MMVX-Net: Multispectral Mamba Representation Learning for Dysphagia Screening
تقدم هذه الدراسة MMVX-Net، وهو إطار عمل قائم على نموذج Mamba يتميز بالكفاءة الحسابية ويحقق دقة عالية في التصنيف الثنائي لعسر البلع باستخدام مقاطع فيديو RGB-D متزامنة، رغم أن المؤلفين يشيرون إلى أن هناك حاجة لمزيد من التحقق قبل النشر السريري.
المؤلفون الأصليون:Derek Ka Hei Lai, Jing Li, Mi-Ya Po, Armstrong Tat-San Chiu, James Chung-Wai Cheung
بالنسبة لملايين كبار السن، تصبح عملية بلع الطعام أو الشراب مجرد مغامرة خطيرة. هذه الحالة، المعروفة باسم عسر البلع (dysphagia)، هي أكثر من مجرد إزعاج؛ إذ يمكن أن تؤدي إلى التهاب رئوي حاد، وسوء تغذية، وتدهور كبير في جودة الحياة. إن اكتشافها مبكراً أمر بالغ الأهمية، لكن المعيار الذهبي الحالي للتشخيص يعتمد على إجراءات طبية جراحية تتطلب معدات متخصصة وطواقم مدربة تدريباً عالياً، مما يجعل تنفيذها صعباً خارج المستشفى. وفي السنوات الأخيرة، اتجه العلماء نحو الكاميرات كبديل أكثر لطفاً. فبدلاً من تثبيت أجهزة استشعار على جلد المريض، وهو أمر قد يكون غير مريح، يمكن للكاميرا ببساطة مراقبة الحركات المرئية للوجه والرقبة. ومن خلال تسجيل كيفية تحرك الجلد عندما يبلع الشخص، يأمل الباحثون في بناء نظام يمكنه رصد المشكلات دون لمس المريض على الإطلاق.
لقد اتخذ فريق من الباحثين في جامعة هونغ كونغ المتعددة التقنيات خطوة كبيرة نحو هذا الهدف من خلال تطوير نظام حاسوبي جديد مصمم لقراءة هذه الحركات الدقيقة. لقد ابتكروا طريقة تستخدم نوعين من بيانات الفيديو في آن واحد: فيديو ملون قياسي، يظهر ما تراه العين، وفيديو عمق، يقيس المسافة بين الأجسام والكاميرا لإنشاء خريطة ثلاثية الأبعاد للسطح. ودمج الباحثون هذين المنظورين في مجموعة بيانات واحدة شملت 136 مشاركاً، نصفهم أصحاء والنصف الآخر تم تشخيصهم سريرياً بصعوبات في البلع. طُلب من كل شخص بلع ثلاثة أنواع مختلفة من السوائل، تتراوح من الماء الخفيف إلى السوائل الكثيفة جداً، بينما كانت الكاميرا تسجل الجزء السفلي من الوجه والرقبة. ثم اختار الفريق بعناية مقاطع فيديو قصيرة من هذه التسجيلات حيث كانت عملية البلع واضحة وخالية من أي عوائق.
إن جوهر نظامهم الجديد، الذي أطلقوا عليه اسم MMVX-Net، يعتمد على معالجة مقاطع الفيديو هذه عبر التعامل مع المعلومات اللونية ومعلومات العمق كمسارين منفصلين من البيانات. تخيل خبيرين ينظران إلى نفس الحدث من زوايا مختلفة؛ أحدهما يركز على الملمس البصري والحركة، بينما يركز الآخر على تغيرات الشكل والعمق. في هذا النظام، يتم تحليل كلا المسارين في وقت واحد. والأهم من ذلك، أن النظام يسمح لهذين المسارين بتبادل ما يتعلمانه باستمرار مع بعضهما البعض. يحدث هذا التبادل بطريقة فعالة للحاسوب، مما يسمح له بمعالجة تسلسل الحركات دون الغرق في حسابات معقدة. اختبر الباحثون هذا النهج عبر تدريب النظام على التمييز بين مقاطع البلع للأشخاص الأصحاء وتلك الخاصة بمرضى عسر البلع. وقد استخدموا طريقة اختبار صارمة حيث تم الاحتفاظ ببيانات كل شخص منفصلة تماماً خلال مرحلتي التدريب والاختبار لضمان أن النظام يتعلم التعرف على الحالة نفسها، وليس مجرد حفظ أفراد محددين.
كانت نتائج هذه التجربة واعدة. فعندما تم اختبار النظام على المقاطع المختارة، حدد بشكل صحيح ما إذا كان الشخص يعاني من عسر البلع أم لا في حوالي 93 بالمائة من الحالات. وكان النظام بارعاً بنفس القدر في تحديد الحالات الصعبة وتجنب الإنذارات الكاذبة. أما بالنسبة لقدرة الحاسوب المطلوبة لتشغيل هذا التحليل، فإن النظام خفيف الوزن نسبياً، حيث لا يتطلب سوى جزء ضئيل من قوة المعالجة التي تتطلبها نماذج تحليل الفيديو المتقدمة الأخرى. وأشار الباحثون إلى أن نظامهم استخدم موارد حوسبية أقل بكثير من العديد من نماذج التعلم العميق الشهيرة التي قارنوه بها، مع تحقيق دقة أعلى في الوقت نفسه. وهذا يشير إلى إمكانية بناء نظام قادر على العمل على أجهزة قياسية للمساعدة في عمليات الفحص.
ومع ذلك، يحرص الباحثون على صياغة هذه النتائج كإثبات للمفهوم وليس كمنتج طبي نهائي. فقد أُجريت الدراسة في ظروف محكومة للغاية حيث كانت الكاميرا ثابتة في وضع محدد، والإضاءة متسقة، وتم اختيار مقاطع الفيديو يدوياً لضمان احتوائها على عمليات بلع واضحة. لم يتم اختبار النظام بعد على فيديوهات مستمرة وغير محررة حيث قد يتحرك الشخص، أو تتغير زاوية الكاميرا. علاوة على ذلك، ينظر النظام فقط إلى خارج الجسم؛ فهو لا يقيس ما يحدث داخل الحلق أو الرئتين. ويؤكد المؤلفون صراحة أنه قبل أن يمكن استخدام هذه التكنولوجيا للفحص السريري في العالم الحقيقي، يجب اختبارها على مجموعات أكبر بكثير من الناس، والتحقق من صحتها في بيئات مختلفة، وإثبات قدرتها على العمل تلقائياً دون مساعدة بشرية في اختيار مقاطع الفيديو.
يوضح هذا العمل أنه من الممكن استخدام مزيج من فيديو الألوان والعمق، ومعالجته بواسطة نموذج حاسوبي متخصص، للكشف عن علامات صعوبات البلع بدقة عالية. وتؤكد الدراسة أن حركات سطح الوجه والرقبة تحتوي على معلومات كافية للتمييز بين البلع السليم والمصاب عندما تُرى من خلال العدسة المناسبة. وبينما يتطلب الطريق نحو أداة فحص مؤتمتة بالكامل في العالم الحقيقي مزيداً من التطوير والاختبار، فإن هذا البحث يوفر أساساً متيناً لمستقبل يمكن فيه لعمليات الفحص القائمة على الكاميرا وغير الجراحية أن تساعد في تحديد الأفراد المعرضين للخطر قبل وقوع أزمة. وتتمثل الخطوات التالية في توسيع نطاق الاختبار ليشمل بيئات أكثر تنوعاً وضمان قدرة النظام على التعامل مع الطبيعة الفوضوية وغير المتوقعة للحياة اليومية.
ملخص تقني: شبكة MMVX-Net للكشف عن عسر البلع
بيان المشكلة يُعد عسر البلع (صعوبة البلع) حالة شائعة بين كبار السن مرتبطة بمخاطر صحية شديدة، بما في ذلك الالتهاب الرئوي الاستنشاقي وسوء التغذية. وبينما تُعتبر التقييمات الأدواتية مثل دراسات البلع بالتصوير الشعاعي بالفلووروسكوبي (VFSS) والتقييم بالمنظار الليفي البصري (FEES) هي المعايير الذهبية السريرية، إلا أنها عمليات جراحية وتتطلب معدات متخصصة ويصعب توسيع نطاقها. أما الحلول غير الجراحية الحالية، مثل مقاييس التسارع القابلة للارتداء والميكروفونات التلامسية، فغالبًا ما تعاني من عدم راحة المستخدم وانخفاض الامتثال، لا سيما لدى مرضى الخرف. علاوة على ذلك، أظهرت الحلول البرمجية التي تعتمد على التعلم الآلي التقليدي أو التعلم العميق (CNNs، Transformers) أداءً غير متسق وقدرة ضعيفة على التعميم بسبب صغر حجم العينات وتغاير البروتوكولات. ويظل التحدي متمثلاً في تطوير طريقة فحص غير تلامسية، سهلة الوصول، وفعالة تستفيد من إشارات الحركة السطحية دون الحاجة إلى قياس ميكانيكي حيوي داخلي.
المنهجية تقدم هذه الدراسة MMVX-Net، وهو إطار عمل للتعلم العميق مصمم للتصنيف الثنائي لمقاطع فيديو البلع المختارة يدويًا والمجزأة مسبقًا باستخدام فيديو RGB-D (اللون والعمق) المتزامن.
مجموعة البيانات والاستحواذ: استخدمت الدراسة بيانات من 136 مشاركًا (68 من الأصحاء و68 من المرضى الذين تم تشخيص إصابتهم سريريًا بعسر البلع). تم تسجيل مهام البلع باستخدام كاميرا Intel RealSense D435i بمعدل 30 إطارًا في الثانية، حيث التقطت الجزء السفلي من الوجه والرقبة. تضمن البروتوكول بلع جرعات من مستويات ثلاثة من مبادرة المعايير الدولية لتدريج نظام الغذاء (IDDSI): المستوى 0 (سائل خفيف)، والمستوى 2 (متوسط الكثافة قليلاً)، والمستوى 4 (شديد الكثافة).
المعالجة المسبقة للبيانات: بعد مراقبة الجودة اليدوية، تكونت مجموعة البيانات النهائية التي تم تحليلها من 282 عينة محاذية (تحتوي كل منها على مقطع واحد لكل مستوى من مستويات IDDSI) من 98 مشاركًا، بإجمالي 846 مقطعًا خاصًا بكل حالة. لمدخلات النموذج، تم أخذ 16 إطارًا بشكل موحد من كل مقطع من المقاطع الثلاثة (0، 2، و4) لتشكيل تسلسل مكون من 48 إطارًا. تم تغيير حجم إطارات RGB والعمق إلى 224×224 بكسل ومعالجتها بشكل طبيعي بشكل مستقل.
البنية (MMVX-Net): يعتمد النموذج بنية ثنائية المسار قائمة على Mamba (نموذج حالة فضاء مع تعقيد تسلسلي خطي).
المعالجة ثنائية المسار: تعالج مسارات منفصلة بيانات RGB والعمق. يستخدم كل مسار عمليات التلافيف ثلاثية الأبعاد (3D convolutions) للتمثيل المكاني الزماني متبوعة بكتل Mamba ثنائية الاتجاه.
الدمج عبر الوسائط ثنائي الاتجاه: تتميز البنية بكتل تبادل عبر الوسائط متكررة حيث تقوم ميزات أحد الوسائط بتعديل الوسيط الآخر (على سبيل المثال، ميزات العمق تعدل الـ RGB والعكس). يهدف هذا التصميم إلى الحفاظ على إشارات الحركة السطحية الخاصة بكل وسيط مع دمج المعلومات السياقية المتكاملة.
آلية حالة الفضاء: على عكس نماذج Transformer ذات التعقيد التربيعي، يستخدم Mamba تحديثات حالة انتقائية ذات تعقيد خطي O(n)، رغم أن الدراسة تشير إلى أن هذه التجربة المحددة تستخدم تسلسلات قصيرة (48 إطارًا) ولا تدعي الاستفادة من توسيع التسلسل الطويل.
بروتوكول التقييم: تم تقييم النموذج باستخدام التحقق المتقاطع خماسي الطيات المستقل للمشاركين (participant-disjoint five-fold cross-validation)، مما يضمن بقاء جميع البيانات من مشارك واحد (بما في ذلك جميع التكرارات وظروف IDDSI) ضمن نفس الطية. تمت مقارنة الأداء مقابل النماذج المرجعية X3D وViViT وSwin-T وVideoMamba التي تم تدريبها من الصفر تحت ظروف متطابقة.
النتائج الرئيسية في التحقق المتقاطع خماسي الطويات، حققت MMVX-Net متوسط المقاييس التالية:
الدقة (Accuracy): 0.929 ± 0.029
الدقة المحددة (Precision): 0.927 ± 0.028
الاستدعاء (Recall): 0.928 ± 0.032
مقياس F1 (F1-Score): 0.927 ± 0.030
مساحة تحت منحنى ROC (ROC-AUC): 0.963 ± 0.010
مساحة تحت منحنى PR (PR-AUC): 0.955 ± 0.010
من حيث الكفاءة الحسابية، تطلبت MMVX-Net حوالي 6.47 GFLOPs و 0.69 مليون معلمة (parameter). ويمثل هذا انخفاضًا كبيرًا في التعقيد مقارنة بـ X3D (15.31 GFLOPs، 2.98M معلمة)، وViViT (18.73 GFLOPs، 3.75M معلمة)، وSwin-T (106.56 GFLOPs، 25.71M معلمة)، رغم أنها أكثر تعقيدًا قليلاً من VideoMamba (3.70 GFLOPs، 0.39M معلمة). أظهر النموذج قدرات تمييز قوية، حيث صنف بشكل صحيح 262 من أصل 282 مقطعًا في مصفوفة الارتباك المجمعة.
الأهمية والادعاءات يضع المؤلفون هذا العمل كدراسة جدوى توضح إمكانات التصنيف الفعال لـ RGB-D لفحص عسر البلع في بيئة استحواذ مضبوطة. المساهمات الرئيسية هي:
إنشاء مجموعة بيانات RGB-D متزامنة لمهام البلع من مجموعة متوازنة من المشاركين الأصحاء والمصابين بعسر البلع.
اقتراح MMVX-Net، وهي بنية Mamba ثنائية المسار وثنائية الاتجاه تستخدم تبادلاً متكررًا عبر الوسائط.
تقييم داخلي يُظهر دقة عالية مع نموذج فعال من حيث عدد المعلمات.
القيود والنطاق تحافظ الورقة على نطاق متواضع فيما يتعلق بادعاءاتها السريرية. يذكر المؤلفون صراحةً أن:
النظام يصنف مقاطع فيديو مختارة يدويًا ومجزأة مسبقًا، وليس فيديوهات مستمرة؛ فهو لا يقوم بالكشف التلقائي عن موقع عملية البلع.
التقييم مستقل للمشاركين ولكنه يعتمد على التحقق المتقاطع الداخلي؛ ومن الضرما يتطلب الأمر التحقق الخارجي وتجميع البيانات على مستوى المشارك قبل تقديم ادعاءات النشر السريري.
النموذج يحلل الحركة السطحية (RGB-D) كعلاقات ارتباط بعملية البلع، وليس كقياسات مباشرة للميكانيكا الحيوية الداخلية.
لا تتضمن الدراسة دراسات استئصال (ablation studies) لعزل المساهمة المحددة لآلية الدمج، كما أنها لا تدعي التفوق الإحصائي على VideoMamba نظرًا لتداخل الانحرافات المعيارية.
النتائج مشروطة بتسجيلات عالية الجودة؛ حيث إن استبعاد المقاطع ذات الرؤية الضعيفة أو الامتثال المنخفض يحد من التطبيق الموضح للفئات السكانية التي يصعب تسجيل بياناتها.
ختامًا، تدعم هذه الدراسة جدوى استخدام نماذج التعلم العميق متعددة الأطياف والمدمجة لتصنيف مقاطع عسر البلع، لكنها تؤكد على ضرية وجود المزيد من العمل — بما في ذلك التحقق الخارجي، والكشف التلقائي، وتحليل القابلية للتفسير — قبل اعتبار الطريقة صالحة للفحص السريري الشامل.