Development of an automated, reliable, and clinically meaningful artificial intelligence (AI) tool for diagnosing cardiac disease from conventional cardiovascular magnetic resonance (CMR) images

لا تزال أمراض القلب تمثل التهديد الأكبر لحياة الإنسان في جميع أنحاء العالم، حيث تحصد ملايين الأرواح كل عام. ولفهم ما يحدث داخل قلب ينبض، يعتمد الأطباء على تقنية تصوير قوية تسمى التصوير بالرنين المغناطيسي للقلب والأوعية الدموية (CMR). وبخلاف الأشعة السينية التقليدية التي تظهر ظلاً مسطحًا، توفر هذه التقنية صورًا متحركة مفصلة لعضلة القلب، وعملية ضخه، وصحة أنسجته. كما يمكنها الكشف عما إذا كانت عضلة القلب متضخمة، أو ممددة، أو متضررة بسبب نقص تدفق الدم. ومع ذلك، فإن قراءة هذه الصور المعقدة تتطلب مستوى عالٍ من التدريب المتخصص وسنوات من الخبرة؛ إذ تحتوي عملية مسح واحدة على مئات الإطارات المتحركة وأنواع مختلفة من بيانات الأنسجة، مما يشكل عبئًا معرفيًا ثقيلًا حتى على أكثر الأطباء مهارة. وفي أجزاء كثيرة من العالم، لا يتوفر ببساطة عدد كافٍ من الخبراء لتفسير كل عملية مسح بدقة وسرعة. وقد دفع هذا الفجوة بين الحاجة إلى التشخيص وتوافر الخبراء الباحثين إلى التساؤل عما إذا كان بإمكان الكمبيوتر أن يتعلم قراءة هذه الصور بنفس العناية والدقة التي يتمتع بها المتخصص البشري.

لقد اتخذ فريق من الباحثين في مستشفى جامعة مونستر الجامعي في ألمانيا خطوة كبيرة نحو الإجابة على ذلك السؤال. فقد طوروا نظامًا جديدًا للذكاء الاصطناعي مصممًا للنظر في صور الرنين المغناطيسي للقلب وتحديد ما إذا كان المريض يعاني من نوع معين من أمراض القلب تلقائيًا. وبدلاً من بناء برنامج كمبيوتر من الصفر، بدأوا باستخدام "النماذج التأسيسية". وهذه هي أنظمة حاسوبية ضخمة مدربة مسبقًا تعلمت بالفعل التعرف على الأنماط في ملايين الصور والنصوص. فكر في هذه النماذج كطالب قرأ بالفعل كل كتاب في مكتبة ورأى كل صورة في معرض؛ كان عمل الباحثين ببساطة هو تعليم هذا الطالب كيفية تطبيق تلك المعرفة الواسعة خصيصًا على فحوصات القلب. ركز الفريق على خمس فئات متميزة: القلب السليم، وأربعة أشكال شائعة من أمراض عضلة القلب وهي: اعتلال عضلة القلب الضخامي، واعتلال عضلة القلب التوسعي، واعتلال عضلة القلب الإقفاري، واعتلال عضلة القلب النشواني.

إن العقبة الرئيسية الأولى في إنشاء أداة كهذه ليست تعليم الكمبيوتر كيف يرى، بل تعليمه ما الذي يجب أن يبحث عنه. ففي المستشفيات النموذجية، تُكتب سجلات المرضى في فقرات سردية طويلة من قبل الأطباء، تصف ما يروه في الصور. ولتدريب الذكاء الاصطناعي، يجب تحويل هذه القصص إلى تسميات واضحة، وهي عملية تتطلب عادةً من الإنسان قراءة آلاف التقارير وكتابة التشخيص يدويًا، وهو أمر بطيء ومكلف وعرضة للخطأ البشري. وقد حل الباحثون هذه المشكلة باستخدام نوع آخر من الذكاء الاصطناعي: النماذج اللغوية الكبيرة. وهي نفس أنواع الأنظمة التي يمكنها كتابة المقالات أو الإجابة على الأسئلة. قام الفريق بإعداد نظام محلي آمن حيث تقرأ هذه النماذج اللغوية التقارير الطبية الألمانية، وتترجمها إلى الإنجليزية، ثم تستخرج التشخيص المحدد لكل مريض. ولضمان الدقة، استخدموا ثلاثة نماذج لغوية مختلفة لقراءة كل تقرير؛ فإذا اتفقت نموذجان على الأقل من الثلاثة على التشخيص، يتم قبول تلك التسمية. سمحت هذه العملية المؤتمتة لهم بتجميع مجموعة بيانات ضخمة تضم ما يقرب من 1,000 حالة مريض دون الحاجة إلى تدخل بشري لتسمية كل ملف يدويًا.

بمجرد تجهيز البيانات، انتقل الباحثون إلى تحليل الصور. فقد غدّوا الذكاء الاصطدامي بثلاثة أنواع مختلفة من صور القلب: منظر المحور القصير الذي يشبه كومة من الشرائح عبر القلب، ومنظر الغرف الأربع الذي يظهر القلب من الجانب، ومسح خاص يسمى "تعزيز غادولينيوم المتأخر" الذي يسلط الضوء على الأنسجة الندبية أو المتضررة. قاموا بضبط ثلاثة نماذج تأسيسية مختلفة للرؤية على هذه البيانات. علمت المرحلة الأولى من التدريب النماذج التعرف على الميزات العامة للقلب، بينما قامت المرحلة الثانية بصقل قدرتها على التمييز بين الفئات الخمس المحددة للأمراض. بعد ذلك، اختبر الباحثون النظام على مجموعة منفصلة تمامًا تضم أكثر من 1,000 مريض تم تأكيد تشخيصاتهم من قبل أطباء قلب ذوي خبرة. وضمن هذا الاختبار المستقل أن الذكاء الاصطناعي لم يكن يحفظ بيانات التدريب فحسب، بل كان يتعلم بالفعل التعرف على الأمراض.

كانت النتائج مذهلة. فعندما نظر الذكاء الاصطناعي إلى الصور وحدها، حقق مستوى عالٍ من الدقة في تحديد حالات القلب المختلفة. وبالنسبة للمرض المعروف باسم اعتلال عضلة القلب النشواني، حدد النظام الحالة بشكل صحيح في كل الحالات تقريبًا، وبالنسبة لحالة تضخم عضلة القلب، كان أداؤه ناجحًا بشكل مماثل. ومع ذلك، وجد الباحثون أن النظام يعمل بشكل أفضل عندما يجمع بين الرؤى من جميع أنواع الصور الثلاثة وجميع نماذج الذكاء الاصطناعي الثلاثة المختلفة. فمن خلال السماح للنماذج بالتصويت على التشخيص النهائي، أنشأوا "إجماعًا" كان أكثر موثوقية من أي نموذج واحد بمفرده. في هذا النهج المدمج، حقق النظام أعلى مستويات الدقة لحالة تضخم عضلة القلب واعتلال عضلة القلب النشواني، حيث ميز بينهما وبين القلب السليم بدرجة عالية من الثقة. كما كان أداؤه جيدًا في النوعين الآخرين من الأمراض، رغم أنه وجد صعوبة طفيفة في التمييز بين القلب الممدد بسبب المرض والقلب المتضرر بسبب نقص تدفق الدم، حيث يمكن أن تبدو هاتان الحالتان متشابهتين جدًا في المسح الضوئي.

بعيدًا عن مجرد الحصول على الإجابة الصحيحة، أراد الباحثون معرفة ما إذا كان الذكاء الاصطناعي عادلاً وما إذا كان ينظر إلى الأجزاء الصحيحة من القلب. لقد تحققوا من أداء النظام عبر مختلف الأعمار وبين الرجال والنساء. وأظهرت النتائج أن الذكاء الاصطناعي يعمل بشكل متساوٍ لكل من الجنسين، وإن كان هناك تباين طفيف في أدائه عبر الفئات العمرية المختلفة. ومن المرجح أن يكون ذلك لأن بعض أمراض القلب أكثر شيوعًا لدى كبار السن، مما يجعل البيانات الخاصة بالمرضى الأصغر سنًا الذين يعانون من تلك الحالات المحددة أصعب في التعلم منها. ولفهم ما كان يراه الذكاء الاصطناعي فعليًا، استخدم الباحثون أداة تصور تسلط الضوء على المناطق المحددة في الصورة التي أثرت على القرار. ركز الكمبيوتر باستمرار على عضلة القلب نفسها، وخاصة البطين الأيسر، وتجاهل الهياكل المحيطة. وأكد هذا أن النظام كان يتخذ قراراته بناءً على التشريح الفعلي للقلب، وليس بناءً على تخمينات ناتجة عن تفاصيل خلفية غير ذات صلة.

تخلص الدراسة إلى أن هذا النهج يقدم مسارًا قابلاً للتطبيق في الممارسة السريرية. فمن خلال الجمع بين قراءة التقارير المؤتمتة وتحليل الصور المتقدم، أنشأ الفريق أداة يمكنها دعم الأطباء الذين لا يمتلكون سنوات من التدريب المتخصص في قراءة فحوصات القلب. إن النظام لا يحل محل الطبيب، بل يعمل كعين ثانية يمكنها فرز البيانات المعقدة بسرعة لاقتراح تشخيص. ويقر الباحثون بأن عملهم هو إثبات للمفهوم بناءً على بيانات من مستشفى واحد، وأن الدراسات المستقبلية ستحتاج إلى اختبار النظام على مجموعة متنوعة أوسع من المرضى ومع أنواع أكثر من أمراض القلب. كما أشاروا إلى أن النظام الحالي يعتمد على الصور وحدها ولا يدمج بعد البيانات السريرية الأخرى مثل فحوصات الدم أو التاريخ المرضي. ومع ذلك، تثبت الدراسة أنه مع الجمع الصحيح بين إعداد البيانات المؤتمت وتكنولوجيا الذكاء الاصطناعي الحديثة، من الممكن بناء نظام دقيق، وقابل للتفسير، وقادر على دعم التفسير الصحيح لفحوصات القلب في بيئة سريرية.