سهلة الرصد، قاموا بعناية بجمع "فصل دراسي" من الصور يحتوي على مزيج متساوٍ من ثلاثة أنواع: الآفات (SSLs) الخطيرة، والأورام الغدية الشائعة، والزوائد اللحمية التضخمية غير الضارة. وقد استخدموا نوعاً متطوراً من بنية الذكاء الاصطناعي يسمى Swin Transformer، وهو يشبه المحقق الذي لا ينظر فقط إلى مركز الصورة، بل يولي اهتماماً كبيراً أيضاً للمحيط.
اختبر الباحثون طريقتين مختلفتين للنظر إلى الزوائد اللحمية: الضوء الأبيض القياسي (مثل كشاف عادي) والتصوير بالنطاق الضيق (NBI)، والذي يستخدم ضوءاً ملوناً خاصاً لإبراز الأوعية الدموية وأنماط السطح. كما جربوا مدى "السياق" الذي يراه الذكاء الاصطناعي؛ فبدلاً من قص الصورة بدقة حول الزائدة اللحمية، سمحوا للذكاء الاصطناعي برؤية الزائدة بالإضافة إلى القليل من الأنسجة السليمة المحيطة بها (1.5 مرة أو 2 مرة حجم الآفة).
كانت النتائج واعدة. فعندما تم اختبار نموذج SERRATE على صور جديدة لم يسبق له رؤيتها من نفس المستشفى (تحقق استباقي داخلي)، أثبت أنه حاد الذكاء للغاية. فباستخدام ضوء (NBI) الخاص ورؤية "السياق 2x"، حقق النموذج دقة بلغت 82.42% في تحديد الزوائد اللحمية بشكل صحيح. وفي سباق ثلاثي لتفريق الآفات (SSLs) عن الأورام الغدية والزوائد التضخمية، نجح النموذج في التمييز بينها بنسبة 73.44% من المرات. والأهم من ذلك، عندما كان الهدف هو ببساطة التمييز بين الزوائد "الخطيرة" (الآفات SSLs والأورام الغدية) والزوائد "الآمنة" (الزوائد التضخمية)، حقق النموذج دقة بلغت 91.07%.
ومع ذلك، فإن القصة ليست حكاية خرافية مثالية بعد. فعندما اختبر الباحثون هذا النموذج نفسه على مجموعة مختلفة تماماً من الصور من مستشفيات في هولندا (مجموعة بيانات POLAR الخارجية)، انخفض الأداء. فقد انخفضت الدقة إلى 69.46% في التصنيف الثلاثي. ويشير هذا إلى أنه بينما يعد النموذج طالباً موهوباً في فصله الدراسي الأصلي، فإنه لا يزال يرتبك قليلاً عندما تتغير الإضاءة أو الكاميرا أو البيئة. ويرى المؤلفون أن هذا ناتج على الأرجح عن استخدام المستشفيات لمعدات مختلفة، مما يخلق "انزياحاً في النطاق" (domain shift) لم يتعلم الذكاء الاصطناعي التعامل معه بالكامل بعد.
رغم هذه العقبة، تشير الدراسة إلى أن منح الذكاء الاصطناعي رؤية أوسع للمشهد — أي رؤية الزائدة اللحمية وجيرانها — يساعده على تقديم تخمينات أفضل. كما أظهر النموذج قدرته على تحديد موقع الزوائد اللحمية في 100% من الحالات، مع إجراء 92% من تلك التوقعات بثقة عالية. ويخلص الباحثون إلى أن SERRATE يمثل خطوة مهمة للأمام، حيث يقدم أداة يمكن أن تساعد الأطباء في رصد هؤلاء العملاء النائمين الماكرين بشكل أكثر تكراراً. ومع ذلك، فقد كانوا حذرين في ملاحظة أن هذا ليس عصا سحرية تحل محل الطبيب، بل هو مساعد قوي يحتاج إلى مزيد من التدريب ليعمل بشكل مثالي في كل مستشفى في العالم. ويخطط الفريق الآن لإجراء المزيد من الدراسات لمعرفة كيفية أداء هذه الأداة في الوقت الفعلي أثناء عمليات تنظير القولون الفعلية، آملين في تحويل هذا المتدرب الرقمي إلى شريك موثوق في المعركة ضد سرطان القولون والمستقيم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.