Real-time detection of High-Risk Laryngeal Lesions using Laryngoscopic Image-Based AI-Assisted Triage: A Comparative Study of Multiple Vision Foundation Models
تُظهر هذه الدراسة أن نموذج ذكاء اصطناعي يعتمد على النموذج الرؤيوي التأسيسي DINOv2 يحقق دقة عالية في تصنيف آفات الحنجرة عالية الخطورة من صور تنظير الحنجرة، ويحسن بشكل كبير أداء التشخيص لدى الأطباء بمختلف مستويات خبرتهم.
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
إن الصوت البشري آلة هشة، والحنجرة، أو صندوق الصوت، هي المكان الذي تُبنى فيه هذه الآلة. وعندما تنمو في الأنسجة الرقيقة داخل الحلق نموات غير طبيعية، يصبح التمييز بين التهيج الحميد والسرطان الخطير أحد أكثر المهام حرجًا لأخصائي الأنف والأذن والحنجرة. غالبًا ما يعتمد هذا القرار على كاميرا مرنة تُمرر عبر الأنف لرؤية الأحبال الصوتية، وهو إجراء يُعرف باسم تنظير الحنجرة. وبينما تكشف هذه الصور الحالة الفيزيائية للحلق، فإن العلامات البصرية للسرطان المبكر يمكن أن تبدو متشابهة بشكل مذهل مع الحالات الحميدة مثل الزوائد اللحمية أو الكيسات. وفي عيادة مزدحمة، يجب على الطبيب أن يقرر في ثوانٍ ما إذا كان المريض يحتاج إلى خزعة فورية، أو تقييم جراحي، أو مجرد انتظار ومراقبة. هذا الحكم عالي المخاطر صعب للغاية، ويمكن أن تختلف النتيجة اعتمادًا على خبرة الطبيب، وجودة الصورة، والطبيعة الدقيقة للتغيرات على سطح الأنسجة.
ولمعالجة هذا التحدي، طور فريق من الباحثين من مستشفيات في نانجينغ وجونز هوبكنز نوعًا جديدًا من الذكاء الاصطناعي المصمم ليعمل كعين ثانية لهؤلاء المتخصصين. وبدلاً من محاولة استبدال الطبيب، تم بناء النظام للمساعدة في تصنيف المرضى إلى فئات خطر، وتحديد أولئك الذين لديهم أعلى احتمالية للإصابة بآفات خطيرة. قام الباحثون بتدريب هذا النظام الحاسوبي باستخدام الآلاف من صور تنظير الحنجرة الحقيقية، وتعليمه كيفية التعرف على الأنماط البصرية المحددة التي تفصل بين الأنسجة عالية الخطورة والأنسجة منخفضة الخطورة. لم يكتفوا ببناء نموذج واحد؛ بل اختبروا أحد عشر نوعًا مختلفًا من البنيات الحاسوبية الأساسية، وقارنوا مدى قدرة كل منها على التعلم من البيانات. ووجدوا أن نموذجًا محددًا، تم تدريبه مسبقًا على مكتبة ضخمة من الصور العامة قبل تخصيصه للحنجرة، كان الأفضل أداءً. وقد تمكن هذا "النموذج التأسيسي" من تركيز انتباهه على المناطق الدقيقة من الأحبال الصوتية التي تهم، متجاهلاً الضوضاء الخلفية ومركزًا على ملمس ولون الأنسجة نفسها.
وعندما اختبر الباحثون هذا النظام على صور جديدة لم يسبق له رؤيتها، كانت النتائج متسقة بشكل لافت للنظر. ففي مجموعة من صور الاختبار الداخلية، حدد الذكاء الاصطناعي الحالات عالية الخطورة بدقة بلغت 96.0 بالمائة. والأهم من ذلك، عندما تم اختبار النظام على صور من مستشفيين مختلفين بمعدات وظروف إضاءة مختلفة، حافظ على أدائه العالي، محققًا معدلات دقة بلغت 96.7 بالمائة و95.5 بالمائة. وهذا يشير إلى أن النظام قوي بما يكفي للعمل في العيادات الواقعية، وليس فقط في البيئة المحكومة التي بُني فيها. كما استكشف الباحثون كيف يمكن لهذه التكنولوجيا أن تعمل مع الفيديو المباشر، وهو الطريقة التي يفحص بها الأطباء المرضى فعليًا. فقد طوروا طريقة لاختيار أوضح الإطارات تلقائيًا من بث الفيديو والتركيز فقط على الأحبال الصوتية، واستبعاد الأجزاء الضبابية أو غير ذات الصلة. وقد أدى هذا النهج القائم على الفيديو إلى تحسين دقة تقييم المخاطر، مما أثبت أن النظام يمكنه التعامل مع الطبيعة الديناميكية للفحص الحي.
ومع ذلك، فإن الاختبار الحقيقي لأي أداة طبية هو كيف تساعد الأشخاص الذين يستخدمونها. ولتحديد ذلك، دعا الباحثون عشرة أطباء من مستويات خبرة متفاوتة لمراجعة 120 صورة، أولاً بمفردهم ثم بمساعدة الذكاء الاصطناعي. وأظهرت النتائج أن الذكاء الاصطناعي ساعد الجميع، لكنه ساعد الأطباء الأقل خبرة بشكل أكبر. فعندما استخدم الأطباء المبتدئون الذكاء الاصطناعي، تحسنت دقة أدائهم بمقدار أربع نقاط مئوية، وهي قفزة كبيرة جعلت أداءهم يقترب من أداء الخبراء الكبار. كما ساعد النظام الأطباء على اتخاذ قراراتهم بشكل أسرع، مما قلل الوقت المستغرق في كل صورة. وهذا يشير إلى أن التكنولوجيا تعمل كمساوٍ قوي، حيث توفر دعمًا ثابتًا وعالي الجودة يمكنه مساعدة الأطباء الأقل خبرة في اتخاذ قرارات أكثر أمانًا وثقة.
لم تدّعِ الدراسة أنها حلت مشكلة تشخيص سرطان الحنجرة، ولم تقترح أن الذكاء الاصطناعي يجب أن يحل محل الحكم البشري. بدلاً من ذلك، تشير النتائج إلى أن الذكاء الاصطناعي المصمم بعناية يمكن أن يعمل كأداة فرز موثوقة، مما يساعد في ضمان تحديد المرضى المعرضين للخطر بسرعة، وعدم إخضاع الحالات الحميدة لإجراءات غير ضرورية. وأشار الباحثون إلى أنه بينما كان أداء النظام جيدًا، فقد تم اختباره على مجموعة محددة من الصور ويتطلب مزيدًا من الدراسة في بيئات سريرية واقعية أكبر لتأكيد فائدته على المدى الطويل. ومع ذلك، فإن هذا العمل يثبت أن رؤية الحاسوب الحديثة، عندما تُطبق بعناية وتُختبر بصرامة، يمكنها أن تتعلم رؤية العلامات الدقيقة للمرض في الحلق البشري، مما يوفر طبقة جديدة من الدعم للأطباء الذين يقفون بين المرضى وصحتهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.