A Hybrid Complex Quantum U-Net for Enhanced Medical Polyp Image Segmentation
تقترح هذه الورقة بنية "Complex Quantum U-Net" هجينة تدمج بين "ResNet-50"، والالتفافات ذات القيم المركبة، وطبقة كمومية تباينية مكونة من ثمانية كيوبتات لتحقيق أداء رائد في تقسيم البوليب عبر مجموعات متعددة من الصور الطبية، متفوقة بذلك على النماذج المرجعية للتعلم العميق التقليدية مثل "Attention U-Net" و"SegFormer".
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 عالم التصوير الطبي الهادئ وعالي المخاطر، يعتمد الأطباء على أجهزة الكمبيوتر لرؤية ما قد تخطئه العين البشرية. وتتمثل إحدى المهام الأكثر حرجًا في رصد السلائل (polyps)، وهي نموات صغيرة على البطانة الداخلية للقولون يمكن أن تتحول إلى سرطان إذا تُركت دون علاج. لسنوات طويلة، كانت الأداة القياسية لهذه المهمة هي نوع من الذكاء الاصطناٍعي يسمى الشبكة العصبية، والتي تتعلم التعرف على الأنماط في الصور تمامًا كما يتعلم الدماغ البشري التعرف على الوجوه. تُبنى هذه الأنظمة عادةً لمعالجة الصور باستخدام الأعداد الحقيقية فقط، وهي لغة رياضية تصف السطوع واللون ولكنها تتجاهل طبقة خفية من المعلومات تُعرف باسم "الطور" (phase). الطور هو خاصية للموجات تحمل تفاصيل دقيقة حول البنية والملمس، وغالبًا ما تُفقد عندما يتم تبسيط البيانات. وبينما تعمل هذه الأنظمة القياسية بشكل جيد، إلا أنها تواجه أحيانًا صعوبة في التعامل مع الأنسجة المعقدة والمتنوعة الموجودة داخل جسم الإنسان. وفي الوقت نفسه، يبرز مجال جديد للحوسبة يستخدم القواعد الغريبة لميكانيكا الكم لمعالجة المعلومات بطرق لا تستطيع الحواسيب التقليدية القيام بها. وبدأ الباحثون يتساءلون عما إذا كان دمج هذين العالمين — الطبيعة الموجية المعقدة للإشارات والمنطق الاحتمالي القوي لميكانيكا الكم — يمكن أن يخلق طريقة أكثر ذكاءً للعثور على الأمراض.
لقد اتخذ فريق من الباحثين خطوة جريئة للإجابة على ذلك السؤال من خلال بناء نوع جديد من الذكاء الاصطناعي المصمم خصيصًا للعثور على سلائل القولون. لقد أنشأوا نظامًا هجينًا يجمع بين ثلاث طرق مختلفة للتفكير في البيانات: الأعداد الحقيقية القياسية المستخدمة في معظم أجهزة الكمبيوتر، والأعداد المركبة التي تتبع كل من الحجم والطور الموجي، ودائرة كمومية محاكاتية تعالج المعلومات باستخدام مبادئ ميكانيكا الكم. لم يكن الهدف استبدال النظام بأكمله بالتكنولوجيا الكمومية، التي لا تزال في مهدها، بل نسج طبقة كمومية صغيرة ومتخصصة داخل إطار عمل مثبت للتصوير الطبي. والنتيجة هي نموذج يعمل كمتخصص رفيع المستوى، يستخدم هيكلًا مألوفًا لفحص الصورة، لكنه يتوقف عند نقطة حرجة لتحليل البيانات بعدسة أكثر تطورًا ومتعددة الأبعاد قبل اتخاذ قراره النهائي.
بدأ الباحثون بهندسة معروفة تسمى "U-Net"، وهي تتخذ شكل حرف U ومشهورة بقدرتها على أخذ صورة، وتفكيكها إلى سمات، ثم إعادة بنائها لتسليط الضوء على مناطق محددة. في نسختهم، استبدلوا نقطة البداية القياسية بنظام قوي مُدرب مسبقًا يعمل كمرشح لاستخراج أهم التفاصيل من صورة تنظير القولون. وبدلاً من تمرير هذه التفاصيل عبر مرشح بسيط يعتمد على الأعداد الحقيقية، أرسلوها إلى كتلة ذات قيم مركبة. هذا الجزء من النظام يعامل بيانات الصورة كما لو كانت موجة، مما يحافظ على كل من شدتها وطورها. ومن خلال الحفاظ على معلومات الطور هذه، يحتفظ النموذج بإشارات دقيقة حول ملمس وحواف السليلة التي غالبًا ما تتجاهلها الأنظمة الأخرى.
وفي مركز هذه الشبكة تمامًا، حيث يتم اختزال الصورة إلى أهم سماتها، أدخل الباحثون مكونًا فريدًا: دائرة كمومية محاكاتية. تعمل هذه الدائرة كمراقب شامل؛ فهي تأخذ ملخصًا لمعلومات الموجة المعقدة — وتحديدًا متوسط الحجم والطور للسمات — وتضغطها في متجه ذي ثمانية أبعاد. يتم بعد ذلك تغذية هذا المتجه في معالج كمومي، وهو عبارة عن محاكاة رياضية تعمل على جهاز كمبيوتر قياسي ولكنها تتبع قواعد ميكانيكا الكم. يقوم المعالج الكمومي بتحليل هذه الإحصائيات ويرسل إشارة عائدة إلى الشبكة، ليخبرها فعليًا: "انظر إلى الصورة الكبيرة؛ إليك كيف يجب أن يؤثر السياق العام على تفاصيلك المحلية". تقوم هذه الإشارة بتعديل السمات، وضبطها لتتناسب بشكل أفضل مع الشكل العام وسياق السليلة قبل أن تعيد الشبكة بناء الصورة النهائية.
اختبر الفريق هذا النظام الهجين الجديد على ثلاث مجموعات مختلفة من الصور الطبية، بما في ذلك مجموعة مخصصة من 246 صورة عالية الجودة لتنظير القولون قاموا بإنشائها، بالإضافة إلى مجموعتين عامتين من البيانات تحتويان على أكثر من ألف صورة في المجمل. وقارنوا نموذجهم الهجين بطريقتين من أقوى الأساليب الموجودة حاليًا: شبكة عصبية متقدمة قياسية، ونظام أحدث يعتمد على "المحولات" (transformers)، المعروفة بفهم الروابط طويلة المدى في الصور. كانت النتائج واضحة؛ ففي مجموعة البيانات المخصصة، حقق النموذج الهجين درجة 79.36 بالمائة في قياس مدى مطابقة حدوده للسليلة الحقيقية، متفوقًا على الشبكة القياسية بفارق كبير. كما سجل درجات أعلى في مجموعتي البيانات الأخريين، مما أثبت أن هذا النهج يعمل جيدًا حتى على الصور التي لم يرها من قبل. ووجد الباحثون أن إزالة أي من الكتلة ذات القيم المركبة أو الطبقة الكمومية أدى إلى انخفاض الأداء، مما أكد أن كلا الجزأين كانا ضروريين للنجاح.
تشير الدراسة إلى أن التحسن يأتي من قدرة النموذج على رؤية ما هو أكثر من مجرد السطوع. فمن خلال الحفاظ على معلومات الطور، استطاع النظام التمييز بشكل أفضل بين الحواف الخشنة وغير المنتظمة للسليلة وبين الأنسجة المحيطة الناعمة. وقد أضافت الطبقة الكمومية طبقة من الفهم الشامل، مما ساعد النموذج على فهم سياق الصورة بأكملها بدلاً من مجرد النظر إلى قطع صغيرة منها بمعزل عن غيرها. ورغم أن الجزء الكمومي من النظام كان محاكاتيًا ولم يعمل على أجهزة كمومية حقيقية، إلا أن النتائج تشير إلى أن وحدة كمومية صغيرة وموضوعة بعناية يمكن أن توفر دفعة كبيرة للتشخيص الطبي. ويقر الباحثون بأن عملهم لا يزال في المرحلة التجريبية، وأن أجهزة الكمبيوتر الكمومية الحقيقية ليست جاهزة بعد للتعامل مع الضجيج وتعقيدات البيانات الطبية الحية. ومع ذلك، فإن النتائج تقدم مسارًا واعدًا للمستقبل، حيث تظهر أن دمج الأساليب الكلاسيكية والمركبة والكمومية يمكن أن يخلق أدوات أكثر دقة وموثوقية للكشف عن العلامات المبكرة للأمراض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.