Accelerating Machine Learning in Healthcare: Addressing the Labelling Bottleneck
تُظهر هذه الدراسة أن مسار تسمية مرحلياً وذاتي التمهيد، يستفيد من مجموعات بذور مصنفة من قبل خبراء والتعلم النشط، يمكنه إثراء حالات تسرع القلب الانقباضي الموضعي النادرة لدى الأطفال بنحو 15 ضعفاً مقارنة بالعينات العشوائية، مما يؤدي إلى تحسين استخدام موارد التوسيم السريري الشحيحة لتعلم الآلة في مجال الرعاية الصحية بشكل كبير.
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
في بيئة وحدة العناية المركزة للأطفال عالية المخاطر، حيث يتعافى الأطفال من جراحات القلب المعقدة، يُعد الوقت المورد الأكثر أهمية. يمكن لإيقاع القلب أن يتغير فجأة، وعندما يحدث ذلك، تكون العواقب وخيمة. يعتمد الأطباء على المراقبة المستمرة لرصد هذه التغيات الخطيرة مبكرًا، ولكن الحجم الهائل للبيانات الناتجة عن أجهزة المراقبة بجانب السرير يكون مرهقًا. لعقود من الزمن، حاول الباحثون تعليم الحواسيب كيفية رصد ضربات القلب غير المنتظمة تلقائيًا، آملين في منح الأطباء "عينًا ثانية" لا تغفل أبدًا. ومع ذلك، ظل هناك عائق رئيسي يقف في الطريق: لكي تُعلم حاسوبًا، يجب عليك أولاً أن تريه أمثلة، وإيجاد تلك الأمثلة أمر صعب للغاية. فقد تم تدريب معظم البرامج الحاسوبية الموجودة على بيانات من البالغين، والتي لا تتطابق مع إيقاعات القلب الفريدة لدى الأطفال، كما أنها تعتمد على تسجيلات قلب معقدة مكونة من اثني عشر مسارًا (twelve-lead)، وهي نادرة الاستخدام في المراقبة المستمرة والآنية للطفل المريض. كما أن إيقاعات القلب الأكثر خطورة هي أيضًا الأكثر ندرة، مما يعني أنه إذا قام طبيب بمسح عشوائي لآلاف الساعات من تسجيلات مراقبة القلب، فقد يقضي أيامًا في البحث عن دقائق معدودة فقط من المشكلة المحددة التي يحتاج إلى دراستها.
قام فريق من الباحثين في مستشفى "The Hospital for the Sick Children" في تورونتو، بالتعاون مع زملاء من سياتل وميشيغان وإسرائيل، بمحاولة حل مشكلة إيجاد "الإبرة في كومة القش". لم يكتفوا بمجرد جمع المزيد من البيانات؛ بل بنوا طريقة أكثر ذكاءً للعثور على إيقاعات القلب المحددة التي يحتاجون لدراستها. بدأوا بأرشيف رقمي ضخم يحتوي على أكثر من 1.6 مليون ساعة من تسجيلات مراقبة القلب لأكثر من 9,000 طفل. هذا الأرشيف، المعروف باسم AtriumDB، كان يحوي كنزًا من المعلومات، لكن معظمها كان غير مصنف، مما يعني أنه لم يخبر أحد الحاسوب بعد بما يمثله كل نبض قلب. واجه الباحثون خيارًا: إما أن يطلبوا من الأطباء المشغولين مسح هذه البيانات عشوائيًا، وهي عملية بطيئة وغير فعالة، أو أن يبتكروا نظامًا يساعد الأطباء على إيجاد إيقاعات القلب النادرة والخطيرة بشكل أسرع بكثير. وقد اختاروا الخيار الثاني، حيث طوروا عملية مرحلية بدأت بالخبراء البشريين وقدمت تدريجيًا مساعدًا حاسوبيًا لتوجيه عملية البحث.
بدأت العملية بالطريقة التقليدية الأكثر شيوعًا: مراجعة السجلات الطبية القديمة. وجد الفريق حالات خضع فيها طفل لاختبار قلب رسمي مكون من اثني عشر مسارًا في مختبر المستشفى، مما قدم تشخيصًا مؤكدًا. قاموا بمطابقة هذه التشخيصات المعروفة مع تسجيلات مراقبة القلب المستمرة في نفس الوقت. منحهم هذا مجموعة صغيرة وموثوقة من الأمثلة الأولية. ومع ذلك، كانت لهذه الطريقة ثغرة؛ إذ غالبًا ما تهيمن ضربات القلب الطبيعية والصحية على السجلات المستشفائية، ولم يكن التوقيت بين اختبار المختبر والمراقبة المستمرة دقيقًا دائمًا، مما أجبر الأطباء على قضاء الكثير من الوقت في التحقق من التصنيفات أو تصحيحها. ولتحسين ذلك، أضاف الفريق خطوة ثانية حيث يمكن للأطباء والممرضين في وحدة العناية المركزة الإبلاغ عن مشاكل إيقاع القلب فور رؤيتها في الوقت الفعلي. وفر هذا أمثلة جديدة وذات صلة، لكنه ظل محدودًا بمدى تكرار ملاحظة الطبيب للمشكلة والإبلاغ عنها.
بمجرد أن امتلك الفريق ما يكفي من الأمثلة من هاتين الخطوتين الأوليين لتدريب نموذج حاسوبي أساسي، قدموا الخطوتين الثالثة والرابعة اللتين اعتمدتا على الحاسوب للقيام بالعمل الشاق. لقد علموا الحاسوب كيفية النظر في البيانات غير المصنفة وتحديد الأجزاء التي يشعر فيها بعدم اليقين. يُعرف هذا بـ "أخذ عينات عدم اليقين" (uncertainity sampling). وبدلاً من التخمين، قام الحاسوب بتحديد نبضات القلب التي كانت مربكة بالنسبة له، وأرسل تلك الأجزاء المحددة إلى الأطباء للمراجعة. كانت هذه الطريقة أكثر كفاءة بكثير من البحث العشوائي لأن الحاسوب كان يقول جوهريًا: "أنا لا أعرف ما هذا، يرجى إخباري". وبينما كان الأطباء يصنفون هذه الأمثلة المربكة، كان الحاسوب يصبح أكثر ذكاءً. وأخيرًا، استخدم الفريق تقنية تسمى "البحث بالتمثيل" (embedding search). سمح هذا للحاسوب بالبحث عن نبضات القلب التي تشبه مورفولوجيًا (شكليًا) إيقاعات القلب النادرة والخطيرة التي تعلمها بالفعل، حتى لو كانت من أطفال مختلفين. كان الأمر يشبه مطالبة الحاسوب بالعثور على جميع نبضات القلب التي "تبدو مثل" تلك النبضات الخطيرة التي تعلمها للتو، ماسحًا الأرشيف بأكمله بحثًا عن تنويعات جديدة لنفس المشكلة.
كانت نتائج هذا النهج المرحلي مذهلة. فعندما اختبر الباحثون عدد نبضات القلب النادرة والخطيرة التي يمكنهم العثور عليها عبر اختيار مقاطع عشوائية من الأرشيف، وجدوا حالتين فقط من كل 200 مقطع، وهو معدل يبلغ 1% فقط. في المقابل، وجد مسار العمل الجديد متعدد الخطوات نبضات القلب النادرة في 14.7% من إجمالي الوقت الذي تم تصنيفه، وفي 24.7% من المرضى الفريدين الذين تمت مراجعتهم. وهذا يعني أن مسار العمل كان أكثر كفاءة بنحو خمس عشرة مرة في العثور على نبضات القلب النادرة لكل ساعة، وبخمس وعشرين مرة من حيث عدد المرضى، مقارنة بالبحث العشوائي. زادت الكفاءة مع كل خطوة من خطوات العملية؛ فقد وفرت الخطوات اليدوية الأولية الأساس، لكن الخطوات الموجهة بالحاسوب، وخاصة البحث النهائي عن نبضات القلب الشبيهة، حققت أعلى العوائد. في المرحلة النهائية، عندما بحث الحاسوب عن نبضات القلب التي تشبه الإيقاع النادر، تبين أن أكثر من 60% من المقاطع التي اختارها كانت مؤكدة بأنها الإيقاع المستهدف بمجرد مراجعتها من قبل الطبيب.
لم تدّعِ الدراسة أن النموذج الحاسوبي جاهز لتشخيص المرضى بمفرده؛ فهذا تحدٍ منفصل. بدلاً من ذلك، أثبت العمل أن سير عمل تعاوني ذكي يمكن أن يتغلب على عقبة تصنيف البيانات. ومن خلال السماح للحاسوب بتوجيه الأطباء إلى الأجزاء الأكثر إثارة للاهتمام والندرة في البيانات، نجح الفريق في إنشاء مجموعة بيانات عالية الجودة تضم ما يقرب من 190 ساعة من إيقاعات القلب المصنفة من قبل الخبراء لـ 1,447 طفلًا. هذه المجموعة غنية الآن بإيقاعات القلب النادرة والخطيرة الضرورية لتدريب الأدوات الطبية المستقبلية. وجد الباحثون أن هذه الطريقة سمحت لهم ببناء مجموعة متنوعة من نبضات القلب لأطفال من جميع الأعمار، من حديثي الولادة إلى المراهقين، دون الحاجة إلى قدر مستحيل من وقت الطاقم الطبي المشغول. يوضح هذا النهج أنه في مجال الذكاء الاصطناعي الطبي، لا يكمن مفتاح التقدم في امتلاك المزيد من البيانات فحسب، بل في امتلاك طريقة أفضل للعثور على البيانات الصحيحة داخلها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.