Towards UASC-Net: A Pilot Study of Uncertainty-Aware 3D Brain Tumor Segmentation on BraTS 2021
تُظهر هذه الدراسة الاستطلاعية أن نموذج UASC-Net Lite v2، وهو امتداد مدرك لعدم اليقين لشبكة 3D U-Net مدمجة، يحسن استدعاء الآفات وتداخل التجزئة على مجموعة فرعية صغيرة من BraTS 2021 مقارنة بالنموذج المرجعي، مع توفير خرائط ثقة مكانية قيمة رغم القيود المتعلقة بصغر حجم العينة ومعايرة العتبة القائمة على التحقق.
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
يُعد الدماغ البشري مشهداً معقداً، وعندما ينمو ورم داخله، يجب على الأطباء رسم حدوده بدقة متناهية للتخطيط للجراحة أو الإشعاع. وتعتمد عملية رسم الخرائط هذه، المعروفة باسم التجزئة (segmentation)، على التصوير بالرنين المغناطيسي (MRI)، الذي يلتقط الدماغ في طبقات متعددة من التفاصيل. تُبرز أنواع مختلفة من فحوصات الرنين المغناطيسي أنسجة مختلفة: فبعضها يُظهر الأجزاء النشطة والمضيئة من الورم، بينما يكشف البعض الآخر عن التورم أو الوذمة (edema) التي تحيط به. لسنوات طويلة، تم تعليم الحواسيب رسم هذه الحدود تلقائياً باستخدام التعلم العميق، وهو نوع من الذكاء الاصطناعي الذي يتعلم من خلال الأمثلة. ومع ذلك، تتطلب هذه الأنظمة عادةً آلاف الخرائط المرسومة يدوياً من قبل أخصائيي الأشعة الخبراء لتعلم كيفية رؤية المرض. وفي العالم الحقيقي، تكون مثل هذه التوصيفات الخبيرة نادرة ومكلفة وبطيئة الإنتاج، مما يترك العديد من الفحوصات دون الملصقات التفصيلية اللازمة لتدريب الحواسيب القوية.
لقد استكشف الباحثون طرقاً لتعليم الحواسيب باستخدام الكم الهائل من الفحوصات غير المصنفة الموجودة، آملين في تقليل الحاجة إلى الخبراء البشريين. ويتضمن أحد النهج الواعدة تعليم الكمبيوتر التعرف على الأنماط في البيانات من تلقاء نفسه، ثم استخدام تلك الأنماط لتخمين مكان الورم المحتمل. ويكمن التحدي في أن هذه التخمينات، أو "الملصقات الزائفة" (pseudo-labels)، قد تكون خاطئة، خاصة في المناطق الضبابية ومنخفضة التباين حيث غالباً ما تختبئ الأورام. وإذا تعلم الكمبيوتر من أخطائه، فقد يصاب بالارتباك ويصبح أقل دقة. تعالج دراسة جديدة أجراها مجتبى جهانيان وزملاؤه في جامعات إيرانية مختلفة هذه المشكلة من خلال بناء نظام لا يكتفي بتخمين مكان الورم فحسب، بل يعرف أيضاً مدى ثقته في هذا التخمين. وقد أطلقوا على نظامهم اسم UASC-Net، وهي أداة مصممة للتعلم من المساعدة الخبيرة المحدودة مع استخدام البيانات غير المصنفة الوفيرة لتحسين موثوقيتها الخاصة.
اختبر الفريق فكرتهم على مجموعة صغيرة مختارة بعناية من فحوصات الدماغ من مجموعة بيانات BraTS 2021، وهي مجموعة قياسية من صور أورام الدماغ يستخدمها الباحثون في جميع أنحاء العالم. لم يستخدموا مجموعة البيانات الكاملة، بل اكتفوا بمجموعة تجريبية فرعية مكونة من ست عشرة حالة فقط، استُخدم منها ثلاث عشرة حالة للتدريب وثلاث حالات حُفظت لاختبار النتائج. كان الهدف هو معرفة ما إذا كان منهجهم الجديد يمكنه التفوق على نموذج حاسوبي ثلاثي الأبعاد مدمج ومعروف باسم TinyUNet3D، والذي يعمل كمرجع موثوق لهذا النوع من العمل. قام الباحثون بتدريب كلا النموذجين على نفس الكمية الصغيرة من البيانات، باستخدام قطع مكعبة بحجم 64×64×64 من صور الدماغ، وقاموا بتشغيلها عبر ثماني جولات من التعلم. والفرق الجوهي هو أن UASC-Net كان مزوداً بأدوات إضافية لتوليد تلميحات تدريبية خاصة به من البيانات غير المصنفة، ولتصفية التلميحات التي لم يكن متأكداً منها.
وعند قياس النتائج، أظهر النظام الجديد تفوقاً واضحاً في العثور على الورم، رغم أن التحسن في التداخل الإجمالي كان متواضعاً. فقد تمكن النموذج القياسي من تحديد حوالي 76.8% من بكسلات الورم بشكل صحيح، بينما وجد UASC-Net نسبة 86.1%. وتعني هذه الزيادة في الحساسية أن النظام الجديد كان أفضل بكثير في رصد "فوكسلات" (voxels) الورم التي فاتتها النموذج القياسي. ومع ذلك، جاء هذا المكسب مقابل مقايضة: فقد ارتكب النظام الجديد أخطاء أكثر عبر تحديد أنسجة سليمة على أنها ورم، مما أدى إلى انخفاض طفيف في الدقة والنوعية. وأشار الباحثون إلى أن النموذج الجديد حقق درجة تداخل مشتركة، تُعرف باسم درجة Dice، بلغت 0.7381، مقارنة بـ 0.7297 للنموذج القياسي. ورغم أن الفرق في الدرجة الإجمالية ضئيل، إلا أن التحول نحو العثور على المزيد من الورم الفعلي يعد أمراً هاماً في سياق طبي حيث يمكن أن يكون تفويت أي جزء من المرض خطيراً.
وما يجعل هذه الدراسة مثيرة للاهتمام ليس فقط الأرقام، بل المعلومات الإضافية التي يوفرها النظام الجديد. فخلافاً للنموذج القياسي، الذي يكتفي بإخراج خريطة توضح مكان الورم، ينتج UASC-Net أيضاً خريطة لعدم اليقين الخاص به. تسلط خريطة عدم اليقين هذه الضوء على المناطق التي يشك فيها الكمبيوتر، مثل الحواف الضبابية للورم أو المناطق ذات الجودة الضعيفة في الصورة. كما يولد النظام خرائط انتباه (attention maps) تُظهر الأجزاء التي يركز عليها الكمبيوتر. وفي اختباراتهم، وجد الباحثون أن النظام تعلم تخصيص ثقة أقل للحدود الغامضة، مما سمح فعلياً بتحديد النقاط التي يجب على الطبيب البشري فحصها بدقة أكبر. وهذه القدرة على قول "أنا لست متأكداً هنا" هي خطوة حاسمة نحو جعل الذكاء الاصطناعي شريكاً موثوقاً في اتخاذ القرارات السريرية.
ويحرص المؤلفون على صياغة هذه النتائج كدراسة تجريبية وليس كحل نهائي. فهم يقرون بأن العدد الصغير من الحالات وحقيقة أنهم ضبطوا إعداداتهم بناءً على نفس المجموعة الاختبارية الصغيرة تعني أن النتائج أولية. لم يختبروا النظام على مجموعة كبيرة ومستقلة من المرضى، كما لم يقيموا الأجزاء الفرعية المحددة من الورم التي يحتاج الأطباء غالباً للتمييز بينها، مثل النواة النخرية مقابل الحافة النشطة. تشير الدراسة إلى أن النمذجة المدركة لعدم اليقين يمكن أن تحسن مدى قدرة الكمبيوتر على استرجاع وجود الورم عند ندرة البيانات، لكنها لا تدعي أنها حلت مشكلة تجزئة أورام الدماغ. ويصرح الباحثون صراحةً بأن النسخة الحالية هي نسخة تجريبية "مخففة" (Lite)، وأن العمل المستقبلي سيتطلب مجموعات بيانات أكبر، واختبارات أكثر صرامة، وتحليلاً أعمق لمدى ارتباط خرائط عدم اليقين بالأخطاء الحقيقية.
في النهاية، تقدم هذه الدراسة لمحة عن مستقبل يمكن فيه للحواسيب التعلم من الأرشيفات الضخمة من المسوحات الطبية غير المصنفة التي تظل حالياً غير مستغلة. ومن خلال تعليم الآلة التعرف على حدود قدراتها وتصفية تخميناتها غير الموثوقة، اتخذ الباحثون خطوة نحو أدوات أكثر قوة وكفاءة لتحليل أورام الدماغ. وتثبت الدراسة أنه حتى مع قدر ضئيل جداً من التوجيه الخبير، فإن النظام الذي يفهم عدم اليقين الخاص به يمكنه العثور على المزيد من المرض مقارنة بالنموذج القياسي. وبينما لا يزال الطريق نحو الاستخدام السريري طويلاً ويتطلب المزيد من الاختبار، فإن القدرة على تحويل خوارزمية "الصندوق الأسود" إلى خوارزمية يمكنها شرح مستويات ثقتها هي تقدم هادٍ ولكن قوي في مجال التصوير الطبي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.