Prior Knowledge and Adaptive Hyperparameter Optimization with Lightweight HRNet for Clinical Decision-Making of DDH IHDI Classification

تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من البحث عن بصمات الأصابع، أنت تنظر إلى صور الأشعة السينية لوركي طفل. اللغز هو حالة تسمى "خلل التنسج الوركي التنموي" (DDH)، حيث لا يتشكل مفصل الورك بشكل صحيح. إذا تم اكتشافها مبكراً، يمكن للأطباء علاجها بسهلاً، ولكن إذا فاتهم ذلك، فقد يؤدي الأمر إلى الألم وصعوبة في المشي مدى الحياة. لحل هذا، يستخدم الأطباء خريطة خاصة تسمى "تصنيف IHDI"، والتي تعتمد على إيجاد نقاط صغيرة ومحددة (معالم) على العظام وقياس الزوايا بينها. الأمر يشبه محاولة رسم مخطط مثالي لمنزل من خلال إيجاد زوايا السقف ومركز المدخنة.

لفترة طويلة، حاولت الحواسيب مساعدة الأطباء في هذا الأمر باستخدام "التعلم العميق" (Deep Learning)، وهو نوع من الذكاء الاصطناعي يتعلم من خلال النظر إلى آلاف الصور. فكر في الأمر كطالب يدرس مليون بطاقة تعليمية ليتعلم شكل الورك "الجيد". ومع ذلك، فإن هؤلاء الطلاب من الحواسيب يرتكبون أحياناً أخطاءً سخيفة؛ فقد يجدون زاوية السقف في مكان خاطئ لأنهم يعتمدون فقط على التخمين بناءً على الأنماط، متجاهلين حقيقة أن الأسقف لا تطفو في الهواء. كما أنهم يميلون لأن يكونوا ثقلاء وبطيئين، مثل روبوت ضخم وغير مرن يحتاج إلى حاسوب خارق للعمل، مما يجعل من الصعب استخدامهم في العيادات المحلية الصغيرة.

يقدم هذا البحث طالباً حاسوبياً جديداً، أكثر ذكاءً وخفة، يسمى PCL-HRNet. فبدلاً من مجرد حفظ الصور، يتم تعليم هذا الطالب "قواعد اللعبة" حتى قبل أن يبدأ الدراسة. إنه يتعلم أن الوركين عادة ما يكونان متماثلين (اليسار واليمين يجب أن يتطابقا)، وأن الزوايا يجب أن تظل ضمن نطاق صحي، وأن عظاماً معينة يجب أن تستقر في أماكن محددة بالنسبة لبعضها البعض. لقد منح الباحثون هذا الطالب "تحولاً" ليصبح "خفيف الوزن"، حيث قاموا بتصغير حجمه ليعمل بسرعة على حاسوب عادي في عيادة الطبيب، واستخدموا طريقة بحث "كمومية" خاصة لإيجاد الإعدادات المثالية لدماغه. والنتيجة هي أداة سريعة، ودقيقة، وتتبع قواعد التشريح، مما يجعلها مساعداً موثوقاً للأطباء الذين يحاولون اكتشاف مشاكل الورك مبكراً.

المشكلة: "الصندوق الأسود" و"الروبوت الثقيل"

بدأ الباحثون بالنظر في سبب عدم كون أدوات الحاسوب الحالية لتشخيص مشا-كل الورك مثالية. ووجدوا مشكلتين رئيسيتين. أولاً، معظم نماذج الذكاء الاصطناعي تشبه "الصناديق السوداء"؛ فهي تنظر إلى الأشعة السينية وتخمن أماكن العظام، لكنها لا تفهم لماذا يجب أن يبدو الورك بطريقة معينة. إذا رأت الحاسوب نمطاً غريباً، فقد يخمن أن عظماً موجود في مكان لا يمكنه التواجد فيه فيزيائياً، مما ينتهك القوانين الأساسية للتشريح. وهذا أمر خطير لأنه إذا أخطأ الحاسوب في تحديد المعالم، فسيكون التشخيص خاطئاً أيضاً.

ثانياً، أفضل النماذد أداءً تشبه "الروبوتات الثقيلة"؛ فهي ضخمة، وتتطلب حواسيب قوية ومكلفة للتشغيل. وهذا يجعلها عديمة الفائدة للعيادات الصغيرة أو مراكز الرعاية الأولية التي لا تملك حواسيب فائقة. أراد الباحثون بناء أداة تكون ذكية بما يكفي لاتباع قواعد التشريح، وصغيرة بما يكفي لتناسب حاسوباً عادياً.

الحل: تعليم الذكاء الاصطناعي القواعد

لإصلاح مشكلة "الصندوق الأسود"، أنشأ الفريق نظاماً جديداً يسمى PCL-HRNet. الجزء المسمى "HRNet" هو العمود الفقي، وهو نوع من الذكاء الاصطناعي المعروف بقدرته العالية على إيجاد التفاصيل في الصور. لكن السحر يحدث في جزء "القيود المسبقة" (Prior-Constrained).

تخيل أنك تعلم طفلاً رسم منزل. إذا قلت له فقط "ارسم منزلاً"، فقد يرسم منزلاً يطفو في الفضاء. ولكن إذا قلت له "ارسم منزلاً حيث يستقر السقف على الجدران، والجدران تستقر على الأرض"، فمن المرجح جداً ألا يرتكب خطأً. لقد فعل الباحثون الشيء نفسه مع الذكاء الاصطناعي. لقد أخذوا القواعد التي يستخدمها الأطباء - مثل "الوركان الأيمن والأيسر يجب أن يكونا متماثلين"، و"زاوية تجويف الورك يجب أن تكون ضمن نطاق صحي"، و"رأس الورك يجب أن يبقى داخل التجويف" - وحولوها إلى معادلات رياضية.

لقد أضافوا هذه المعادلات كـ "عقوبة" لتدريب الذكاء الاصطناعي. فإذا خمن الذكاء الاصطناعي أن عظماً في بقعة تكسر هذه القواعد، فإنه يتلقى "توبيخاً" (عقوبة الخسارة). هذا أجبر الذكاء الاصطنا artificial ليتعلم ليس فقط كيف تبدو العظام، بل كيف يجب أن تتصرف. وهذا ما يسمى بإضافة "المعرفة المسبقة".

التحول: جعل الذكاء الاصطناعي خفيفاً وسريعاً

بمجرد أن أصبح الذكاء الاصطناعي ذكياً، كان لا يزال ثقيلاً للغاية. لذا طبق الباحثون استراتيجية "خفيفة الوزن" مكونة من ثلاث خطوات لتقليص حجمه دون فقدان ذكائه:

1. تقطير المعرفة (Knowledge Distillation): أخذوا "معلماً" ذكياً وضخماً وعلموا "طالباً" أصغر منه كل ما يعرفه. الأمر يشبه معلم شيف محترف يعلم متدرباً؛ فالمتدرب لا يحتاج لأن يكون كبيراً مثله ليطهو نفس الوجبة اللذيذة.
2. التقليم (Pruning): نظروا إلى دماغ "الطالب" وقاموا بقص الأجزاء التي لا تقوم بعمل كبير. الأمر يشبه تقليم الشجيرة لإزالة الأغصان الميتة لكي تنمو الشجرة أقوى وأسرع.
3. التكميم (Quantization): غيروا الطريقة التي يخزن بها الذكاء الاصطناعي الأرقام. فبدلاً من استخدام أرقام ضخمة ودقيقة (مثل 3.1415926)، استخدموا أرقاماً أصغر وأبسط (مثل 3.14). هذا يشبه حزم الحقيبة: بدلاً من إحضار وسادة كاملة الحجم، تحضر وسادة سفر مضغوطة تأخذ مساحة أقل بكثير ولكنها تعمل بنفس الكفاءة.

الضبط: البحث الكمومي

أخيراً، كان على الباحثين إيجاد الإعدادات المثالية لهذا الذكاء الاصطناعي الجديد. عادة ما يقوم العلماء بالتخمين والتجربة، وهو أمر يستغرق وقتاً طويلاً وقد يفوّت الإعداد الأفضل. بدلاً من ذلك، استخدموا خوارزمية تسمى QPSO-AWA. فكر في هذا كأنه سرب من الطيور الصغيرة ذات السلوك الكمومي التي تبحث عن أفضل شجيرة توت. هذه الطيور لا تطير في خطوط مستقيمة فحداً، بل تستخدم خدعة "كمومية" لاستكشاف أماكن كثيرة في وقت واحد وتعديل مسار طيرانها بناءً على جودة التوت. سمح هذا للنظام بالعثور تلقائياً على المزيج المثالي من الإعدادات بشكل أسرع وأفضل مما يمكن للبشر فعله.

النتائج: سريع، دقيق، ومتبع للقواعد

اختبر الفريق نموذج PCL-HRNet الجديد على مجموعة بيانات تضم 906 صورة أشعة سينية للورك. وإليكم ما وجدوه:

• اتباع القواعد: ارتكب الذكاء الاصطنا الجديد أخطاءً قلي $_قليل جداً في "المنطق التشريحي". في الواقع، قلل معدل التخمينات المستحيلة إلى 0.24% فقط. وهذا يعني أنه نادراً ما يقترح أن عظماً يطفو في الهواء أو في مكان لا ينبغي أن يكون فيه.
• الدقة: حقق الذكاء الاصطناعي درجة Macro-F1 قدرها 0.825 ومعامل Kappa قدره 0.822. هذه الأرقام تشبه الدرجات المدرسية، وهي تظهر أن الذكاء الاصطناعي جيد جداً في تحديد الأنواع المختلفة من خلل تنسج الورك بشكل صحيح، حتى الحالات الشديدة منها.
• السرعة والحجم: بعد عملية "التحول"، أصبح النموذج فعالاً للغاية. فقد قل حجمه بنسبة 86% (ليصل إلى 8 ميجابايت فقط)، وقل عدد العمليات الحسابية التي يحتاجها بنسبة 56.4%، وأصبح أسرع بنسبة 53.1% على معالج الحاسوب العادي (CPU).
• المقايضة: الجزء الأفضل؟ كل هذا التقليل في السرعة والحجم جاء مع فقدان ضئيل جداً في الدقة. فقد فقد النموذج 0.33% فقط من دقته مقارنة بالنسخة الضخمة والثقيلة.

لماذا يهم هذا الأمر؟

أظهر الباحثون أن أداة البحث الجديدة أفضل من النماذج الشهيرة الأخرى في تشخيص مشاكل الورك، خاصة للحالات الشديدة التي تتطلب اهتماماً فورياً. والأهم من ذلك، نظرًا لصغر حجمه وسرعته، يمكن تشغيله على الحواسيب العادية الموجودة في العيادات المحلية ومراكز الرعاية الأولية. وهذا يعني أن الأطباء في البلدات الصغيرة يمكنهم استخدام هذا الذكاء الاصطناعي الذكي والمتبع للقواعد لاكتشاف مشاكل الورك مبكراً، مما قد ينقذ الأطفال من الألم والإعاقة مدى الحياة. تشير الورقة البحثية إلى أنه من خلال الجمع بين قواعد "المنطق السليم" والتقنيات الذكية خفيفة الوزن، يمكننا جعل الذكاء الاصطنا الطبي أكثر موثوقية وسهولة في الوصول للجميع.