Four-grade lumbar foraminal stenosis grading on sagittal T2-weighted MRI: a patient-disjoint evaluation of ordinal modelling, moderate-to-severe auxiliary supervision, and fixed DeiT fusion
تقيم هذه الدراسة التصنيف الآلي لضيق الثقبة القطنية المكون من أربع درجات في صور الرنين المغناطيسي الموزونة بزمن T2 في المقطع السهمي، وتكشف أن كلاً من النمذجة الترتيبية أو الإشراف المساعد المتوسط إلى الشديد لا يقدم فوائد شاملة عبر بنيات النماذج المختلفة، ولكن دمج الـ DeiT الثابت يعزز الأداء بشكل كبير، لا سيالما للفروع الترتيبية الأضعف.
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
يُعد ألم الظهر تجربة إنسانية عالمية، غالباً ما تُعزى إلى ضيق الفتحات الصغيرة في العمود الفقري حيث تخرج الأعصاب. ويطلق الأطباء على هذه الحالة اسم "تضيق القناة الشوكية القطنية". ولرؤية ذلك، يستخدم الأطباء عادةً التصوير بالرنين المغناطيسي (MRI)، الذي ينشئ صوراً تفصيلية لأنسجة الجسم الرخوة. وفي الفحص القياسي، ينظر الأطباء إلى الصور الملتقطة من الجانب، والمعروفة بالرؤى السهمية (sagittal views)، لتقدير مدى ضيق ممرات الأعصاب هذه. وعادة ما يصنفون هذه الحالة إلى أربعة مستويات: طبيعي، خفيف، متوسط، أو شديد. هذا التصنيف أمر بالغ الأهمية لأنه يحدد العلاج، لكنه يعتمد على طبيب بشري يحدق في الشاشة ويتخذ قراراً تقديرياً.
مؤخراً، كان هناك توجه لجعل فحوصات الرنين المغناطيسي هذه أسرع وأقل عبئاً على المرضى. إحدى الطرق هي التركيز فقط على النوع المحدد من الصور الذي يظهر السوائل وصحة الأعصاب بشكل أفضل، والذي يُسمى غالباً مسح T2-weighted، بدلاً من تشغيل مجموعة كاملة من أنواع الصور المختلفة. ومع ذلك، ظل هناك سؤال رئيسي: هل يمكن للكمبيوتر أن يتعلم تصنيف هذه المستويات الأربعة من الشدة بمجرد النظر إلى هذه الصور المحددة والمبسطة؟ وبينما تم تدريب أجهزة الكمبيوتر بالفعل على القيام بذلك باستخدام نوع آخر من الصور، لم يكن من الواضح ما إذا كان المنطق نفسه سيعمل عندما يتغير شكل الصورة نفسها. التحدي يكمس في أن الدرجات الأربع ليست مجرد فئات عشوائية؛ بل هي "سلم". فالخطأ الذي يخلط بين حالة خفيفة وحالة طبيعية يختلف عن الخطأ الذي يخلط بين حالة شديدة وحالة متوسطة. يحتاج الكمبيوتر إلى فهم هذا الترتيب ليكون مفيداً حقاً.
لقد سعى باحث يدعى "ووكي بنج" للإجابة على هذا السؤال من خلال تعليم كمبيوتر تصنيف هذه الحالات الشوكية باستخدام صور الجانب فقط. تضمنت الدراسة ما يقرب من ثلاثة آلاف منطقة محددة من العمود الفقري، مأخوذة من 468 مريضاً مختلفاً. عُرضت هذه الصور على الكمبيوتر وطُلب منه فرزها إلى الفئات الأربع. ولضمان موثوقية النتائج، استخدم الباحث طريقة اختبار صارمة حيث يتم تدريب الكمبيوتر على بعض المرضى واختباره على مرضى مختلفين تماماً لم يسبق له رؤيتهم، مع تكرار هذه العملية خمس مرات للتأكد من اتساق النتائج.
اختبرت الدراسة عدة مقاربات مختلفة لمعرفة أي منها يعمل بشكل أفضل. أحد المقاربات تعامل مع الدرجات الأربع كملصقات بسيطة غير مرتبطة ببعضها. وسعى مقاربة أخرى لتعليم الكمبيوتر أن الدرجات هي تسلسل، مثل درجات السلم. أما الفكرة الثالثة، فقد تضمنت إعطاء الكمبيوتر تلميحاً أثناء التدريب: إشارة بسيطة تخبره ما إذا كانت الحالة قد دخلت في نطاق "متوسط" أو "شديد"، دون إخباره بالدرجة الدقيقة. كما اختبر الباحثون ما إذا كان دمج نوعين مختلفين من أنظمة رؤية الكمبيوتر — أحدهما ينظر إلى التفاصيل الصغيرة والآخر ينظر إلى الصورة الكاملة — سيؤدي إلى نتيجة أفضل من كل نظام بمفرده.
كشفت النتائج أنه لا توجد "خدعة سحرية" واحدة تنجح في كل موقف. فالمقاربة التي تعاملت مع الدرجات كتسلسل ساعدت بالفعل عند اقترانها بنوع واحد من أنظمة الكمبيوتر، مما حسن قدرتها على التمييز بين المستويات. ومع ذلك، فإن هذه المقاربة نفسها جعلت نظام كمبيوتر آخر أكثر حداثة يعمل بشكل أسوأ. وبالمثل، فإن التلميح الإضافي حول حالات "متوسط إلى شديد" ساعد في بعض الإعدادات ولكنه أضر بالأداء في إعدادات أخرى. وهذا يشير إلى أن مجرد إضافة قواعد أكثر تعقيداً أو تلميحات إضافية لا يجعل الكمبيوتر أذكى تلقائياً؛ بل يجب أن تتناسب القواعد مع النوع المحدد من الكمبيوتر المستخدم.
كان الاكتشاف الأكثر أهمية يتعلق بكيفية عمل هذه الأنظمة الحاسوبية المختلفة معاً. فعندما دمج الباحثون مخرجات نظام رؤية حاسوبي قياسي مع نظام أكثر تقدماً تم تدريبه على فهم تسلسل الدرجات، كانت النتيجة تحسناً جوهرياً. هذا الدمج، الذي استخدم قاعدة ثابتة لمزج آرائهما، دفع دقة التصنيف إلى مستوى جديد. حدد النظام المدمج شدة ضيق العمود الفقري بدقة تبلغ حوالي 75 بالمائة من الحالات، وهي قفزة ملحوظة عن الأنظمة المستقلة. كما قلل أيضاً من متوسط حجم الأخطاء التي يرتكبها الكمبيوتر.
ومن الأهمية بمكان أن الدراسة أظهرت أن نجاح هذا النظام المدمج لم يأتِ من التلميح الإضافي حول حالات "متوسط إلى شديد". في الواقع، عندما أضاف الباحثون هذا التلميح إلى نظام الكمبيوتر الحديث، أصبح الأداء المستقل أسوأ. لقد استطاع دمج نظامي الكمبيوتر المختلفين إصلاح هذه الأخطاء وإنقاذ الأداء، مما يشير إلى أن النظامين كانا ينظران إلى الصور بطرق متكاملة. فقد يكون أحد الأنظمة جيداً في رصد نسيج معين، بينما كان الآخر أفضل في التعرف على الشكل العام لفتحة العصب. معاً، غطيا نقاط الضعف لدى كل منهما.
كما بحثت الدراسة فيما كان الكمبيوتر "ينظر إليه" فعلياً عند اتخاذ قراراته. ومن خلال تصور الأجزاء من الصورة التي أثرت على خيار الكمبيوتر، أكد الباحثون أن النظام كان يركز على المناطق التشريحية ذات الصلة، مثل فتحات الأعصاب نفسها، بدلاً من الضوضاء العشوائية. وقد منح هذا ثقة بأن الكمبيوتر كان يتعلم الميزات الصحيحة لاتخاذ أحكامه.
في النهاية، يوضح هذا البحث أنه من الممكن بناء نظام حاسوبي موثوق لتصنيف تضيق القناة الشوكية باستخدام صور الجانب المبسطة التي يستخدمها الأطباء بشكل متزايد لتوفم الوقت. ومع ذلك، فإن الطريق نحو هذا النجاح ليس خطاً مستقيماً من إضافة المزيد من الميزات. بدلاً من ذلك، يتطلب الأمر مطابقة دقيقة لطريقة تعليم الكمبيوتر مع النوع المحدد من الكمبيوتر المستخدم، والإدراك بأن دمج أنواع مختلفة من أنظمة الرؤية يمكن أن يكون أكثر قوة من أي نظام منفرد. يوفر هذا العمل أساساً تقنياً صلباً لمسارات العمل الطبية المستقبلية حيث يمكن لفحوصات الرنين المغناطجم المغناطيسي الأسرع والأبسط أن تقدم مع ذلك تشخيصات آلية دقيقة، مما قد يقلل من الوقت الذي يقضيه المرضى داخل جهاز الفحص دون التضحية بجودة الرعاية التي يتلقونها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.