← أحدث الأبحاث
💻 computer science

Multimodal Deep Learning for Chest X-Ray Abnormality Classification and Interpretability through Demographic Feature Integration

تقترح هذه الدراسة إطار عمل للتعلم العميق متعدد الوسائط يدمج صور الأشعة السينية للصدر مع البيانات الوصفية الديموغرافية باستخدام هيكل ConvNeXt Large، محققاً متوسط مساحة تحت المنحنى (AUC) بنسبة 96.88% على مجموعة بيانات NIH ChestX-ray14، ومظهراً أداءً وقدرة على التفسير يتفوقان على النماذج الحالية التي تعتمد على الصور فقط.

المؤلفون الأصليون: Sultan Mesfer Aldossary, Samia M. Abd-Alhalem, Magda M. Algameel, Noha E. El-Attar

نُشر 2026-08-18
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Sultan Mesfer Aldossary, Samia M. Abd-Alhalem, Magda M. Algameel, Noha E. El-Attar

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

في كل يوم، يدخل ملايين الأشخاص إلى العيادات والمستشفيات لإجراء صورة بسيطة بالأشعة السينية للصدر. هذه الصورة السريعة ومنخفضة التكلفة هي حجر الزاوية في الطب الحديث، حيث تقدم لمحة داخل الصدر للكشف عن الالتهاب الرئوي، أو تراكم السوائل، أو غيرها من المشكلات الخفية. بالنسبة لطبيب الأشعة، تعد قراءة هذه الصور مهارة حيوية، لكنها تمثل أيضاً عبئاً ثقيلاً؛ فحجم الفحوصات في تزايد مستمر، وغالباً ما تكون المهمة صعبة لأن الأمراض المختلفة يمكن أن تبدو متشابهة، أو يمكن لعدة حالات أن تختبئ معاً في صورة واحدة. وللمساعدة في تخفيف هذا العبء، توجه العلماء نحو الذكاء الاصطناعي، لتعليم الحواسيب كيفية التعرف على الأنماط في هذه الصور. ومع ذلك، فإن معظم هذه البرامج الحاسوبية قد تم تدريبها للنظر فقط في الصورة نفسها، متجاهلة الشخص وراء الأشعة. فهي لا تعرف ما إذا كان المريض شاباً أم امرأة مسنة، أو كيف تم التقاط الصورة. تسأل هذه الدراسة سؤالاً بسيطاً ولكنه قوي: ماذا يحدث إذا علمنا الكمبيوتر أن ينظر إلى الصورة وتفاصيل المريض الأساسية في آن واحد؟

لقد شرع فريق من الباحثين في بناء نوع جديد من الأنظمة الحاسوبية التي تجمع بين المعلومات المرئية من الأشعة السينية للصدر والحقائق الديموغرافية البسيطة عن المريض، مثل عمره، وجنسه، والزاوية التي أُخذت بها الأشعة السينية. وقد استخدموا مجموعة ضخمة تضم أكثر من 112,000 صورة أشعة سينية للصدر من المعاهد الوطنية للصحة (NIH)، وهي مجموعة بيانات تتضمن صوراً من أكثر من 30,000 شخص مختلف. هذه المجموعة مشهورة في هذا المجال لكونها كبيرة جداً، لكنها تطرح أيضاً مشكلة معقدة: فبعض الأمراض تظهر في الصور آلاف المرات، بينما تكون أخرى نادرة للغاية. صمم الباحثون نظامهم للتعامل مع هذا التفاوت والتعلم من الأنماط المرئية للمرض والسياق الذي توفره خلفية المريض. واختبروا نهجهم مقابل عدة نماذج حاسوبية معروفة أخرى لمعرفة ما إذا كانت إضافة هذه الطبقة الإضافية من المعلومات ستحدث فرقاً بالفعل.

أظهرت النتائج أن النظام الجديد كان أفضل بشكل ملحوظ في تحديد الأمراض من النماذج القديمة التي كانت تعتمد على الصور وحدها. فعند اختباره على جزء من البيانات التي لم يسبق له رؤيتها، استطاع النظام الجديد التمييز بدقة بين أربعة عشر نوعاً مختلفاً من أمراض الصدر بمستوى عالٍ من الدقة، محققاً درجة 96.88 بالمائة. وفي المقابل، حققت أفضل النماذج القديمة، التي اعتمدت فقط على الصورة، درجات تتراوح بين 85 و88 بالمائة. ووجد الباحثون أن التحسن جاء من مصدرين رئيسيين: أولاً، بُني النظام على بنية حديثة تُعرف باسم (ConvNeXt)، وهي بارعة جداً في رصد التفاصيل في الصور. وثانياً، وهو الأهم ربما، تعلم النظام استخدام عمر المريض، وجنسه، ووضعية جهاز الأشعة السينية كإشارات استرشادية. فعلى سبيل المثال، معرفة ما إذا كان المريض ذكراً أم أنثى، أو ما إذا كانت الصورة قد التُقطت من الأمام أو من الخلف، ساعد الكمبيوتر على التمييز بدقة أكبر بين الحالات التي قد تبدو متطابقة لولا ذلك.

ولضمان أن الكمبيوتر لا يقوم بمجرد التخمين، أنشأ الباحثون أيضاً طريقة لرؤية ما يركز عليه الجهاز. لقد استخدموا تقنية تبرز الأجزاء المحددة من الأشعة السينية التي أدت إلى التشخيص. وعندما نظروا إلى هذه التوضيحات، وجدوا أن الكمبيوتر يولي اهتماماً للأماكن الصحيحة. فإذا توقع النظام وجود رئة منهارة، كان الجزء المظلل يقع على حافة الرئة. وإذا توقع وجود قلب متضخم، كان التركيز على القلب نفسه. هذا الدليل المرئي يشير إلى أن النظام لا يجد مجرد خدع إحصائية في البيانات، بل يتعلم بالفعل التعرف على العلامات الفيزيائية للمرض بطريقة منطقية للطبيب البشري. كما أكدت الدراسة أن تجاهل الأمراض النادرة في بيانات التدريب كان سيجعل النظام أسوأ، لذا قاموا بتعديل عملية التعلم لإعطاء اهتمام إضافي لتلك الحالات الأقل شيوعاً.

يقر الباحثون بأن عملهم هو خطوة للأمام، لكنه ليس حلاً نهائياً. فقد تم تدريب النظام على مجموعة بيانات محددة حيث تم إنشاء تسميات الأمراض بواسطة أجهزة كمبيوتر تقرأ التقارير الطبية، مما يعني احتمال وجود بعض الأخطاء في بيانات التدريب. بالإضافة إلى ذلك، فإن النظام حالياً كبير جداً ويتطلب أجهزة كمبيوتر قوية لتشغيله، مما قد يجعل من الصعب تثبيته في كل عيادة على الفور. ويقترح الفريق أن العمل المستقبلي يجب أن يختبر هذا النهج على بيانات من مستشفيات مختلفة لمعرفة ما إذا كان سيعمل بنفس الكفاءة مع أنواع مختلفة من الأجهزة ومجموعات المرضى. كما يقترحون أنه بإضافة المزيد من المعلومات، مثل تاريخ تدخين المريض أو سجلاته الطبية السابقة، يمكن جعل النظام أكثر دقة. في الوقت الحالي، تُظهر الدراسة مساراً واضحاً للمضي قدماً: فمن خلال تعليم الحواسيب رؤية كل من الصورة والشخص معاً، يمكننا بناء أدوات ليست أكثر دقة فحقة فحسب، بل وأكثر موثوقية أيضاً للأطباء الذين يعتمدون عليها.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →