SpineFusion for plane aware local and global MRI classification of multiple sclerosis and myelitis
تقدم الورقة البحثية SpineFusion، وهو نموذج تعلم عميق ثنائي المشفر يدمج ميزات الرنين المغناطيسي المحلية والعالمية عبر الانتباه المتقاطع ثنائي الاتجاه وتضمينات المستويات لتحقيق دقة عالية في تصنيف التصلب المتعدد والتهاب النخاع عبر مجموعات بيانات متعددة، مع ملاحظة الحاجة إلى تحقق خارجي مجمع للمرضى لتأكيد الفائدة السريرية.
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
إن الجهاز العصبي البشري عبارة عن شبكة واسعة ومعقدة، وعندما يتعطل، تكون العواقب وخيمة. وهناك حالتان من اثنتين، وهما التصلب المتعدد والتهاب النخاع، تتضمنان الالتهاب وتلف الغطاء الواقي للألياف العصبية، مما يخلق آفات تعطل التواصل داخل الجسم. غالبًا ما يظهر التصلب المتعدد في شكل بقع دقيقة ومبعثرة من الضرر، بينما يمكن أن يسبب التهاب النخاع امتدادات طويلة ومستمرة من الالتهاب. إن التمييز بينهما أمر حيوي للعلاج، ومع ذلك فهو مهمة صعبة على الأطباء الذين ينظرون إلى الصور الطبية. هذه الصور، المعروفة باسم التصوير بالرنين المغناطيسي أو فحوصات الرنين المغناطيسي، تلتقط الجسم في شرائح رقيقة من زوايا مختلفة. وأحيانًا يكون الفرق بين المرضين دقيقًا، حيث يختبئ في نسيج بقعة صغيرة أو في الطريقة التي تمتد بها الآفة عبر الشريحة. علاوة على ذلك، فإن اتجاه المسح — سواء كان ينظر إلى الجسم من الجانب أو من الأعلى — يغير كيفية ظهور التشريح، مما يضيف طبقة أخرى من التعقيد إلى التشخيص.
ولمساعدة الأطباء في التنقل عبر هذا التعقيد، لجأ الباحثون إلى الذكاء الاصطناعي، وتحديدًا مجال يسمى التعلم العميق. تم تصميم هذه الأنظمة الحاسوبية لتعلم الأنماط من كميات هائلة من البيانات، تمامًا مثل طالب يتعلم من كتاب مدرسي، لكنها تفعل ذلك من خلال ضبط ملايين الإعدادات الداخلية للتعرف على الميزات المرئية. كان التحدي يتمثل في بناء نظام يمكنه رؤية التفاصيل الدقيقة للآفة والسياق الأوسع للتشريح المحيط، مع فهم الزاوية التي أُخذت منها الصورة أيضًا. إذا تمكن الحاسوب من تعلم كيفية الجمع بين هذه المنظورات المختلفة، فقد يقدم رأيًا ثانيًا أكثر موثوقية للحالات الصعبة.
قام فريق من الباحثين من جامعات في تركيا بتطوير نهج جديد لهذه المشكلة، حيث أنشأوا نظامًا أطلقوا عليه اسم "SpineFusion". يركز عملهم على تعليم الحاسوب كيفية فحص صور الرنين المغناطيسي للعمود الفقري والدماغ، وتحديد ما إذا كان المريض سليمًا أم يعاني من التصلب المتعدد أو التهاب النخاع. لم يقم الباحثون ببساطة بتدريب برنامج حاسوبي قياسي واحد؛ بل بنوا نظامًا ثنائي المحرك يحاكي الطريقة التي قد ينظر بها الخبير البشري إلى الصورة. تم تصميم جزء من النظام لرصد التفاصيل المحلية، مثل النسيج المحدد لآفة صغيرة، بينما ينظر الجزء الآخر إلى الصورة الكبيرة، وفهم الشكل العام للحبل الشوكي أو الدماغ. والأهم من ذلك، أن هذين الجزأين لا يعملان بمعزل عن بعضهما البعض؛ فهما يتبادلان المعلومات باستمرار، حيث يطلب الجزء الذي يركز على التفاصيل المساعدة من الجزء الذي يركز على السياق، والعكس صحيح. بالإضافة إلى ذلك، يتم إخبار النظام صراحةً بما إذا كان ينظر إلى عرض جانبي أو عرض من الأعلى إلى الأسفل، وهي معلومة تساعده على تفسير البيانات المرئية بشكل صحيح.
اختبر الباحثون هذا النظام الجديد على ثلاث مجموعات مختلفة من الصور الطبية العامة. احتوت المجموعة الأولى على ما يقرب من 2,800 صورة للحبال الشوكية، مصنفة كسليمة، أو مصابة بالتصلب المتعدد، أو التهاب النخاع. وتضمنت المجموعة الثانية أكثر من 3,400 صورة للأدمغة، تميز بين الأفراد الأصحاء وأولئك المصابين بالتصلب المتعدد. أما المجموعة الثالثة والأكبر فقد احتوت على ما يقرب من 12,000 صورة تغطي ثمانية حالات عصبية مختلفة، تتراوح من مرض الزهايمر إلى أورام الدماغ. وفي كل حالة، تم تدريب واختبار النظام بشكل منفصل، مما ضمن عدم تسرب المعرفة المكتسبة من مجموعة واحدة من الصور إلى اختبار مجموعة أخرى.
أظهرت النتائج أن النظام كان فعالاً للغاية في مهمته. ففي صور العمود الفقري، حدد الحالة بشكل صحيح في حوالي 95% من الحالات. وفي صور الدماغ، حقق مساحة تحت المنحنى (AUC) تقترب من 0.98، وعلى المجموعة الكبيرة والمعقدة من الأمراض الثمانية، وصل إلى مساحة تحت المنحنى تزيد عن 0.99. ومع ذلك، كان الباحثون حذرين من عدم الادعاء بأن هذا الحل مثالي. فعندما قارنوا نظامهم الجديد بالطرق القديمة التي سجلت سابقًا درجات عالية، وجدوا أن نهجهم لم يتفوق بالضرورة على أفضل الأرقام الموجودة. في الواقع، كان الجزء المخصص من نظامهم لرصد التفاصيل المحلية قويًا جدًا بمفرده، لدرجة أن إضافة السياق العالمي ومعلومات الزاوية لم يحسن النتائج إلا بنسبة ضئيلة جدًا. يشير هذا إلى أنه بالنسبة لهذا النوع المحدد من صور العمود الفقري، فإن القدرة على رؤية النسيج الدقيق هي العامل الأكثر أهمية، وأن التعقيد المضاف لدمج المناظر لا يقدم سوى فائدة هامشية.
كما سلطت الدراسة الضوء على المواضع التي لا يزال النظام يعاني فيها. حدثت الأخطاء الأكثر شيوعًا عندما خلط الحاسوب بين التصلب المتعدد والتهاب النخاع، وهما حالتان متشابهتان سريريًا وغالبًا ما يصعب التمييز بينهما حتى بالنسبة للخبراء البشريين. كما لاحظ الباحثون قيدًا كبيرًا في بياناتهم: فالصور جاءت من أرشيفات عامة لم تتضمن دائمًا تسميات واضحة تربط بين الشرائح المتعددة لنفس المريض. وهذا يعني أن الشرائح من نفس الشخص قد انتهى بها المطاف في كل من مجموعتي التدريب والاختبار، مما قد يجعل النظام يبدو أكثر دقة مما هو عليه حقًا عند مواجهة مريض جديد تمامًا. وبسبب ذلك، أكد الباحثون أن نتائجهم هي بمثابة إثبات للمفهوم وليست أداة طبية جاهزة للاستخدام.
في نهاية المطاف، يوضح هذا العمل أنه من الممكن بناء نموذج تعلم آلي يفهم كلاً من التفاصيل المحلية والسياق العالمي للصور الطبية، وأنه يمكنه استخدام اتجاه المسح لتحسين حكمه. لقد نجح النظام في تعلم دمج هذه الأنواع المختلفة من المعلومات، مما خلق إطارًا قويًا لتحليل صور الرنين المغناطيسي. وبينما تبدو النتائج الحالية واعدة، يخلص الباحثون إلى أنه قبل أن تصبح مثل هذه الأداة قادرة على مساعدة المرضى، يجب اختبارها على بيانات حيث يتم تجميع كل شريحة بعناية حسب المريض لضمان أن النظام يتعلم حقًا عن المرض وليس مجرد حفظ الصور التي رآها. ويتضمن المسار المستقبلي تحسين هذه النماذج والتحقق من صحتها في البيئات السريرية الواقعية، حيث تكون الرهانات عالية والحاجة إلى الدقة مطلقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.