A Multirepresentation Model for Pulmonary Nodule Malignancy Risk Assessment and Model-Derived Risk Grouping on Routine Chest CT: a retrospective diagnostic modeling study
طورت هذه الدراسة الاستعادية وأثبتت صحة إطار عمل للتعلم العميق من نوع TResNet-3D متعدد التمثيلات، والذي يقيم بفعالية خطر خبث العقد الرئوية ويصنف المرضى إلى مجموعات خطر باستخدام فحوصات الأشعة المقطعية الروتينية للصدر، محققاً مساحة تحت المنحنى (AUC) بلغت 0.9103 ومتفوقاً على نماذج الراديوميكس ونماذج الشبكات العصبية التلافيفية (CNN) الأحادية الموجودة حالياً.
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
تخيل أن جسدك عبارة عن مدينة شاسعة وصاخبة، وأن رئتيك هما المنتزهان الرئيسيان حيث يتنفس الهواء النقي. أحياناً، تظهر "مواقع بناء" غامضة وصغيرة في هذه المنتزهات—وهي عبارة عن كتل صغيرة من الأنسجة تسمى العُقيدات الرئوية. في معظم الأحيان، تكون هذه مجرد فرق بناء حميدة تنهي مهمة إصلاح، (عُقيدات حميدة)، ولكن في بعض الأحيان، قد تكون عصابة غير قانونية وخطيرة تحاول السيطرة على المنتزه (سرطان). المشكلة الكبيرة التي تواجه الأطباء هي أن النظر إلى صورة أشعة سينية عادية أو فحص مقطعي (CT) يشبه محاولة رصد مجرم متسلل في ساحة مدينة مزدحمة من مروحية؛ فمن الصعب التمييز بين السائح وبين من يضمر سوءاً بمجرد إلقاء نظرة عابرة. لسنوات، استخدم الأطباء كتب قواعد تعتمد على الحجم والشكل لتخمين المخاطر، لكن هذه القواعد غالباً ما تفشل في رصد الإشارات الخفية المخبأة في نسيج الكتلة ومحيطها. وهنا يأتي دور علم "التعلم العميق": إنه يشبه تدريب روبوت فائق الذكاء على النظر إلى آلاف من هذه الكتل وتعلم كيفية رصد التفاصيل الدقيقة وغير المرئية التي قد تخفى على العين البشرية، على أمل الإمساك بالأشرار قبل أن يسببوا المشاكل.
في هذه الدراسة، قرر فريق من الباحثين من مستشفى "شينكياو" في الصين بناء نوع جديد من المحققين الرقميين يسمى TResNet-3D. وبدلاً من النظر إلى العُقيدة كجسم واحد مسطح، علموا ذكاءهم الاصطنا-عي للنظر إليها من ثلاثة "مستويات زووم" مختلفة في آن واحد، مثل مصور يلتقط صورة قريبة جداً للنسيج (close-up)، ولقطة متوسطة للشكل، ولقطة واسعة للحي المحيط بها. لقد دمجوا هذه الرؤية الفائقة مع مجموعة من القياسات الرياضية (تسمى السمات الراديومية والمورفولوجية) التي تصف خشونة العُقيدة، واستدارتها، وكثافتها. كان الهدف هو إنشاء نظام لا يكتفي فقط بالقول "نعم" أو "لا" بوجود السرطان، بل يعطي درجة مخاطر محددة، مما يساعد الأطباء في تقرير ما إذا كان المريض يحتاج إلى جراحة فورية، أو مراقبة دقيقة، أو يمكنه الاسترخاء فحسب.
اختبر الباحثون محققهم الجديد على مجموعة بيانات ضخمة مكونة من 18,914 عُقيدة رئوية من 3,172 مريضاً. قاموا بتقسيم البيانات بحيث تعلم الذكاء الاصطناوي على بعضها، وتدرب على البعض الآخر، ثم اختُبر أخيراً على مجموعة جديدة تماماً لم يسبق له رؤيتها. كانت النتائج واعدة للغاية: حقق نموذج TResNet-3D درجة دقة (AUC) بلغت 0.9103، وهي أفضل بكثير من النماذج الحاسوبية القديمة والطرق التقليدية القائمة على القواعد. لقد كان بارعاً بشكل خاص في تحديد العُقيدات الحميدة بشكل صحيح، حيث بلغت نسبة النوعية (specificity) لديه 0.9318، مما يعني أنه نادراً ما يطلق إنذارات كاذبة عندما لا يكون هناك خطر. وبينما نجح في رصد حوالي 70.59% من العُقيدات الخبيثة (الحساسية/sensitivity)، إلا أن قوته الحقيقية تمثلت في تنظيم العُقيدات ضمن مجموعات مخاطر واضحة.
عندما استخدم الباحثون درجة المخاطر المستمرة للنموذج لتصنيف العُقيدات إلى ثلاث فئات، جاءت النتائج منطقية تماماً. احتوت مجموعة "المخاطر المنخفضة" (الدرجات أقل من 0.3) في الغالب على عُقيدات غير ضارة، حيث بلغت نسبة الخباثة فيها 15.79% فقط. أما مجموعة "المخاطر المتوسطة" (الدرجات بين 0.3 و 0.7) فكانت منطقة رمادية، حيث بلغت نسبة الخباثة فيها 42.86%، مما يعكس حالة عدم اليقين التي يواجهها الأطباء. وأخيراً، كانت مجموعة "المخاطر العالية" (الدرجات 0.7 أو أعلى) تعج بالعُقيدات الخطيرة، حيث أظهرت معدل خباثة بلغ 82.55%. وهذا يشير إلى أن النموذج يمكنه بفعالية الفصل بين "الآمن على الأرجح" و"الخطر على الأرجح".
ألقى الفريق أيضاً نظرة تحت "غطاء المحرك" ليروا كيف اتخذ الذكاء الاصطناعي قراراته. وباستخدام أداة تصور تسمى Grad-CAM، وجدوا أن النموذج ركز انتباهه على العُقيدة الفعلية وحدودها غير المنتظمة والمضطربة، بدلاً من التشتت بأنسجة الرئة السليمة المحيطة بها. وهذا مؤشر جيد، لأنه يحاكي الطريقة التي يبحث بها طبيب الأشعة البشري عن الحواف المتعرجة والأنسجة الغريبة. ومع ذلك، يوضح المؤلفون بحذر أن هذه دراسة "استعادية"، مما يعني أنهم نظروا في بيانات سابقة من مستشفى واحد. وبينما يشير النموذج إلى طريقة قوية جديدة لتقييم المخاطر، فإنه ليس بعد "رصاصة سحرية" أثبتت فعاليتها في كل المستشفيات حول العالم. ويؤكد الباحثون أن هناك حاجة لمزيد من الاختبارات عبر مراكز مختلفة ومع أنواع مختلفة من أجهزة التصوير المقطعي قبل أن يمكن الوثوق بهذه الأداة بالكامل في الممارسة السريرية اليومية. وفي الوقت الحالي، يظل هذا العمل مقترحاً قوياً بأن الجمع بين التعلم العميق وتحليل الشكل التفصيلي يمكن أن يغير قواعد اللعبة في صحة الرئة، بشرماً أن نستمر في اختباره بصرامة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.