Cross-center sex estimation from patellar CT: multi-feature transformer fusion of morphometry, radiomics, and deep features
تقدم هذه الدراسة إطار عمل دمج "ترانسفورمر" (Transformer) قوي متعدد الميزات يدمج قياسات شكل الرضفة، والسمات الراديومية، وسمات التعلم العميق من الأشعة المقطعية لتحقيق تقدير دقيق للغاية وقابل للتعميم للجنس، متفوقاً بذلك على النماذج أحادية الميزة والخبراء الجنائيين مع تقليل وقت المعالجة بشكل كبير.
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 أعقاب الكوارث أو الجرائم في هدوئها الموحش، يواجه علماء الأدلة الجنائية لغزاً شاقاً: من كان هذا الشخص؟ إن الخطوة الأولى والأكثر حيوية في حل ذلك اللغز هي تحديد جنس البقايا. لعقود من الزمن، نظر الخبراء إلى الحوض والجمجمة، وهما العظمتان اللتان تظهران بوضوح الفروق الجسدية بين الذكور والإناث. ولكن في الواقع الفوضوي للكوارث الجماعية أو المواقع الأثرية، غالباً ما تكون هذه العظام مكسورة أو محترقة أو مفقودة تماماً. وعندما تتلاشى القرائن المعتادة، يتعين على المحققين الالتفات إلى أجزاء أخرى من الهيكل العظمي. ومن بين هذه العظام الصامدة "رضفة الركبة" (صابونة الركبة)، وهي عظمة صغيرة وكثيفة غالباً ما تصمد أمام النار والصدمات بشكل أفضل من بقية الجسم. ورغم أنها أصغر وأقل وضوحاً من الحوض، إلا أنها تحمل خريطة خفية للجنس البيولوجي داخل شكلها وقوامها، تنتظر من يقرأها.
لقد طور فريق من الباحثين من جامعة تشينغهاي والمستشفيات التابعة لها في الصين طريقة جديدة لقراءة تلك الخريطة. فقد أنشأوا نظاماً حاسوبياً يعمل كـ "مراقب فائق"، يجمع بين ثلاث طرق مختلفة للنظر إلى رضفة الركبة لتخمين ما إذا كانت تخص رجلاً أم امرأة. وبدلاً من الاعتماد على طريقة واحدة فقط، يقوم النظام بدمج القياسات البسيطة للحجم، والتحليل التفصيلي لقوام العظمة الداخلي، والفهم العميق والمجرد للشكل العام للعظمة. ومن خلال تعليم الكمبيوتر كيفية وزن كل هذه القرائن معاً، وجد الباحثون طريقة تجعل تقدير الجنس أسرع، وأكثر اتساقاً، وأكثر دقة من الطرق البشرية الحالية، حتى عندما تأتي فحوصات العظام من مستشفيات مختلفة وبمعدات مختلفة.
بدأت الدراسة بمجموعة كبيرة من فحوصات الركبة من مستشفيتين في مقاطعة تشينغهاي. جمع الباحثون صوراً من 836 شخصاً، واختاروا بعناً أولئك الذين يتمتعون بركب سليمة وصور واضحة. وقسموا هذه المجموعة إلى مجموعتين: مجموعة أكبر لتعليم الكمبيوتر كيفية التعرف على الأنماط، ومجموعة أصغر ومنفصلة لاختبار قدرة الكمبيوتر على تطبيق ما تعلمه على بيانات جديدة لم يسبق له رؤيتها. ولبناء أداتهم، قام الفريق أولاً بتحديد حدود رضفة الركبة يدوياً في كل فحص، وعزلها عن بقية مفصل الركبة. ومن هذه العظمة المعزولة، استخرجوا ثلاثة أنواع متميزة من المعلومات. أولاً، قاسوا الهندسة الأساسية للعظمة، حيث حسبوا الطول، والعرض، والسمك، والحجم، ومساحة السطح، والمسافة حول حافتها. ثانياً، استخدموا تقنية تسمى "الراديوميكس" (Radiomics) لتفكيك الصورة إلى مئات التفاصيل الدقيقة للقوام، مما يلتقط حبيبات ونمط داخل العظمة الذي لا تستطيع العين البشرية رؤيته. ثالثاً، استخدموا نماذج ذكاء اصطناعي متقدمة لمسح العظمة واستخراج سمات عميقة ومجردة تمثل الشكل العام والبنية بطريقة تحاكي كيف قد يتعرف دماغ بشري على وجه أو جسم.
كان جوهر ابتكارهم هو كيفية دمج هذه التدفقات الثلاثة من المعلومات. فبدلاً من مجرد حساب متوسط النتائج أو تكديس البيانات فوق بعضها البعض، استخدموا بنية حاسوبية متطورة تُعرف باسم "المحول" (Transformer). يعمل هذا النظام مثل صانع قرار ديناميكي يتعلم الانتباه لأهم القرائن لكل عظمة على حدة؛ إذ يمكنه أن يقرر أن القوام هو العلامة الأكثر دلالة في رضفة معينة، بينما يهم الحجم الإجمالي أكثر في رضفة أخرى. وتسمح هذه المرونة للنظام بالتكيف مع الاختلافات في البيانات، مثل الاختلافات في كيفية إجراء عمليات المسح. وقد اختبر الباحثون هذا النظام مقابل نماذج أبسط استخدمت نوعاً واحداً فقط من المعلومات، وكذلك مقابل طرق أخرى لدمج البيانات.
أظهرت النتائج أن النهج المشترك كان متفوقاً. ففي مجموعة الاختبار الداخلية، حدد النظام الجنس بشكل صحيح في 94.3% من الحالات، وهو تحسن ملحوظ عن مناهج الطريقة الواحدة. والأهم من ذلك، أنه عند اختباره على المجموعة الخارجية من المرضى من مستشفى مختلف بمعدات مسح مختلفة قليلاً، حافظ النظام على مستوى عالٍ من الدقة، حيث حدد الجنس بشكل صحيح في 87.9% من الحالات. وفي المقابل، شهدت النماذج الأبسط التي اعتمدت على نوع واحد فقط من البيانات انخفاضاً أكثر حدة في دقتها عند مواجهة هذه الظروف الجديدة. كما قارنت الدراسة أداء الكمبيوتر بأداء الخبراء البشر؛ حيث قام ثلاثة قارئين بشريين، تتراوح خلفياتهم من طالب إلى متخصص في الطب الشرعي معتمد، بقياس نفس العظام الـ 15 يدوياً باستخدام الصيغ التقليدية. وبينما كان الخبراء البشر دقيقين بشكل عام، إلا أن قياساتهم تباينت بشكل كبير فيما بينهم؛ فبالنسبة لنفس العظمة، قد يقيس أحد الخبراء الطول بـ 40 ملم بينما يقيسه آخر بـ 48 ملم. ومع ذلك، أنتج الكمبيوتر النتيجة ذاتها في كل مرة، مما قضى على عدم الاتساق البشري. علاوة على ذلك، أكمل الكمبيوتر تحليله في متوسط 30 ثانية لكل عظمة، بينما استغرق الخبراء البشر ما بين أربع إلى ثلاث عشرة دقيقة لكل منهم.
لاحظ الباحثون أن سمك شرائح المسح لعب دوراً حاسماً في أداء الطرق المختلفة. فعندما كانت المسوحات رقيقة جداً، تلتقط تفاصيل دقيقة، أدت الطرق القائمة على القوام والتعلم العميق أداءً استثنائياً. ومع ذلك، عندما كانت المسوحات أكثر سمكاً قليلاً، كما هو شائع في بعض السيناريوهات الواقعية، انخفض أداء تلك الطرق المعقدة. وظلت قياسات الحجم البسيطة مستقرة بغض النظر عن سمك المسح، وهذا هو السبب في أن قدرة النظام على دمج الطرق الثلاث معاً كانت فعالة للغاية؛ إذ كان بإمكانه الاعتماد على القياسات المستقرة عندما تصبح بيانات القوام التفصيلية أقل موثوقية. وتخلص الدراسة إلى أن هذا النهج متعدد الميزات يوفر أداة موضوعية وقوية لتحديد الهوية الجنائية. ويشير البحث إلى أنه من خلال ترك الكمبيوتر يتعلم كيفية وزن أنواع مختلفة من الأدلة، يمكن للمحققين الحصول على إجابة أكثر موثوقية حول جنس الشخص، حتى عندما تكون العظام تالفة أو عندما تأتي البيانات من مصادر متنوعة. ورغم أن الدراسة اقتصرت على مجتمع معين في الصين واستخدمت فحوصات لأشخاص أحياء، إلا أن المؤلفين يعتقدون أن هذا الأسلوب يوفر أساساً قوياً للعمل المستقبلي الذي قد يساعد في تحديد هوية الضحايا في الكوارث الجماعية أو تحليل البقايا في السياقات الأثرية، محولين عظمة صغيرة وغالباً ما يتم تجاهلها إلى مفتاح قوي لتحديد الهوية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.