Evaluating Boundary-Aware Losses for U-KAN on BraTS 2023 Brain Tumor Segmentation

في همهمة هادئة داخل جناح التصوير في أحد المستشفيات، يلتقط جهاز التصوير بالرنين المغناطيسي مشهداً معقداً لدماغ بشري. بالنسبة للأطباء، هذه الصور هي خرائط للحياة والموت، حيث يكمن الفرق بين جراحة ناجحة ونتيجة مأساوية غالباً في القدرة على رؤية أين يبدأ الورم وأين ينتهي بدقة. التحدي يكمن في أن أورام الدماغ، وخاصة نوع يسمى "الأورام الدبقية" (gliomas)، ليست أجساماً مستديرة ومنتظمة؛ بل هي غير منتظمة، وغازية، وغالباً ما تتداخل حوافها مع الأنسجة السليمة، مما يجعل من الصائع على العين البشرية رسم خط دقيق. ولمساعدة البشر، لجأ العلماء إلى الذكاء الاصطناعي، حيث علموا الحواسيب كيفية النظر إلى هذه الصور وتتبع حدود المرض تلقائياً. هذه العملية، المعروفة باسم "التجزئة" (segmentation)، تحول الصورة المرئية إلى مجموعة من الأرقام التي يمكن أن توجه خطط العلاج. ومع ذلك، فإن تعليم الكمبيوتر رؤية هذه الحواف الضبابية يشبه تعليم طفل رسم دائرة؛ فمن السهل ضبط الشكل العام، لكن جعل الخط ناعماً ودقيقاً تماماً هو مهمة أصعب بكثير.

لقد شرع فريق من الباحثين في جامعة القاضي عياض في المغرب في اختبار فكرة محددة لحل هذه المشكلة. أرادوا معرفة ما إذا كان بإمكانهم تحسين "رسم" الكمبيوتر من خلال تعليمه صراحةً الانتباه إلى حواف الورم، بدلاً من مجرد التركيز على الشكل الإجمالي. في عالم تعلم الآلة، يتعلم الكمبيوتر من خلال محاولة تقليل "الخسارة" (loss)، وهي في الأساس درجة توضح مدى خطأ تخمينه. عادةً، يُكافأ الكمبيوتر لكونه أصاب المساحة الإجمالية للورم. تساءل الباحثون عما إذا كان إضافة عقوبة خاصة على الخطأ في الحواف سيجبر الكمبيوتر على إنتاج مخطط أكثر دقة. اختبروا هذه الفكرة باستخدام نوع حديث من الشبكات العصبية يسمى "U-KAN"، وهو بنية متطورة مصممة لمعالجة الصور الطبية، وذلك على مجموعة كبيرة من صور الدماغ من مسابقة عالمية معروفة باسم "BraTS 2023".

لم يكتفِ الباحثون بالتخمين، بل أجروا تجربة صارمة. لقد بنوا نسختين مختلفتين من نظام الكمبيوتر الخاص بهم: نسخة تنظر إلى صور الدماغ شريحة تلو الأخرى، مثل تقليب صفحات كتاب، ونسخة أخرى تنظر إلى حجم الدماغ بأكمله دفعة واحدة، مثل الإمساك بنموذج ثلاثي الأبعاد باليد. ولكل نسخة، قاموا بتدريب الكمبيوتر بخمس طرق مختلفة. كانت إحدى الطرق هي الطريقة القياسية، التي تركز فقط على المساحة الإجمالية. أما الطرق الأربع الأخرى، فقد حاولت دمج فكرة التركيز على الحواف بطرق مختلفة: استخدم بعضها قاعدة ثابتة للحواف، واستخدم البعض الآخر قاعدة متغيرة مع تعلم الكمبيوتر، وحاول واحد نهجاً رياضياً مختلفاً تماماً للحدود. ولضمان أن نتائجهم لم تكن مجرد ضربة حظ، أجروا كل طريقة من هذه الطرق الخمس ثلاث مرات بظروف بداية مختلفة قليلاً، مما خلق إجمالي ثلاثين جلسة تدريب منفصلة.

وعندما استقرت النتائج، كانت مختلطة بشكل مفاجئ وقدمت درساً واضحاً حول حدود هذا النهج. في نسخة التجربة التي تعتمد على "شريحة تلو الأخرى"، أظهرت إحدى الطرق المرتكزة على الحواف بوادر واعدة؛ فقد تمكنت من تحسين متوسط دقة مخطط الورم وتقليل المسافة بين تخمين الكمبيوتر والحافة الحقيقية بشكل كبير، حيث خفضت الخطأ من متوسط يقارب 35 ملم إلى حوالي 22.5 ملم. كان هذا تحسناً ملموساً، مما يشير إلى أن الانتباه للحواف ساعد في هذا الإعداد المحدد. ومع ذلك، كان هذا النجاح هشاً؛ فعندما فحص الباحثون عمليات التدريب الفردية عن كثب، وجدوا أن التحسن لم يكن ثابتاً، إذ تفوقت الطريقة القياسية في تجربتين من أصل ثلاث على الطريقة المرتكزة على الحواف. بدا أن النجاح يعتمد بشدة على ظروف البداية المحددة للكمبيوتر، بدلاً من كونه ترقية مضمونة.

وكانت القصة أقل تشجيعاً بالنسبة لنسخة النظام ثلاثية الأبعاد، والتي تُعت-بر عموماً أكثر قوة في التصوير الطبي. هنا، لم تقدم الطرق المرتكزة على الحواف أي فائدة تذكر؛ حيث أدى تدريب الكمبيوتر باستخدام قواعد الحواف الخاصة إلى نتائج مطابقة تقريباً للطريقة القياسية، وكانت الاختلافات ضئيلة جداً لدرجة أنها كانت مجرد ضوضاء عشوائية. في الواقع، تسبب أحد النهجين المرتكزين على الحواف، عند استخدامه على نظام "الشريحة تلو الأخرى"، في فشل ذريع في إحدى عمليات التدريب، حيث ارتبك الكمبيوتر ورسم مخططات ضخمة وغير صحيحة حول الأنسجة السليمة. أظهر هذا عدم الاستقرار أن مجرد إضافة عقوبة الحواف لا يجعل النظام أذكى تلقائياً؛ بل يمكنه في بعض الحالات جعل عملية تعلم الكمبيوتر غير مستقرة وعرضة للأخطاء.

تخلص الدراسة إلى أنه على الرغم من أن فكرة تعليم الكمبيوتر التركيز على حواف الورم تبدو منطقية وجذابة، إلا أنها لا تؤدي تلقائياً إلى نتائج أفضل في الممارسة العملية. وجد الباحثون أن الطريقة القياسية، التي تركز على ضبط الشكل العام، تظل نهجاً قوياً وموثوقاً لهذا النوع المحدد من تجزئة أورام الدماغ. لم توفر التقنيات المرتكزة على الحواف التي اختبروها ميزة ثابتة تبرر استبدال الطريقة القياسية. كان النجاح الذي حققته طريقة حواف معينة في اختبارات ثنائية الأبعاد بمثابة تلميح للإمكانات، لكنه لم يكن حلاً موثوقاً يعمل في كل مرة. وفي النهاية، تشير الدراسة إلى أنه في الوقت الحالي، فإن الطريقة الأكثر فعالية لتدريب هذه الأنظمة بالذكاء الاصطناعي هي الالتزام بالطرق المثبتة لقياس الدقة الإجمالية، بدلاً من افتراض أن إضافة قاعدة خاصة للحدود ستؤدي دائماً إلى تحسين النتيجة. إن الطريق نحو ذكاء اصطناعي طبي أفضل لا يوجد في خدعة جديدة واحدة، بل في فهم متى وكيف تعمل الأدوات المختلفة معاً.