🧬 biology

Comparative Study of Anatomical and Learned Features in AI Models for Structural Brain MRI

تقيم هذه الدراسة نماذج استخراج الميزات التشريحية، والشبكات العصبية التلافيفية الخاضعة للإشراف، ونماذج المحولات (ViT) غير الخاضعة للإشراف عبر 80,000 صورة رنين مغناطيسي للدماغ، حيث وجدت أن النماذج التشريحية البسيطة تضاهي أداء الذكاء الاصطناعي المعقد، مع اقتراح طريقة مبتكرة للتدريب المسبق لتقسيم التشريح (ASP) تتفوق على النماذج الحالية في تقدير العمر البيولوجي.

المؤلفون الأصليون: Boyang Yu, Miquel López Escoriza, Long Chen, Arjun V. Masurkar, Narges Razavian, Carlos Fernandez Granda

نُشر 2026-09-09

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Boyang Yu, Miquel López Escoriza, Long Chen, Arjun V. Masurkar, Narges Razavian, Carlos Fernandez Granda

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

لعقود من الزمن، نظر الأطباء والعلماء إلى صور مسح الدماغ لفهم كيفية عمل العقل وما الذي يختل عندما يضرب المرض. وللقيام بذلك، يعتمدون غالباً على قياس أجزاء محددة من الدماغ، مثل حجم الحصين، وهو بنية تقع في العمق وتلعب دوراً حاسماً في الذاكرة. هذه القياسات، المعروفة بالسمات التشريحية، كانت لفترة طويلة هي المعيار لتحويل صورة الدماغ إلى بيانات مفيدة. ومع ذلك، في السنوات الأخيرة، ظهر نهج جديد: الذكاء الاصطناعي. يمكن لهذه البرامج الحاسوبية أن تنظر إلى المسح وتتعلم رصد الأنماط من تلقاء نفسها، دون أن تُخبر بما يجب قياسه بالضبط. وكان الأمل هو أن تتمكن هذه الآلات من إيجية أدلة خفية قد تغفل عنها العين البشرية أو القياسات البسيطة، مما يؤدي إلى تشخيصات أفضل لحالات مثل مرض الزهايمر أو مرض باركنسون. ولكن مع ازدياد تعقيد هذه الأدوات القوية، ظل سؤال جوهري بلا إجابة: هل تتعلم هذه الآلات الذكية شيئاً جديداً حقاً، أم أنها تعيد فقط اكتشاف نفس الحقائق التشريحية القديمة بطريقة أكثر تعقيداً؟

وضع فريق من الباحثين في جامعة نيويورك نصب أعينهم الإجابة على هذا السؤال من خلال وضع الطرق الثلاث الرئيسية لتحليل صور الدماغ في مواجهة مباشرة. جمعوا مجموعة ضخمة من صور الدماغ، بلغ مجموعها ما يقرب من 100,000 مسح من حوالي 80,000 شخص مختلف، مستمدة من 18 قاعدة بيانات عامة من جميع أنحاء العالم. واختبروا هذه الصور على ثلاثة أنواع مختلفة من الأنظمة. كان الأول هو الطريقة التقليدية، التي تستخدم برمجيات لقياس حجم ومساحة سطح 178 منطقة دماغية متميزة ثم تغذية تلك الأرقام في نموذج إحصائي بسيط. والثاني كان شبكة تعلم عميق قياسية، وهي نوع من الذكاء الاصطناعي الذي يعالج الصور بكسل بكسل لإيجاد الأنماط. أما الثالث، فكان نوعاً أحدث وأكثر تقدماً من النماذج يعتمد على تقنية تسمى "محول الرؤية" (vision transformer)، والتي تم تدريبها على كمية هائلة من بيانات الدماغ غير المصنفة قبل اختبارها في مهام طبية محددة.

كانت نتائج هذه المقارنة الضخمة مفاجئة. فعلى مدار سبع مهام سريرية مختلفة، تتراوح من تشخيص مرض الزهايمر إلى تحديد الأورام والتنبؤ بالعمر البيولوجي للشخص، أدى النموذج البسيط القائم على القياسات التشريحية المباشرة أداءً يضاهي تماماً أنظمة الذكاء الاصطناعي المعقدة. وفي كثير من الحالات، لم تتفوق نماذج الذكاء الاصطناعي المتطورة على القياسات المباشرة لحجم سطح الدماغ ومساحته. يشير هذا إلى أنه بالنسبة لجيلنا الحالي من البيانات الطبية، فإن التعقيد الإضافي للتعلم العميق لا يترجم بالضرورة إلى دقة تشخيصية أفضل. ووجد الباحثون أن نماذج الذكاء الاصطناعي المتقدمة كانت تتعلم بالفعل معلومات مفيدة، لكنها بدت وكأنها تتعلم نفس الحقائق التشريحية التي عرفتها النماذج الأبسط، ولكن بطريقة غير مباشرة.

ومع ذلك، تغيرت القصة عندما نظر الباحثون في مهمة كان لديهم فيها قدر أكبر بكثير من البيانات للعمل بها: تقدير العمر البيولوجي للشخص. في هذا الاختبار المحدد، الذي شمل أكثر من 60,000 شخص، بدأت النماذج الأكثر تقدماً في التفوق. لاحظ الباحثون أنه بينما تعلمت نماذج الذكاء الاصطناعي القياسية التعرف على هياكل الدماغ بمرور الوقت، إلا أنها فعلت ذلك ببطء. ولتسريع هذه العملية، طور الفريق طريقة تدريب جديدة أطلقوا عليها اسم "التدريب المسبق لتجزئة التشريح" (Anatomy Segmentation Pretraining). فبدلاً من مجرد ترك الذكاء الاصطناعي يخمن ما يوجد في الصورة، أجبروه على التعلم من خلال تحديد ورسم حدود مناطق دماغية محددة صراحةً خلال مرحلة التدريب. هذا النهج، الذي جمع بين قوة الذكاء الاصطناዊ واسع النطاق ووضوح الحقائق التشريحية المعروفة، أنتج أدق تقديرات للعمر من بين الجميع، متفوقاً على كل من الذكاء الاصطناعي القياسي ونماذج القياس التقليدية.

يخلص البحث إلى أنه على الرغم من أن الذكاء الاصطناعي المتقدم يعد أداة قوية، إلا أنه لم يجعل الطرق القديمة لقياس تشريح الدماغ عتيقة بعد. فبالنسبة للعديد من المهام الطبية الشائعة، يظل القياس المباشر لهياكل الدماغ أساساً فعالاً للغاية وناجعاً. ويقترح الباحثون أن مستقبل الذكاء الاصطناعي في تصوير الدماغ لا يكمن في استبدال هذه الحقائق التشريحية، بل في تعليم الآلات كيفية تعلمها بشكل أسرع وأعمق. ومن خلال توجيه الذكاء الاصطناعي بالمعرفة التشريحية الصريحة، يمكن للعلماء إنشاء نماذج ليست أكثر دقة فحسب، بل أيضاً أفضل في فهم التغيرات البيولوجية المحددة التي تحدث مع تقدمنا في السن أو تطور المرض. يوفر هذا العمل خارطة طريق واضحة لكيفية بناء الجيل القادم من الذكاء الاصطناعي الطبي، مما يضمن أن تكون هذه الأدوات القوية راسخة في الهياكل الفيزيائية الحقيقية للدماغ البشري.

أبحاث مشابهة