Selective data curation enables efficient pretraining of chest radiograph foundation models
تقدم الورقة البحثية CheXficient، وهو نموذج تأسيسي لصور الأشعة السينية للصدر يستفيد من عملية تنسيق بيانات انتقائية موجهة بالتمثيل لتحقيق أداء تنافسي عبر مهام سريرية متنوعة باستخدام جزء ضئيل فقط من البيانات والموارد الحسابية المطلوبة لنهج التدريب المسبق واسع النطاق التقليدي.
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، تتعلم الحواسيب كيف ترى ما يراه الأطباء. لسنوات طويلة، كان الاعتقاد السائد هو أنه لجعل هذه الأنظمة المعتمدة على الذكاء الاصطناعي أكثر ذكاءً، يتعين عليك ببساطة تزويدها بمزيد من البيانات. بدا المنطق سديداً: فكلما زادت صور الأشعة السينية للصدر وزادت تقارير الأشعة التي يقرؤها الحاسوب، ينبغي أن يصبح أفضل في رصد الأمراض. هذا النهج، الذي يُطلق عليه غالباً "التوسع بأي ثمن"، دفع الباحثين إلى جمع ملايين الصور من المستشات حول العالم. ومع ذلك، فإن هذه الاستراتيجية تأتي بثمن باهظ؛ إذ يتطلب تدريب هذه الأنظمة الضخمة كميات هائلة من الكهرباء والوقت، وغالباً ما يستغرق أسابيع على حواسيب فائقة القدرة. علاوة على ذلك، نادراً ما تكون البيانات الطبية مثالية؛ فهي غالباً ما تكون مليئة بالصور المكررة، ومنحازة نحو الأمراض الشائعة، وتفتقر إلى الحالات النادرة ولكن الحرجة التي يحتاج الأطباء لتحديدها بشكل عاجل. والسؤال الذي يواجه هذا المجال هو ما إذا كانت هناك طريقة أذكى لتعليم هذه الآلات دون استنزاف الموارد أو الضياع في بحر من المعلومات المكررة.
اقترح فريق من الباحثين في جامعة ستانفورد مساراً مختلفاً، مساراً يركز على الجودة بدلاً من الكمية. فقد قدموا طريقة جديدة تسمى "CheXefficient"، والتي تعمل بمثابة محرر دقيق للبيانات المستخدمة في تدريب الذكاء الاصطناعي الطبي. فبدلاً من تغذية الحاسوب بشكل أعمى بكل صورة أشعة وتقرير يمكن العثور عليه، يستخدم هذا النظام "أميناً للبيانات" لاختيار الأمثلة الأكثر فائدة فقط. تخيل مكتبة يقرر فيها أمين المكتبة الكتب التي سيحتفظ بها على الرفوف بناءً على مقدار المعلومات الجديدة التي تقدمها، بدلاً من مجرد تكديس كل كتاب يصل. في هذه الحالة، ينظر الحاسوب إلى الصور والتقارير التي رآها بالفعل ويحدد أي الأمثلة الجديدة هي الأكثر اختلافاً عما يعرفه. إنه يعطي الأولوية للصور التي تظهر حالات نادرة أو غير عادية، ويقلل من أهمية تلك الشائعة والمتكررة. ومن خلال القيام بذلك، يتعلم النظام صورة أكثر اكتمالاً للصحة البشرية بعدد أقل بكثير من الأمثلة.
اختبر الباحثون هذه الفكرة باستخدام مجموعة ضخمة تضم أكثر من 1.2 مليون زوج من صور الأشعة السينية للصدر وتقارير الأشعة المقابلة لها. وقاموا بتدريب ثلاث نسخ مختلفة من نموذج الذكاء الاصطناعي الخاص بهم لمقارنة النتائج. النسخة الأولى، التي أطلقوا عليها اسم "CheXfull"، تم تدريبها على مجموعة البيانات الكاملة المكونة من 1.2 مليون صورة. والنسخة الثانية، "CheXrandom"، تم تدريبها على اختيار عشوائي من 280,000 صورة، وهو ما يمثل تقليصاً نموذجياً لحجم البيانات. أما النسخة الثالثة، "CheXefficient"، فقد تم تدريبها على مجموعة مختارة بعناص دقيقة من 280,000 صورة، اختيرت خصيصاً لأنها تقدم أكبر قدر من المعلومات الجديدة وتغطي أوسع نطاق من الحالات الطبية. كانت النتائج مذهلة؛ فقد حقق نموذج "CheXefficient"، الذي استخدم حوالي 23 بالمائة فقط من البيانات وأقل من 28 بالمائة من القدرة الحوسبية المطلوبة للنموذج الكامل، أداءً يضاهي النموذج الضخم المدرب على 1.2 مليون صورة. وفي اختبارات عديدة، تفوق في الواقع على النموذج المدرب على الاختيار العشوائي للبيانات، مما يثبت أن الاختيار المحدد للبيانات كان أكثر أهمية بكثير من مجرد الحجم الإجمالي.
لم يقتدِ هذا النهج بتوفير الوقت والطاقة فحسب، بل جعل الذكاء الاصطناعي أفضل في رصد الأمراض النادرة التي غالباً ما يتم إغفالها. ففي مجموعة البيانات الكاملة، تهيمن الحالات الشائعة مثل الرئات الطبيعية أو تراكم السوائل الطفيف على الأرقام، بينما تظهر المشكلات النادرة مثل أنواع معينة من الكسور أو العدوى غير العادية في عدد قليل جداً من المرات. ولأن أمين البيانات بحث بنشاط عن هذه الأمثلة غير الممثلة بشكل كافٍ، فقد تعلم نموذج "CheXefficient" كيفية التعرف عليها بفعالية أكبر. وعند اختباره على أمراض كانت نادرة في بيانات التدريب، أظهر النموذج المنسق قدرة كبيرة على التعميم، مما يعني أنه يمكنه تطبيق ما تعلمه على مرضى جدد لم يسبق رؤيتهم بدقة أكبر. وهذا يشير إلى أنه من خلال موازنة "النظام الغذائي" للمعلومات التي يستهلكها الذكاء الاصطناعي بشكل متعمد، يمكن للباحثين بناء أنظمة ليست فقط أرخص في التدريب، بل أيضاً أكثر موثوقية في الحالات الصعبة التي تهم المستشفيات.
امتدت الفوائد لتتجاوز مجرد تحديد الأمراض. فقد اختبر الباحثون أيضاً مدى قدرة هذه النماذج على أداء مهام معقدة أخرى، مثل وصف التشريح في الصورة، أو تقسيم أعضاء معينة، أو حتى كتابة تقرير الأشعة من الصفر. وفي كل فئة، صمد النموذج المدرب على البيانات المنسقة أمام نموذج البيانات الكاملة الضخم. لقد تطلب الأمر عدداً أقل بكثير من الأمثلة المصنفة لتعلم هذه المهام الجديدة، مما يعني أن الأطباء سيحتاجون لقضاء وقت أقل في تصحيح عمل الذكاء الاصطناعي يدوياً. كما وجدت الدراسة أن البيانات المنسقة تضمنت طبيعياً مزيجاً أفضل من المرضى من مختلف الفئات العمرية والخلفيات، وخاصة التقاط المزيد من الصور للأطفال وكبار السن، وهي فئات غالباً ما يتم تمثيلها بشكل ناقص في مجموعات البيانات الطاسية القياسية. وهذا يشير إلى أن عملية الاختيار حسنت بشكل طبيعي عدالة وتنوع معرفة الذكاء الاصطناعي دون الحاجة إلى فرض حصص صارمة يدوياً.
تتحدى هذه النتائج الافتراض الذي ساد طويلاً بأن "الأكبر هو الأفضل دائماً" في عالم الذكاء الاصطناعي الطبي. فقد أثبت الباحثون أن النهج الاستراتيجي لاختيار البيانات يمكن أن يحقق نفس الأداء العالي بجزء بسيط من الموارد. وهذا تطور حاسم لمستقبل الذكاء الاصطناعي الطبي، حيث يشير إلى أن المستشفيات ومراكز الأبحاث ذات الميزانيات المحدودة يمكنها أيضاً بناء أدوات تشخيصية قوية ومتطورة. ومن خلال التركيز على الأمثلة الأكثر إفادة وتجنب ضجيج البيانات المكررة، يصبح طريق الذكاء الاصطناعي الطبي الأكثر ذكاءً أكثر كفاءة وسهولة في الوصول إليه. وتخلص الدراسة إلى أن مستقبل هذه النماذج التأسيسية لا يكمن في تكديس كل صورة متاحة، بل في تنسيق مجموعة أكثر ذكاءً وتمثيلاً تعلم الحاسوب رؤية الطيف الكامل للصحة البشرية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.