Detecting Potential False-Normal Predictions in AI Analysis of Celiac-Related Duodenal Endoscopy Images

في العيادة الحديثة، يعتمد الأطباء غالباً على كاميرا للنظر داخل جسم الإنسان، حيث يلتقطون صوراً ثابتة لبطانة الأمعاء الدقيقة للبحث عن علامات المرض. إحدى هذه الحالات، وهي مرض السيلياك (الداء الزلاقي)، تسبب في تسطح وتقلص البروزات الصغيرة الشبيهة بالأصابع في الأمعاء، وهو تغير يمكن أحياناً رصده في هذه الصور. وبينما يستطيع الطبيب عادةً تأكيد التشخيص عبر أخذ عينة نسيجية للفحص المختبري، فإن الدلائل البصرية في الصورة تعد قيمة لتوجيه هذا القرار. ومؤخراً، تم تدريب برامج حاسوبية على النظر إلى هذه الصور نفسها لتقرير ما إذا كانت تظهر أمعاء سليمة أو أمعاء مصابة بمرض السيلياك. والأمل معقود على أن تعمل هذه البرامج كعين ثانية، تلتقط العلامات الدقيقة التي قد يغفل عنها البشر أو تحدد الصور التي تحتاج إلى نظرة فاحصة. ومع ذلك، فإن الحاسوب ليس مثالياً؛ فأحياناً، يعلن الحاسوب بثقة أن صورة ما طبيعية بينما يشير الملصق التوضيحي إلى أنها مريضة. والسؤال الجوهري لأي شخص يستخدم هذه التقنية ليس فقط عدد المرات التي يصيب فيها الحاسوب، بل كيفية إيجاد الصور المحددة التي أخطأ فيها قبل أن تتسلل وتفلت من الرقابة.

شرع باحث في اختبار حل عملي لهذه المشكلة باستخدام مجموعة مكونة من 188 صورة رقمية للاثني عشر، وهو الجزء الأول من الأمعاء الدقيقة. جاءت هذه الصور من أرشيف عام وكانت مصنفة مسبقاً من قبل خبراء إما كأمعاء طبيعية أو مصابة بمرض السيلياك. وقبل إجراء أي اختبارات، قام الباحث بتنظيف البيانات بعناية، حيث أزال خمس صور كانت نسخاً رقمية مطابقة لأخرى، واستبعد 24 صورة صُنفت على أنها "مريبة" بسبب عدم وضوح حالتها. ترك هذا الإجراء مجموعة نهائية مكونة من 159 صورة متميزة للعمل عليها. كان الهدف هو معرفة ما إذا كان يمكن تعليم برنامج حاسوبي لاكتشاف أخطائه الخاصة. وتحديداً، أراد الباحث معرفة ما إذا كان إضافة فحوصات بسيطة لجودة الصورة واستقرارها يمكن أن يساعد المراجع البشري في تحديد أولويات صور "الخطأ الطبيعي" (التي صُنفت طبيعية وهي ليست كذلك) لفحصها أولاً، مقارنة بمجرد النظر إلى مدى ثقة الحاسوب في إجابته.

وللقيام بذلك، قام الباحث بتدريب نموذج رؤية حاسوبية قياسي، وهو نوع من البرمجيات يُعرف باسم ResNet-18، للتمييز بين نوعي الصور. تم التدريب بطريقة تضمن أن النموذج لم يرَ أبداً الصور المحددة التي سيُختبر عليها لاحقاً، مما يمنعه من مجرد حفظ الإجابات. وبمجرد أن أصبح النموذج جاهزاً، طُلب منه تصنيف كل صورة في مجموعة الاختبار. نجح النموذج في تحديد معظم الصور بشكل صحيح، لكنه ارتكب نوعاً معيناً من الخطأ: فقد صنف 13 صورة على أنها "طبيعية" بينما أشارت ملصقات الخبراء الأصلية إلى أنها "سيلياك". أصبحت هذه الصور الـ 13 هي هدف التجربة. ثم أنشأ الباحث قائمتين مختلفتين لمعرفة أي طريقة ستلتقط المزيد من هذه الأخطاء الـ 13 المخفية إذا تمكن الإنسان من مراجعة جزء صغير فقط من إجمالي الصور.

كانت الطريقة الأولى هي الأبسط على الإطلاق: نظر الباحث ببساطة إلى مدى ثقة الحاسوب عندما وصف صورة ما بأنها "طبيعية". فإذا لم يكن الحاسوب متأكداً إلا قليلاً، يتم وضع علامة على تلك الصورة للمراجعة. أما الطريقة الثانية، فقد حاولت أن تكون أكثر ذكاءً عبر إضافة إشارات إضافية؛ حيث بحثت فيما إذا كانت إجابة الحاسوب ستتغير قليلاً إذا تم جعل الصورة أكثر سطوعاً أو قتامة، أو إذا تم حفظ الملف بجودة أقل قليلاً. كما قامت بقياس الصورة نفسها بحثاً عن عيوب تقنية مثل الضبابية، أو السطوع الشديد، أو التوهج في مركز الصورة. دُمجت هذه العوامل الثلاثة — الثقة الضعيفة، والإجابات غير المستقرة، وجودة الصورة الرديئة — في درجة واحدة لتصنيف الصور للمراجعة. ثم قام الباحث بمحاكاة سيناريو حيث يمكن للإنسان مراجعة عدد ثابت فقط من الصور، مثل 20% من الإجمالي، ليرى أي طريقة ستجد المزيد من حالات الخطأ الـ 13 المفقودة.

كانت النتائج واضحة ومباشرة بشكل مفاجئ. فعندما راجع الباحث أفضل 15 صورة حددتها طريقة "الثقة فقط"، وجد ثلاثاً من حالات الخطأ الـ 13 المفقودة. وعندما راجع أفضل 15 صورة حددتها طريقة "الدرجة المركبة" الأكثر تعقيداً، وجد أيضاً ثلاثاً بالضبط من حالات الخطأ الـ 13. لم تساعد الفحوصات الإضافية لجودة الصورة واستقرارها النظام في العثيد على المزيد من الأخطاء مقارنة بمجرد النظر إلى ثقة الحاسوب. وفي الواقع، عند معدل مراجعة منخفض حيث يمكن فحص عدد قليل فقط من الصور، وجدت طريقة الثقة البسيطة أخطاءً أكثر من الطريقة المعقدة. كما جرب الباحث تنويعاً حيث تم قص الصور لإزالة الحواف والحدود قبل تحليلها، على أمل معرفة ما إذا كان الحاسوب يعتمد على اختصارات بصرية مثل النصوص أو التراكبات الخاصة بالجهاز، لكن هذا التغيير لم يحسن أداء نظام الدرجة المركبة أيضاً.

خلصت الدراسة إلى أنه بالنسبة لهذه المجموعة المحددة من الصور، لم تؤدِ إضافة فحوصات الجودة التقنية واختبارات الاستقرار إلى تحسين القدرة على كشف أخطاء الحاسوب. فالتعقيد الإضافي لم يثبت جدواه. وهذا لا يعني أن جودة الصورة أو استقرارها أمر غير مهم بشكل عام، ولا يعني أن الحاسوب مثالي؛ بل يعني ببساطة أنه في هذا الاختبار المحدد، كانت ثقة الحاسوب في نفسه جيدة بما يكفي للإشارة إلى الصور الخطرة، تماماً مثل النظام الأكثر تعقيداً الذي حاول قياس العيوب التقنية للصورة. ويشير الباحث إلى أن مجموعة البيانات كانت صغيرة، حيث احتوت على 159 صورة فقط، وأن الملصقات استندت إلى فئات الصور بدلاً من خزعات المرضى المؤكدة، لذا فإن النتائج محدودة بهذا الأرشيف تحديداً. إن هذا العمل يعد اختباراً دقيقاً وشفافاً يوضح أنه لا ينبغي افتراض أن درجة السلامة الأكثر تعقيداً هي أفضل من فحص الثقة البسيط دون دليل مباشر. وفي النهاية، كانت الطريقة الأكثر فعالية للعثور على أخطاء الحاسوب في هذه الحالة هي الوثوق بعدم يقينه، بدلاً من محاولة قياس الصورة نفسها.