Neuro-JEPA: Building and Evaluating Health-System Scale Neuroimaging Foundation Models with Mixture of Experts
يُعدُّ Neuro-JEPA نموذجاً تأسيسياً متعدد الوسائط وقابلاً للتوسع، يستفيد من بنية "خليط الخبراء" (Mixture-of-Experts) المتفرقة والتعلم التنبؤي الكامن على 1.55 مليون صورة رنين مغناطيسي سريرية لتحقيق تعميم قوي ورفيع المستوى عبر مختلف مهام التصوير العصبي والأنظمة الصحية، وغالباً ما يتفوق على النماذج الأكبر حجماً ببيانات تدريب أقل بكثير.
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
يعتبر الدماغ البشري عضواً معقداً، وغالباً ما يعتمد فهم صحته على النظر إلى داخله دون إجراء جرح واحد. يستخدم الأطباء التصوير بالرنين المغناطيسي (MRI) لإنشاء صور تفصيلية لأنسجة الدماغ. وهذه الصور ليست متشابهة جميعها؛ إذ يتم التقاطها باستخدام إعدادات مختلفة تسلط الضوء على ميزات مختلفة، تماماً مثل ضبط التركيز في الكاميرا لرؤية نسيج ورقة شجر أو الماء بداخلها. يُظهر أحد هذه الإعدادات بنية الدماغ بوضوح، بينما يسلط إعداد آخر الضوء على السوائل، ويقوم إعداد ثالث بكبح ظهور تلك السوائل لإبراز التورم أو المرض. وبالنسبة للخبير البشري، فإن قراءة صحة المريض تتطلب النظر إلى كل هذه المشاهد المختلفة معاً، ودمج الأدلة من كل منها لتشكيل تشخيص كامل. ومع ذلك، كان تعليم الحواسيب القيام بذلك أمراً صعباً؛ فمعظم أنظمة الذكاء الاصطناعي تم تدريبها على النظر إلى نوع واحد فقط من الصور في كل مرة، مما يجعلها تفتقر إلى الروابط الغنية بين المشاهد المختلفة. وهذا يترك فجوة بين طريقة تفكير الأطباء البشريين وكيفية عمل البرامج الحاسوبية الحالية.
قام فريق من الباحثين في جامعة نيويورك وجامعة ستانفورد ببناء نوع جديد من الذكاء الاصطناعي المصمم لسد هذه الفجوة. لقد ابتكروا نظاماً يسمى Neuro-JEPA، وهو نموذج حاسوبي تم تدريبه لفهم الدماغ من خلال النظر إلى الأنواع الثلاثة من صور الرنين المغناطيسي في آن واحد. وبدلاً من التعلم من مجموعة صغيرة من الأمثلة الموجودة في الكتب المدرسية، درس هذا النموذج أرشيفاً ضخماً يضم 1.55 مليون مسح دماغي لما يقرب من 430,000 مريض. جاءت هذه المسوحات من نظام مستشفيات كبير وغطت مجموعة واسعة من الحالات، من السكتات الدماغية والأورام إلى الأمراض التنكسية العصبية مثل مرض ألزهايمر. لم يكتفِ الباحثون بتغذية البيانات في برنامج حاسوبي قياسي؛ بل بنوا بنية متخصصة تسمح للنموذج بالتعلم من العلاقات بين أنواع الصور المختلفة. ومن خلال القيام بذلك، تعلم النموذج إنشاء فهم موحد للدماغ يعمل عبر مختلف المستشفيات، وأجهزة المسح المختلفة، والأمراض المختلفة.
تظهر نتائج هذا العمل أن النموذج الجديد أفضل بكثير في فهم صور الدماغ مقارنة بالأنظمة السابقة. فعند اختباره في عشرات المهام، مثل تحديد السكتة الدماغية، أو التنبؤ بكيفية تعافي المريض، أو تحديد ما إذا كان الشخص يعاني من علامات مبكرة للخرف، تفوق النموذج الجديد باستمرار على الأدوات الموجودة. وقد نجح حتى عندما اضطر للعمل مع بيانات قليلة جداً مصنفة، وهي مشكلة شائعة في الطب حيث يتطلب الأمر أطباء خبراء لتمييز الصور لأغراض التدريب. وفي بعض الحالات، حسن النموذج من قيمة المساحة تحت المنحنى (AUC) بمقدار يصل إلى 0.15 مقارنة بأفضل الأنظمة السابقة، لا سيما في حالات مثل التصلب المتعدد والتهاب الدماغ. والأهم من ذلك، حقق النموذج هذه النتائج بينما تم تدريبه على أقل من ثلث البيانات المستخدمة من قبل النماذج الرائدة الأخرى، مما يشير إلى أن تصميم النموذج كان أكثر أهمية من مجرد امتلاك المزيد من البيانات.
اختبر الباحثون أيضاً ما إذا كان النموذج يمكنه التعامل مع التحديات الواقعية، مثل فحص مرضى من مستشفى مختلف أو استخدام نوع من المسح لم يره من قبل. حافظ النموذج على أدائه العالي عبر هذه الإعدادات المختلفة، مما أثبت أنه تعلم المبادئ العامة لتشريح الدماغ بدلاً من مجرد حفظ صور محددة. كما استطاع التنبؤ بالنتائج مثل مدة بقاء المريض في المستشفى أو ما إذا كانت مشكلة بسيطة في الذاكرة ستتطور إلى خرف كامل، وذلك باستخدام مسوحات الرنين المغناطيسي القياسية التي تعد بالفعل جزءاً من الرعاية الروتينية. وتعد هذه القدرة حيوية لأنها قد تسمح للأطباء بالحصول على مزيد من المعلومات من المسوحات التي يجرونها بالفعل، مما قد يساعد في اكتشاف الأمراض في وقت مبكر أو التخطيط للعلاجات بشكل أكثر فعالية دون الحاجة إلى اختبارات إضافية مكلفة أو جراحية.
لبناء هذا النظام، كان على الباحثين حل عدة مشكلات محددة. فقد وجدوا أن مجرد نسخ الطرق المستخدمة لأنواع أخرى من البيانات لم يعمل بشكل جيد مع مسوحات الدماغ. واكتشفوا أن النموذج يحتاج إلى طريقة خاصة لإخفاء أجزاء من الصورة أثناء التدريب لإجباره على تعلم التفاصيل الأكثر أهمية، بدلاً من مجرد التخمين بناءً على أنماط بسيطة. كما قدموا آلية تسمت بالقدرة على تركيز انتباه النموذج على أنسجة الدماغ نفسها، متجاهلاً المساحات الفارغة حول الجمجمة، مما جعل عملية التعلم أكثر كفاءة بكثير. علاوة على ذلك، استخدموا تصميماً يسمح للنموذج بتنشيط "خبراء" مختلفين لأجزاء مختلفة من الصورة، مما يضمن قدرة النظام على التعامل مع التنوع الهائل في أشكال الدماغ والاعتلالات التي واجهها. سمح هذا النهج للنموذج بالتوسع بفعالية، ليصبح أكثر قوة كلما زادت البيانات وقوة الحوسبة المتاحة له.
تتحدى هذه الدراسة صراحةً الفكرة القائلة بأن الطريقة الوحيدة لبناء ذكاء اصطراعي طبي أفضل هي جمع المزيد من البيانات. فبينما تعتبر البيانات مهمة، أثبت الباحثون أن تصميم النموذج وجودة عملية التدريب هما العاملان الحسمان. لقد أظهروا أن نموذجاً مصمماً بعناية وتم تدريبه على مجموعة منتقاة من 1.55 مليون مسح يمكن أن يتفوق على نماذج تم تدريبها على أكثر من خمسة ملايين مسح. كما دحضوا فكرة أن هذه النماذج تعمل فقط في المستشفى المحدد الذي تم تدريبها فيه، مما أثبت أن المعرفة المكتسبة قابلة للنقل إلى مؤسسات أخرى وحتى إلى أنواع مختلفة من التصوير الطبي. ويشير العمل إلى أن مستقبل التصوير الطبي لا يكمن في إنشاء برنامج حاسوبي منفصل لكل مرض على حدة، بل في بناء نظام واحد متعدد الاستخدامات يمكنه فهم الدماغ ككل، والتكيف مع الأسئلة الجديدة والمرضى الجدد مع ظهورهم.
يمثل هذا البحث خطوة مهمة نحو جعل الذكاء الاصطناعي شريكاً موثوقاً في الرعاية العصبية. ومن خلال إظهار أن نموذجاً واحداً يمكنه التعلم من بيانات متنوعة وتطبيق معرفته على مجموعة واسعة من المشكلات السريرية، قدم الفريق إطاراً يمكنه في النهاية دعم الأطباء في اتخاذ قرارات أسرع وأكثر دقة. إن قدرة النموذج على التنبؤ بتطور المرض ونتائج المرضى من المسوحات الروتينية تفتح الباب أمام تدخلات مبكرة وإدارة أفضل للحالات المزمنة. ومع استمرار الباحثين في تحسين هذه الأدوات وتوسيع تدريبها ليشمل مجموعات سكانية وأنواع تصوير أكثر تنوعاً، فإن إمكانات هذه الأنظمة في تحسين رعاية المرضى تزدد، لتنقل المجال من النماذج التجريبية الأولية نحو أدوات عملية وعامة لفهم الدماغ البشري.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.