مساعد الذكاء الاصطناعي RADAR يتعلم من تقارير الأشعة لقراءة صور الأشعة المقطعية للبطن

مساعد ذكاء اصطناعي عام لأصعب فحص في الطب

تُضغط صورة الأشعة المقطعية للبطن قدرًا هائلًا من التفاصيل السريرية في فحص واحد. فالعشرات من الأعضاء تتداخل داخل مجال الرؤية، ويمكن لمئات الحالات أن تختبئ بينها. ويعتبر أطباء الأشعة عمومًا أن البطن من أصعب المناطق في الطب من حيث القراءة، حتى إن الأخصائيين المتمرسين يحتاجون إلى وقت لفكّ ما يرونه.

وللمساعدة في تخفيف هذا العبء، قدّم الباحثون مساعدًا جديدًا بالذكاء الاصطناعي يُدعى RADAR — التشخيص السريع للبطن بالذكاء الاصطناعي والأشعة. وبدلًا من استهداف عضو واحد أو مرض واحد، فإن RADAR نظام عام مصمم لتحليل صور الأشعة المقطعية للبطن ومساعدة الأطباء في الوصول إلى التشخيص. وقد نُشر العمل في مجلة Science، برقم DOI 10.1126/science.aec6129، وخضع المقال لمراجعة الأقران والتحقق من الحقائق ومراجعة محرري Science X.

لماذا يُعدّ تصوير البطن مشكلة صعبة للذكاء الاصطناعي

البطن هدف متحرك، حرفيًا وتشريحيًا. فالأعضاء المستقرة في البطن تتباين تباينًا واسعًا في الشكل والموضع من مريض لآخر، لذا لا يمكن للنموذج أن يحفظ ببساطة المكان الذي ينبغي أن يستقر فيه تركيب معين. وغالبًا ما تظهر التشوهات كفروق خفيفة ومنخفضة التباين عن الأنسجة السليمة، ما يعني أن الإشارة المهمة قد تكون باهتة. ويستغرق تعلّم رصد تلك الفروق بموثوقية سنوات من الخبرة لدى أطباء الأشعة.

تتعامل معظم أنظمة الذكاء الاصطناعي الطبية مع التصوير بمهمة أضيق. فهي تُبنى عادةً لمهمة محددة وتُدرَّب عبر التعلّم المُوجَّه، وهي عملية تتطلب أولًا أن يقوم خبراء طبيون بوسم البيانات يدويًا. وخطوة الوسم هذه بطيئة ومكلفة ويصعب توسيع نطاقها — وهي تحدّ من مدى اتساع تطبيق نموذج واحد.

التعلّم مباشرة من تقارير الأشعة

يسلك RADAR مسارًا مختلفًا. فهو مبني على إطار عمل قابل للتوسع للرؤية واللغة، مُدرَّب مباشرة على التقارير السريرية، دون الحاجة إلى أن يقوم الخبراء بوسم البيانات أو تصنيفها يدويًا مسبقًا. وبالفعل، يتعلم النظام العلاقة بين ما يظهر في الصورة واللغة التي يستخدمها أطباء الأشعة لوصفه.

ويُعدّ حجم ذلك التدريب ملحوظًا:

• تقارير سريرية تغطي 424,911 فحصًا
• 1.5 مليون زوج من الصور والنصوص
• أكثر من 15 مليون زوج خاص بالتشريح

ولأن النموذج يعتمد على النص الحر الذي ينتجه أطباء الأشعة أصلًا كجزء من الرعاية الروتينية، فإن خط المعالجة يتجاوز أحد أكبر العقبات في تطوير الذكاء الاصطناعي الطبي. ويصف الباحثون الإطار بأنه قابل للتوسع، ما يشير إلى قدرته على استيعاب كميات كبيرة من المواد السريرية الحقيقية بدلًا من الاعتماد على مجموعة بيانات مُجمَّعة يدويًا لدراسة واحدة.

اختبار في العالم الحقيقي عبر ثمانية مستشفيات

جاء الأداء المُبلَّغ عنه من اختبارات على فحوصات مستشفيات حقيقية وليس على صور بحثية مُنتقاة. وقد حقق RADAR متوسط دقة تشخيصية، مقيسة بمعيار AUC، بلغ 0.913 — وهي نتيجة تفوقت على نماذج الذكاء الاصطناعي الطبية القائمة للرؤية واللغة.

ولا يقلّ أهمية عن الرقم الرئيسي المكان الذي صمد فيه. فقد عمّمت النتائج خارج السياق الأصلي عبر ثمانية مستشفيات مختلفة، وثبتت في حالات قسم الطوارئ، واستمرت عبر فئات متنوعة من المرضى. وبالنسبة للذكاء الاصطناعي الطبي، يهمّ هذا النوع من الاتساق، لأن النموذج الذي لا يؤدي جيدًا إلا على بيانات تشبه بيئة تدريبه له قيمة سريرية محدودة.

ووفقًا للنتائج المنشورة في Science، حدّد RADAR بدقة 18 تركيبًا تشريحيًا إلى جانب 146 علامة تصويرية ومرضًا، بغض النظر عن مكان الاختبار أو طريقته.

ما يغطيه هذا الاتساع

تشير مجموعة التراكيب التشريحية والعلامات التصويرية إلى نظام يقرأ الصورة أقرب إلى طبيب أشعة عام من كاشف أحادي الغرض. فبدلًا من الإجابة عن سؤال واحد يخص عضوًا واحدًا، يتموضع النموذج لتفسير صورة واسعة للبطن.

ما قد يغيّره RADAR لأطباء الأشعة

الدافع المعلن وراء المشروع هو عبء العمل. فالأشعة المقطعية للبطن شاقة، وقراءتها بعناية تستغرق وقتًا لا تملكه أقسام الأشعة دائمًا. وقد يوفّر مساعد عام قادر على إنتاج تفسيرات تشخيصية واسعة نقطة انطلاق للأطباء أثناء تعاملهم مع فحوصات معقدة.

ويصوّر الباحثون RADAR كمساعد يساعد الأطباء في الوصول إلى التشخيصات، لا كبديل عن حكمهم. وهذا التمييز يسري في كثير من العمل الحالي في الذكاء الاصطناعي الطبي، حيث يكون الهدف العملي غالبًا الفرز والترتيب والتلخيص بدلًا من إصدار قرار نهائي.

وما يبرز في هذه الحالة هو الجمع بين الاتساع والمتانة. فإطار واحد مُدرَّب على نحو 425,000 فحص — ومُتحقَّق منه عبر ثمانية مستشفيات — يمثل خطوة ذات مغزى تتجاوز الأدوات الضيقة المخصصة لمهام محددة التي هيمنت على المجال.

الأرقام في لمحة

• النظام: RADAR (التشخيص السريع للبطن بالذكاء الاصطناعي والأشعة)
• بيانات التدريب: 424,911 فحصًا؛ 1.5 مليون زوج من الصور والنصوص؛ أكثر من 15 مليون زوج خاص بالتشريح
• متوسط الدقة التشخيصية (AUC): 0.913
• ما تم تحديده: 18 تركيبًا تشريحيًا و146 علامة تصويرية ومرضًا
• التحقق: ثمانية مستشفيات، وحالات قسم الطوارئ، وفئات متنوعة من المرضى
• النشر: Science (DOI: 10.1126/science.aec6129)

مع استمرار نمو أحجام تصوير البطن، ستجذب الأدوات التي تساعد أطباء الأشعة على التنقل في واحدة من أكثر الفحوصات تعقيدًا في الطب اهتمامًا كبيرًا. وتمنح النتائج المُبلَّغ عنها لـ RADAR الباحثين معيارًا واضحًا — وقالبًا لتدريب الذكاء الاصطناعي الطبي العام مباشرة على التقارير التي يكتبها الأطباء كل يوم.

This article is based on reporting by Medical Xpress. Read the original article.