← أحدث الأبحاث
💻 علوم الحاسوب

Multimodal Weakly Supervised Learning of Epicardial and Pericoronary Adipose Tissuefor CCTA-Based Coronary Disease Phenotype Prediction: A Methodological Feasibility Study

تُثبت هذه الدراسة المنهجية لجدوى التطبيق أن إطار عمل متعدد الوسائط ضعيف الإشراف، يدمج تصوير الأنسجة الدهنية فوق الشغاف وحول الشريان مع المتغيرات السريرية، يحسن بشكل كبير التنبؤ بأنماط مرض الشريان التاجي المحددة عبر التصوير المقطعي المحوسب للقلب، مع الكشف في الوقت ذاته عن أن البنى ذات العمود الفقري المشترك وذات الكفاءة العالية في المعلمات تؤدي أداءً مماثلاً للنماذج الأكثر تعقيداً ذات العمودين الفقريين في المجموعات الصغيرة.

المؤلفون الأصليون: Hanene Guesmi, Haifa Harrouch, Muna O. Alamoudi, Karim Gasmi

نُشر 2026-10-27
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Hanene Guesmi, Haifa Harrouch, Muna O. Alamoudi, Karim Gasmi

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

لا تزال أمراض القلب السبب الرئيسي للوفاة في جميع أنحاء العالم، وهي تهديد صامت غالباً ما يضرب دون سابق إنذار. وللكشف عنها مبكراً، يستخدم الأطباء نوعاً متخصصاً من التصوير المقطعي المحوسب يسمى التصوير المقطعي المحوسب لشرايين القلب، والذي ينشئ خرائط ثلاثية الأبعاد مفصلة للأوعي الدموية في القلب. لسنوات عديدة، ركز أطب الأشعة على الأوعية نفسها، بحثاً عن الانسدادات. ومع ذلك، فإن الأنسجة المحيطة بهذه الأوعية تروي قصة مختلفة. فخلف عضلة القلب مباشرة تقع طبقة من الدهون، وحول الشرايين نفسها توجد جيب دهني محدد آخر. هذه الرواسب الدهنية ليست مجرد مخازن خاملة؛ بل هي مشارك نشط في عمليات الالتهاب في الجسم. وعندما تلتهب هذه الدهون، يمكنها أن تعطي إشارة بأن الشرايين القريبة معرضة لخطر الإصابة بانسدادات خطيرة. لقد كان التحدي دائماً هو كيفية قراءة هذه الإشارات البيولوجية الدقيقة بشكل تلقائي. وتواجه البرامج الحاسوبية التقليدية صعوبة في ذلك لأنها تعتمد على قواعد مكتوبة مسبقاً لقياس أشياء بسيطة مثل الكمية الإجمالية للدهون أو متوسط كثافتها، تماماً مثل وزن كيس من التفاح لتخمين جودته. لكن علامات التحذير الحقيقية غالباً ما تكون مخفية في الأنماط والقوام المعقد للأنسجة، وهي أمور معقدة للغاية تفوق قدرة القواعد البسيطة على رصدها.

وضع فريق من الباحثين حداً ليتساءلوا عما إذا كان نوع جديد من الذكاء الاصطناعي يمكنه تعلم قراءة هذه الأنماط المعقدة مباشرة من الصور، من خلال دمج البيانات المرئية مع التاريخ الطبي للمريض. لم يحاولوا اختراع نوع جديد من الماسحات الضوئية أو طريقة جديدة لالتقاط الصور، بل عملوا مع صور موجودة بالفعل لـ 117 مريضاً خضعوا بالفعل لهذا الإجراء. ولكل مريض، كان لدى الفريق وصول إلى المسح ثلاثي الأبعاد، وخريطة رقمية توضح مكان وجود الدهون بالضبط، وقائمة من التفاصيل الصحية القياسية مثل العمر، وتاريخ التدخين، وضغط الدم. كان الهدف هو بناء نظام حاسوبي يمكنه النظر إلى الدهون حول القلب والدهون بالقرب من الشرايين، وفهم الأنسجة الدقيقة داخلها، ودمج ذلك مع السجل الصحي للمريض للتنبؤ بمن يُحتمل إصابته بالمرض.

استخدم الباحثون طريقة تسمى التعلم الخاضع للإشراف الضعيف (weakly supervised learning). في هذا النهج، يتم عرض آلاف الشرائح الصغيرة من مسح القلب للحاسوب، مع إخباره فقط بالنتيجة النهائية للمريض بأكمله: ما إذا كان مصاباً بالمرض أم لا. يجب على الحاسوب أن يكتشف أي الشرائح المحددة تحتوي على الأدلة المهمة. الأمر يشبه عرض كتاب كامل على طالب وإخباره بالنهاية، ثم سؤاله عن الجمل المحددة التي أدت إلى تلك النتيجة. اختبر الفريق ما إذا كان النظر إلى كلا النوعين من الدهون معاً أفضل من النظر إلى نوع واحد فقط، وما إذا كان إضافة التاريخ الطبي للمريض سيساعد الحاسوب على تقديم تخمين أكثر دقة. كما اختبروا طرقاً مختلفة لبناء "دماغ" الحاسوب لمعرفة ما إذا كان التصميم الأكثر تعقيداً ضرورياً أم أن تصميماً أبسط سيعمل بنفس الكفاءة.

أظهرت النتائج أن دمج جميع المعلومات كان هو المفتاح. فعندما نظر الحاسوب فقط إلى التاريخ الطبي للمريض، كانت دقته تبلغ 64% في المرة الواحدة. وعندما نظر إلى الأنسجة الدهنية فقط، تحسنت دقته، لكن الأداء الأفضل جاء من دمج صور الدهون مع التاريخ الطبي. حقق هذا المزيج الكامل مساحة تحت المنحنى (AUC) بلغت 0.83، وهي قفزة كبيرة تشير إلى أن الحاسوب نجح في استخدام الأنماط المرئية في الدهون للعثور على أدلة فاتته في التاريخ الطبي وحده. والأهم من ذلك، وجد الباحثون أن الحاسوب لم يكن يقوم بمجرد عد كمية الدهون أو قياس كثافتها؛ إذ إن اختباراً بسيطاً باستخدام تلك القياسات الأساسية فقط لم يؤدِ إلى نتيجة أفضل من التخمين العشوائي. وقد أثبت هذا أن الحاسوب كان يتعلم رؤية الأنسجة والأشكال المعقدة داخل الأنسجة التي لا تستطيع العين البشرية أو المساطر البسيطة اكتشافها بسهولة.

ومن المثير للاهتمام، اكتشف الباحثون أن جعل دماغ الحاسوب أكثر تعقيداً لم يجعله أكثر ذكاءً. فقد اختبروا نسخة تحتوي على مسارين منفصلين للمعالجة لنوعي الدهون، ونسخة أخرى يتشارك فيها المساران نفس أجزاء المعالجة. استهلكت النسخة الأكثر تعقيداً ضعف موارد الحاسوب، لكنها قدمت أداءً مطابقاً تماماً للنسخة الأبسط ذات المسار المشترك. وهذا يشير إلى أنه بالنسبة لهذه المهمة المحددة، لم يكن العامل الأهم هو تعقيد الآلة، بل جودة المعلومات التي تغذيها بها. كما كشفت الدراسة أن الحاسوب لم يكن مثالياً؛ فقد ارتكب المزيد من الأخطاء مع المرضى الذكور المدخنين، وأخطأ أحياناً في رصد المرض لدى المرضى الأكبر سناً. وهذه الأخطاء ليست فشلاً في التكنولوجيا نفسها، بل هي إشارات تدل على أن النظام يحتاج إلى اختباره على مجموعة متنوعة من الناس قبل أن يمكن الوثوق به.

تخلص الدراسة إلى أن هذا النهج يعد إثبات مفهوم واعد. فهو يوضح أن الذكاء الاصطناعي يمكنه تعلم قراءة اللغة الدقيقة لدهون القلب للمساعدة في التنبؤ بأمراض القلب، بشرط تزويده بالصور وخلفية المريض. ومع ذلك، يشدد المؤلفون على أن هذه ليست أداة جاهزة للاستخدام اليومي في المستشفيات؛ فقد أُجري الاختبار على مجموعة صغيرة من المرضى من مستشفى واحد، وتم تدريب الحاسوب باستخدام خرائط رسمها خبراء بشريون، وهي خطوة تتطلب الأتمتة للاستخدام في العالم الحقيقي. وتشير النتائج إلى أنه في المستقبل، يمكن لهذه التكنولوجيا أن تعمل كـ "عين ثانية" للأطباء، حيث تقدم طبقة إضافية من الاستبصار للمساعدة في تحديد المرضى الذين يحتاجون إلى عناية وثيقة، بدلاً من استبدال التقدير الطبي تماماً. وحتى يتم اختبار هذا النظام على آلاف المرضى من مستشفيات مختلفة، فإنه يظل أداة بحثية قوية أظهرت لنا ما هو ممكن، ولكن ليس بعد ما هو مؤكد.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →