Parameter-Efficient Mask-Conditioned Magnetic Resonance Image Synthesis for Segmentation Augmentation

لطالما اعتمد التصوير الطبي على حقيقة بسيطة ولكنها صعبة: لكي تُعلّم حاسوباً التعرف على مرض ما، تحتاج إلى آلاف الأمثلة من ذلك المرض، بحيث يتم وضع علامات دقيقة عليها بواسطة خبير بشري. وفي عالم التصوير بالرنين المغناطيسي (MRI)، غالباً ما تكون هذه العلامات عبارة عن "أقنعة" (masks) تحدد بدقة أين يبدأ الورم أو حجرة القلب وأين تنتهي. إن إنشاء هذه الأقنعة عملية بطيئة ومكلفة وتتطلب معرفة متخصصة، مما يعني أنه بالنسبة للعديد من الحالات، يكون مقدار البيانات المصنفة المتاحة لتدريب الذكاء الاصطناون ضئيلاً للغاية. وعندما تكون البيانات شحيحة، غالباً ما تجد الحواسيب التي تحلل هذه الصور صعوبة في الأداء بشكل موثوق. وقد حاول الباحثون حل هذه المشكلة عبر إنشاء صور وهمية لسد الفجوات، لكن صنع صورة وهمية تبدو واقعية بما يكفي لتكون مفيدة، مع الالتزام في الوقت نفسه بالشكل الدقيق للمرض، أثبت أنه تحدٍ مستعصٍ.

لقد طور فريق من الباحثين في جامعة تيانجين للتجارة نهجاً جديداً لهذه المشكلة، نهجاً يركز على الكفاءة والدقة بدلاً من القوة الغاشمة. يقدم عملهم، الذي نُشر في دراسة حديثة، نظاماً يسمى CLoRA-MRI. فبدلاً من محاولة تعلم كل شيء من الصفر أو استخدام قدر هائل من القوة الحوسبية، يأخذ هذا النظام نموذج ذكاء اصطناعي مُدرب مسبقاً يعرف بالفعل كيفية توليد الصور، ويعلمه خدعة محددة جداً باستخدام جزء ضئيل جداً من "دماغه". أراد الباحثون معرفة ما إذا كان بإمكانهم استخدام مخططات الأمراض الموجودة حالياً، أو الأقنعة، لتوليد مسوحات رنين مغلناطيسي جديدة تبدو واقعية، والتي يمكن استخدامها لاحقاً لتدريب أدوات تشخيصية أفضل. وقد اختبروا هذه الفكرة على نوعين مختلفين تماماً من المسوحات الطبية: صور الدماغ التي تظهر الأورام، وصور القلب التي تظهر الحجرات وجدران العضلات.

يتضمن جوهر طريقتهم تقنية تسمح للذكاء الاصطناعي بالتعلم من مهمة جديدة دون إعادة كتابة ذاكرته بالكامل. تخيل رساماً ماهراً قضى سنوات في تعلم رسم المناظر الطبيعية؛ لم يطلب منه الباحثون أن ينسى كل شيء ويبدأ من جديد، بل أعطوه مجموعة أدوات متخصصة وصغيرة سمحت له بتكييف أسلوبه بسرعة لرسم المسوحات الطبية، باستخدام بضع ضربات فرشاة جديدة فقط. ومن الناحية التقنية، استخدموا طريقة تسمى "التكيف منخفض الرتبة" (low-rank adaptation)، والتي تعدل حوالي ثلاثة بالمائة فقط من إعدادات النموذج الإجمالية. حافظ هذا على سرعة العملية وتكلفتها المنخفضة، حيث يمكن تشغيلها على بطاقة رسومات حاسوب محمول عادية. والأهم من ذلك، أنهم بنوا مساراً مخصصاً يغذي الذكاء الاصطناعي بالشكل الدقيق للمرض — القناع — لضمان أن الصورة المولدة ستتطابق دائماً مع المخطط المقدم. وقد ضمن هذا أنه إذا أظهر القناع ورماً في بقعة معينة، فإن الصورة الوهمية ستظهر ورماً في نفس تلك البقعة، وليس في مكان آخر.

وضع الباحثون نظامهم قيد الاختبار من خلال مقارنته بالطرق القديمة، ومن خلال رؤية مدى جودة مساعدة هذه الصور الوهمية للحاسوب في تحديد (أو رسم حدود) الأمراض في المسوحات الحقيقية. ووجدوا أن جودة الصور الوهمية لم تكن العامل الأكثر أهمية؛ بل ما يهم هو ما إذا كانت الصور تساعد الحاسوب على التعلم. في الاختبارات باستخدام مسوحات أورام الدماغ، عندما كان لدى الباحثين كمية صغيرة فقط من البيانات الحقيقية المتاحة للعمل بها — وتحديداً عشرة بالمائة فقط من الشرائح الحقيقية المتاحة — أدى إضافة صورهم الاصطناعية إلى تحسين دقة الحاسوب بشكل كبير. فقد قفزت قدرة الحاسوب على تحديد حدود الورم بشكل صحيح من درجة تقارب 0.72 إلى 0.74، وانكمشت الأخطاء في حواف الورم بعدة بكسلات. لم يكن هذا التحسن مجرد زيادة طفيفة، بل كان مكسباً واضحاً وقابلاً للقياس جعل الأداة التشخيصية أكثر موثوقية.

ومع ذلك، كشفت الدراسة أيضاً عن حد واضح لمدى المساعدة التي يمكن أن تقدمها هذه الصور الوهمية. فبينما زاد الباحثون كمية البيانات الحقيقية المتاحة للحاسوب، تلاشت فائدة إضافة الصور الاصطناعية. فعندما كان لدى الحاسوب إمكانية الوصول إلى نصف المسوحات الحقيقية أو جميعها، لم تقدم الصور الوهمية أي ميزة، بل في بعض الحالات تسببت في إرباك النظام. وهذا يشير إلى أن قيمة توليد بيانات جديدة ترتبط ارتباطاً وثيقاً بمدى ندرة البيانات الحقيقية في المقام الأول. فالنظام يكون أكثر فائدة عندما يكون لدى الطبيب أو الباحث بضعة أمثلة جيدة ويحتاج إلى التوسع في استخدامها، لكنه ليس بديلاً لجمع المزيد من البيانات الواقعية عندما تكون تلك البيانات متوفرة بكثرة.

اختبر الفريق أيضاً طريقتهم على مسوحات القلب، وهي تختلف بنيوياً عن مسوحات الدماغ وتتطلب من الذكاء الاصطناعي تعلم مجموعة جديدة من الأشكال. قاموا بتدريب "مُحول" (adapter) منفصل وصغير لصور القلب، ووجدوا نتائج مماثلة. فمع وجود عشرة بالمائة فقط من بيانات القلب الحقيقية، أدت إضافة الصور الاصطناعية إلى رفع دقة الحاسوب من 0.76 إلى 0.82، وهو تحسن كبير. وكان هذا جلياً بشكل خاص في الجدران الرقيقة لعضلة القلب، والتي يصعب على الحواسيب اكتشافها عندما تكون بيانات التدريب شحيحة. إن حقيقة أن النظام عمل بشكل جيد في كل من الدماغ والقلب، رغم تدريبه على بيانات مختلفة لكل منهما، تشير إلى أن النهج مرن بما يكفي ليتم تطبيقه على أجزاء أخرى من الجسم أيضاً.

كانت إحدى النتائج الأكثر إثارة للاهتمام هي كيفية تعامل النظام مع الجودة البصرية للصور. فالطرق القديمة التي حاولت مطابقة الصور بكسل مقابل بكسل أنتجت صوراً تبدو حادة ودقيقة ولكنها تفتقر إلى التنوع الطبيعي للمسوحات الحقيقية. في المقابل، أنتج النظام الجديد صوراً قد تكون أقل مثالية في المقارنة المباشرة بكسل مقابل بكسل، لكنها كانت أفضل بكثير في التقاط التوزيع العام لكيفية ظهور أورام الدماغ وأنسجة القلب الحقيقية. وتبين أن هذا التنوع الأوسع والأكثر واقعية كان أكثر فائدة لتدريب الحاسوب التشخيصي من المطابقة المثالية للبكسلات. وأشار الباحثون إلى أنه على الرغم من أن الصور الوهمية لم تكن متطابقة مع الصور الحقيقية، إلا أنها كانت قريبة بما يكفي في الجوانب الصحيحة لتعليم الحاسوب ما يجب البحث عنه.

تخلص الدراسة إلى أن هذا النهج الفعال الموجه بالقناع يوفر حلاً عملياً لمشكلة محددة: نقص البيانات الطبية المصنفة. فمن خلال استخدام جزء ضئيل من سعة النموذج للتعلم من الأقنعة الموجودة، استطاع الباحثون إنشاء أداة يمكنها توليد بيانات تدريب مفيدة دون الحاجة إلى تكلفة هائلة لإعادة تدريب النموذج بالكامل. وتشير النتائج إلى أن هذه الطريقة تكون أكثر فعالية عندما تكون البيانات الحقيقية نادرة، حيث تعمل كجسر لمساعدة الحواسيب على التعلم حتى يتم جمع أمثلة حقيقية كافية. إنها لا تحل مشكلة نقص البيانات للأبد، ولا تحل محل الحاجة إلى الخبراء البشر لإنشاء الأقنعة الأولية، لكنها توفر وسيلة قوية للاستفادة القصوى من البيانات المحدودة المتاحة حالياً. وبالنسبة للباحثين الطبيين الذين يعملون مع حالات نادرة أو مجموعات بيانات صغيرة، فإن هذا يمثل طريقة جديدة لبناء أدوات تشخيصية أكثر موثوقية دون انتظار سنوات لجمع المزيد من المسوحات.