طور باحثون في معهد ماساتشوستس للتكنولوجيا أداة جديدة تعتمد على الذكاء الاصطناعي يمكنها شرح مجالات الاهتمام في الصور الطبية بسرعة ويمكن أن تساعد في دراسة العلاجات الجديدة أو رسم خريطة لتطور المرض.
يُعدّ التعليق على مناطق الاهتمام في الصور الطبية، وهي عملية تُعرف باسم التجزئة، من أولى الخطوات التي يتخذها الباحثون السريريون عند إجراء دراسة جديدة تتضمن صورًا طبية حيوية.
على سبيل المثال، لتحديد كيفية تغير حجم حُصين الدماغ مع تقدم المرضى في العمر، يُحدد العالم أولاً كل حُصين في سلسلة من مسوحات الدماغ. بالنسبة للعديد من الهياكل وأنواع الصور، غالبًا ما تكون هذه عملية يدوية قد تستغرق وقتًا طويلاً للغاية، خاصةً إذا كان تحديد المناطق قيد الدراسة صعبًا.
لتبسيط العملية، طور باحثو معهد ماساتشوستس للتكنولوجيا (MIT) نظامًا قائمًا على الذكاء الاصطناعي يُمكّن الباحث من تجزئة مجموعات بيانات التصوير الطبي الحيوي الجديدة بسرعة عن طريق النقر والكتابة ورسم مربعات على الصور. يستخدم نموذج الذكاء الاصطناعي الجديد هذا هذه التفاعلات للتنبؤ بالتجزئة.
يستطيع النموذج تجزئة كل صورة جديدة بدقة دون تدخل المستخدم.
ويتمكن من ذلك بفضل تصميمه خصيصًا لاستخدام معلومات الصور التي جُزِّئت مسبقًا لإجراء تنبؤات جديدة.
كما يُتيح هذا النظام للمستخدم تجزئة مجموعة بيانات كاملة دون تكرار عمله لكل صورة.
بالإضافة إلى ذلك، لا تتطلب هذه الأداة التفاعلية مجموعة بيانات صور مُجزَّأة مسبقًا للتدريب. لذا، لا يحتاج المستخدمون إلى خبرة في التعلم الآلي أو موارد حسابية مكثفة. يمكنهم استخدام النظام لمهمة تجزئة جديدة دون الحاجة إلى إعادة تدريب النموذج.
على المدى البعيد، يُمكن لهذه الأداة أن تُسرِّع دراسات طرق العلاج الجديدة وتُخفِّض تكلفة التجارب السريرية والبحوث الطبية. كما يُمكن للأطباء استخدامها لتحسين كفاءة التطبيقات السريرية، مثل تخطيط العلاج الإشعاعي.
تقول هالي وونغ، طالبة دراسات عليا في الهندسة الكهربائية وعلوم الحاسوب والمؤلفة الرئيسية لورقة بحثية حول هذه الأداة الجديدة “قد لا يتوفر لدى العديد من العلماء سوى وقت كافٍ لتجزئة بضع صور يوميًا لأغراض أبحاثهم، نظرًا لأن تجزئة الصور يدويًا تستغرق وقتًا طويلاً. نأمل أن يُمكّن هذا النظام من تطوير علم جديد من خلال تمكين الباحثين السريريين من إجراء دراسات مُنعوا من إجرائها سابقًا بسبب نقص الأدوات الفعّالة”.
اقرأ أيضا… الذكاء الاصطناعي يكشف مبكرا عن التوحد ويعزز دقة تشخيصه
تبسيط التجزئة
هناك طريقتان رئيسيتان يستخدمهما الباحثون لتجزئة مجموعات جديدة من الصور الطبية. يجمع هذا النظام الجديد، MultiverSeg، أفضل ما في كلا الطريقتين. فهو يتنبأ بتجزئة الصورة الجديدة بناءً على تفاعلات المستخدم ولكنه أيضًا يحتفظ بكل صورة مجزأة في مجموعة سياقات للرجوع إليها لاحقًا.
عندما يُحمّل المستخدم صورة جديدة ويُحدد مناطق الاهتمام، يعتمد النموذج على الأمثلة في مجموعة السياقات الخاصة به لإجراء تنبؤ أكثر دقة، مع تقليل تدخل المستخدم.
صمم الباحثون بنية النموذج لاستخدام مجموعة سياقات من أي حجم، بحيث لا يحتاج المستخدم إلى عدد معين من الصور. وهذا يمنح MultiverSeg مرونة الاستخدام في مجموعة متنوعة من التطبيقات.
تقول وونغ “في مرحلة ما، بالنسبة للعديد من المهام، لن تحتاج إلى توفير أي تفاعلات. إذا كان لديك ما يكفي من الأمثلة في مجموعة السياقات، يمكن للنموذج التنبؤ بدقة بالتجزئة من تلقاء نفسه”.
قام الباحثون بتصميم النموذج وتدريبه بعناية على مجموعة متنوعة من بيانات التصوير الطبي الحيوي لضمان قدرته على تحسين تنبؤاته تدريجيًا بناءً على مدخلات المستخدم.
لا يحتاج المستخدم إلى إعادة تدريب النموذج أو تخصيصه لبياناته. لاستخدام MultiverSeg في مهمة جديدة، يُمكن تحميل صورة طبية جديدة والبدء في تمييزها.
عندما قارن الباحثون MultiverSeg بأحدث الأدوات لتجزئة الصور ضمن السياق والتفاعلية، تفوّق أداؤه.
نقرات أقل، نتائج أفضل
على عكس هذه الأدوات الأخرى، يتطلب MultiverSeg تدخلاً أقل من المستخدم مع كل صورة. عند إنشاء الصورة الجديدة التاسعة، لم يتطلب سوى نقرتين من المستخدم لإنشاء تجزئة أكثر دقة من نموذج مُصمم خصيصًا لهذه المهمة.
بالنسبة لبعض أنواع الصور، مثل الأشعة السينية، قد يحتاج المستخدم إلى تجزئة صورة أو صورتين يدويًا فقط قبل أن يصبح النموذج دقيقًا بما يكفي لإجراء تنبؤات تلقائيًا.
كما تُمكّن خاصيةُ تفاعل الأداة، المستخدِم من إجراء تصحيحات على تنبؤات النموذج، وتكرارها حتى يصل إلى مستوى الدقة المطلوب. مقارنةً بنظام الباحثين السابق، حقق MultiverSeg دقةً بلغت 90% مع ما يقارب ثلثي عدد الخربشات وثلاثة أرباع عدد النقرات.
تضيف وونغ “باستخدام MultiverSeg، يُمكن للمستخدمين دائمًا توفير المزيد من التفاعلات لتحسين تنبؤات الذكاء الاصطناعي. وهذا يُسرّع العملية بشكل كبير، لأن تصحيح الأخطاء الموجودة عادةً ما يكون أسرع من البدء من الصفر”.
ويسعى الباحثون في المستقبل إلى اختبار هذه الأداة في مواقف واقعية مع متعاونين سريريين وتحسينها بناءً على ملاحظات المستخدمين. كما يرغبون في تمكين MultiverSeg من تجزئة الصور الطبية الحيوية ثلاثية الأبعاد.
مصطفى أوفى (أبوظبي)
