NACS-Net: Normality–Anatomy–Concept Segmentation for Clinically Significant Prostate Cancer on T2-Weighted MRI

في عالم التصوير الطبي، غالبًا ما يكون الهدف هو العثور على الإبرة في كومة القش. بالنسبة لسرطان البروستاتا، فإن تلك الإبرة هي ورم صغير يصعب رؤيته، مختبئ داخل عضو أكبر بكببر. يعتمد الأطباء على التصوير بالرنين المغناطيسي، أو MRI، لرؤية ما بداخل الجسم دون جراحة. ينتج نوع محدد من التصوير بالرنين المغناطيسي، يسمى التصوير الموزون بالزمن الثاني (T2-weighted imaging)، صورًا واضحة للأنسجة الرخوة وهو متاح على نطاق واسع في المستشفيات. ومع ذلك، فإن اكتشاف السرطان في هذه الصور أمر صعب للغاية؛ فالأورام غالبًا ما تكون ضئيلة، وتندمج مع الأنسجة السليعة المحيطة بها، وتظهر في شرائح قليلة فقط من المسح الضوئي بينما تظل بقية الصورة عبارة عن مساحة فارغة. وهذا يجعل من الصعب على برامج الكمبيوتر تعلم ما يجب البحث عنه، حيث تميل إلى تجاهل الأورام النادرة والتركيز على الخلفية السليمة الشائعة. علاوة على على ذلك، فإن برنامج الكمبيوتر الذي يتم تدريبه على صور من مستشفى واحد غالبًا ما يفشل عند عرضه على صور من مستشفى آخر، لأن الأجهزة وإعدادات المسح تختلف اختلافًا طفيفًا.

لقد حاول الباحثون بناء أنظمة ذكاء اصطناعي يمكنها تلقائيًا رسم تحديد دقيق حول هذه البقع السرطانية. وبينما تنجح بعض الأنظمة في تحديد المنطقة العامة للورم، إلا أنها غالبًا ما تعاني في ضبط الحواف بدقة أو تخطئ في تصنيف الأنسجة السليمة على أنها سرطان. يقدم بحث جديد نظامًا يسمى NACS-Net، مصممًا خصيصًا للتعامل مع هذه الصعوبات باستخدام نوع واحد من فحص الرنين المغناطيسي. فبدلاً من مجرد البحث عن الورم مباشرة، يتعلم النظام أولاً كيف تبدو أنسجة البروستاتا الطبيعية والسليمة. ومن خلال فهم "الطبيعي"، يمكنه تمييز الانحرافات الدقيقة التي تشير إلى وجود مشكلة. كما يتحقق النظام باستمرار من عمله الخاص مقابل خريطة لغدة البروستاتا لضمان عدم تحديد أي أنسجة خارج العضو كسرطان. وأخيرًا، يقوم بتبسيط تفكيره الداخلي إلى بعض المفاهيم الرئيسية، مما يساعده على البقاء متسقًا حتى عندما تأتي الصور من أجهزة مختلفة. وتظهر النتائج أن هذا النهج يخلق حدودًا أكثر حدة ودقة للأورام ويقلل بشكل كبير من الإنذارات الكاذبة مقارنة بالطرق السابقة، رغم أن الباحثين يشيرون إلى أن النظام ليس مثاليًا بعد ويتطلب مزيدًا من الاختبارات لتأكيد موثوقيته في العيادات الواقعية.

إن التحدي في العث حدوث سرطان البروستاتا في التصوير بالرنين المغناطيسي ثلاثي الأبعاد. أولاً، غالبًا ما تكون الآفات السرطانية صغيرة جدًا بحيث تشغل جزءًا ضئيلًا من الصورة الإجمالية، بينما يظهر الغالبية العظمى من المسح نسيجًا سليمًا. هذا الاختلال يربك نماذج الكمبيوتر القياسية، التي تعتاد رؤية الأنسجة السليمة فقط وتفقد البقع النادرة للمرض. ثانيًا، في صور T2-weighted، غالبًا ما يبدو السرطان مشابهًا جدًا للأنسجة المحيطة، مما يوفر تباينًا ضئيلًا للفصل بينهما. ثالثًا، النماذج المدربة على بيانات من مستشفى معين غالبًا ما تفشل عند اختبارها على بيانات من مستشفى آخر، بسبب الاختلافات في أجهزة الرنين المغناطيسي التي تجعل الصور تبدو مختلفة قليلاً. ولحل هذه المشكلات، طور الباحثون إطار عمل يعمل على تكييف نموذج رؤية حاسوبية قوي ومُدرب مسبقًا — وهو أساسًا نظام تعلم بالفعل التعرف على الأنماط في ملايين الصور — مع المهمة المحددة لسرطان البروستاتا. لم يقوموا بإعادة تدريب النموذج الضخم بأكمله، الأمر الذي يتطلب قدرة حوسبية هائلة وبيانات ضخمة، بل أضافوا وحدات صغيرة وخفيفة الوزن تعلم النظام كيفية تطبيق معرفته العامة على هذه المشكلة الطبية المحددة.

يركز الجزء الأول من حلهم على وفرة الأنسجة السليمة. فبدلاً من معاملة الأجزاء السليمة من المسح كخلفية عديمة الفائدة، يستخدمها النظام لتعلم صورة مفصلة لما يبدو عليه الوضع "الطبيعي". فهو ينشئ خريطة ذهنية لأنسجة البروستاتا السليمة ثم يقارن كل جزء من المسح بهذه الخريطة. إذا بدا قسم من الصورة مختلفًا عن الخريطة السليمة، فإن النظام يحددها كآفة محتملة. تعمل خريطة "الانحراف" هذه كدليل، حيث تسلط الضوء على المناطق التي لا تتصرف فيها الأنسجة كما هو متوقع. يساعد هذا النهج النظام في العثور على الأورام ذات التباين المنخفض والدقيقة التي قد تفقدها الطرق الأخرى، مما يحول مشكلة وجود الكثير من الأنسجة السليمة بفعالية إلى دليل مفيد.

يضمن الجزء الثاني من النظام بقاء الكمبيوتر مركزًا في المكان الصحيح. وبما أن سرطان البروستاتا يمكن أن ينمو فقط داخل غدة البروستاتا، فقد بنى الباحثون قاعدة داخل النظام تتحقق باستمرار من تنبؤاته مقابل خريطة لشكل الغدة. يتم إنشاء هذه الخريطة تلقائيًا بواسطة أداة منفصلة قبل بدء التحليل الرئيسي. وبينما يقوم النظام بتحسين تنبؤه بمكان الورم، فإنه يتحقق مرارًا وتكرارًا من بقاء التنبؤ داخل حدود الغدة. إذا بدأ النظام في التخمين بأن الورم موجود في المنطقة المحيطة، فإن هذا التحقق يصحح مساره. تحدث هذه العملية في خطوات متعددة، حيث يصبح النظام أكثر دقة مع كل تمريرة، ولكنه يظل دائمًا محصورًا داخل البروستاتا. وهذا يقلل بشكل كبير من عدد المرات التي يخطئ فيها النظام في تحديد الأنسجة السليمة خارج الغدة كسرطان، وهو خطأ شائع في النماذج الأخرى.

تم تصميم المكون الثالث لجعل النظام أكثر موثوقية عبر المستشفيات المختلفة. أضاف الباحثون خطوة حيث يجب على النظام تلخيص نتائج البحث في مجموعة صغيرة من الأفكار المجردة والبسيطة قبل اتخاذ القرار النهائي. هذا يجبر النظام على تجاهل التفاصيل الصغيرة وغير ذات الصلة التي قد تكون فريدة من نوعها لجهاز مسح أو مستشفى معين، والتركيز فقط على الميزات الجوهرية للسرطان. ورغم أن الباحثين لم يحددوا أسماء طبية معينة لهذه الأفكار المجردة بعد، إلا أنها تعمل كمرشح يساعد النظام على التعميم بشكل أفضل على البيانات الجديدة. يعمل "عنق الزجاجة المفاهيمي" هذا كمنظم، مما يضمن بقاء منطق النظام متسقًا حتى عندما تتغير صور المدخلات قليلًا.

عند اختباره على مجموعة كبيرة من فحوصات الرنين المغناطيسي من مستشفيات متعددة، أظهر النظام الجديد تقديرات إيجابية للضبط الداخلي للنتائج الإيجابية الكاذبة والدقة الخارجية للتداخل والحدود مقارنة بالعديد من الطرق الحالية المتطورة. في الاختبارات الداخلية، حقق منحنى (AUC) قدره 0.444 في تحديد حدود الأورام، وهو أعلى من النماذج الأخرى. كما أنتج عددًا أقل من الإنذارات الكاذبة، بمتوسط حوالي 4.5 اكتشاف خاطئ لكل مريض، مقارنة بأرقام أعلى للأنظمة الأخرى. كما تم اختبار النظام على مجموعة منفصلة تمامًا من المرضى من قاعدة بيانات أخرى لم يسبق له رؤيتها من قبل. وفي هذا الاختبار الخارجي، حافظ على مستوى معقول من الدقة، محققًا درجة 23.5 بالمائة مع الحفاظ على انخفاض عدد الإنذارات الكاذبة، خاصة تلك التي خارج الغدة. ومع ذلك، نظرًا لأن هذه المجموعة الخارجية ضمت فقط مرضى مؤكد إصابتهم بالسرطان، لم يكن من الممكن حساب مقاييس التصنيف القياسية للكشف. وهذا يشير إلى أن النظام قوي بما يكفي للتعامل مع الاختلافات الموجودة في التصوير الطبي الواقعي، رغم أنه لا يدعي التفوق في دقة الكشف الإجمالية على أقوى النماذج الموجودة.

ومع ذلك، يحرص الباحثون على عدم الادعاء بأن هذا النظام قد حل المشكلة تمامًا. فعندما قارنوا النظام الجديد مباشرة بأقوى نموذج موجود، وجدوا أنه بينما كان النظام الجديد أفضل في تقليل الإنذارات الكاذبة وشحذ حواف الأورام، إلا أنه لم يتفوق بشكل ملحوظ على النموذج الآخر من حيث دقة الكشف الإجمالية. كما تسلط الدراسة الضوء على أن النظام يعتمد حاليًا على نوع واحد من فحوصات الرنين المغناطيسي، في حين يستخدم الأطباء غالبًا أنواعًا متعددة من الفحوصات للحصول على صورة كاملة. ويقر الباحثون بأن أداء النظام محدود بجودة الخريطة الأولية لغدة البروستاتا؛ فإذا كانت تلك الخريطة غير دقيقة، فإن قدرة النظام على البقاء مركزًا ستتأثر. بالإضافة إلى ذلك، فإن المفاهيم المجردة التي يستخدمها النظام لاتخاذ القرارات لم يتم التحقق منها بعد من قبل خبراء طبيين لضمان توافقها مع السمات البيولوجية الحقيقية.

تخلص الدراسة إلى أن هذا النهج الجديد يقدم طريقة واعدة لتحسين تقسيم سرطان البروستاتا، لا سيما من خلال استخدام الأنسجة السليمة كدليل وفرض القواعد التشريحية طوال العملية. وهي تثبت أن الجمع بين نموذج رؤية مدرب مسبقًا ونماذج محددة موجهة نحو المهام يمكن أن يعالج التحديات الفريدة للتصوير الطبي، مثل صغر حجم الآفات والاختلافات في البيانات بين المستشفيات. وبينما يظهر النظام إمكانات قوية لتقليل الأخطاء وتحسين دقة الحدود، يؤكد الباحثون أن هناك حاجة لمزيد من العمل للتحقق من المعنى الطبي لمفاهيمه الداخلية واختبار أدائه مع أنواع متعددة من فحوصات الرنين المغناطيسي. الهدف النهائي هو إنشاء أداة يمكنها مساعدة أطباء الأشعة في إجراء تشخيصات أكثر دقة، ولكن في الوقت الحالي، يظل النظام نموذجًا بحثيًا متطورًا وليس منتجًا سريريًا جاهزًا للاستخدام.