تساعد فحوصات أنظمة الرعاية الصحية على بناء ذكاء اصطناعي أقوى للتصوير العصبي

قد تكون صور المستشفيات الروتينية هي العنصر المفقود في الذكاء الاصطناعي الطبي

غالبًا ما تُبنى أنظمة الذكاء الاصطناعي للتصوير الطبي من مجموعات بيانات بحثية جُمعت بعناية، لكن دراسة جديدة أبرزتها Nature Medicine تجادل بأن أكبر مكاسب الأداء قد تأتي من شيء أقل تنقيحًا بكثير: الفحوصات الروتينية التي تُنتج كل يوم داخل أنظمة الرعاية الصحية الفعلية.

وفقًا للتقرير البحثي، درّب الباحثون نموذجًا تأسيسيًا بصريًا ثلاثي الأبعاد على 5.24 مليون سلسلة سريرية من التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي. وبدلًا من التعلم من صور الإنترنت العام أو من مجموعات أصغر وأكثر تخصصًا، بُني النموذج مباشرة من تدفق التصوير العصبي اليومي المستخدم في الرعاية. والنتيجة، بحسب المؤلفين، كانت أداءً تشخيصيًا متقدمًا، إلى جانب مؤشرات مبكرة على أن النظام يمكنه دعم توليد التقارير وفرز الحالات داخل بيئات سريرية حقيقية.

تشير هذه الدراسة إلى تحول أوسع في الذكاء الاصطناعي الطبي. فخلال عدة سنوات، كان الافتراض السائد في تطوير النماذج التأسيسية هو أن الحجم وحده هو العامل الحاسم، وأن مجموعات البيانات العامة الكبيرة يمكن تكييفها تقريبًا لأي استخدام لاحق. وتُظهر هذه الدراسة أنه في التصوير العصبي، يهم الحجم الخاص بالمجال بقدر ما يهم الحجم الخام. فالنموذج الذي يتعرض لملايين الدراسات الحقيقية من الأشعة المقطعية والرنين المغناطيسي يبدو أنه يتعلم تمثيلًا مشتركًا لبنية الدماغ والمرض لا تستطيع بيانات التدريب العامة إعادة إنتاجه بسهولة.

لماذا تغيّر البيانات الواقعية الصورة

التصوير العصبي مشكلة صعبة لسلاسل العمل التقليدية في الذكاء الاصطناعي. فصور الدماغ حجمية وليست مسطحة، وتختلف بين الأجهزة والبروتوكولات، كما أن النتائج المهمة سريريًا قد تكون دقيقة أو منتشرة أو موزعة عبر شرائح متعددة. ويملك النموذج التأسيسي الذي يُدرَّب مباشرة على بيانات ثلاثية الأبعاد من الممارسة الروتينية فرصة لامتصاص هذه الأنماط بطريقة لا تستطيعها غالبًا مجموعات البيانات الأصغر الخاضعة للإشراف.

يقول التقرير إن النموذج تعلم تمثيلًا مشتركًا للتشريح العصبي والمرض عبر كل من الأشعة المقطعية والرنين المغناطيسي. وهذا مهم لأن الطريقتين تلتقطان معلومات مختلفة وتُستخدمان في سياقات سريرية مختلفة. فالأشعة المقطعية تكون كثيرًا محورًا في الرعاية العاجلة والتقييم العصبي الحاد، بينما يُستخدم الرنين المغناطيسي غالبًا لتقييم بنيوي أكثر تفصيلًا. وقد يساعد التدريب على كلا التنسيقين في إنتاج نموذج أكثر فائدة عبر بيئات رعاية أوسع، بدلًا من أن يظل مرتبطًا بمهمة واحدة أو نوع ماسح واحد.

والتناقض الذي يطرحه البحث لافت للنظر. فالمؤلفون يذكرون أداءً تشخيصيًا أفضل من النماذج التأسيسية المدربة على الإنترنت العام والبيانات الطبية. ويمنح هذا المقارنة وزنًا أكبر لحجة ظل كثير من الأطباء وباحثي المعلوماتية يطرحونها بهدوء منذ فترة: إن البيانات المؤسسية عالية الصلة، إذا أُديرت وعولجت بشكل صحيح، قد تكون أكثر قيمة من الحجم العام المستعار من مجالات أخرى.

وعمليًا، فإن بيانات أنظمة الرعاية الصحية الروتينية فوضوية. فهي تحتوي على اختلافات في الاكتساب، وفروق بين فئات المرضى، وآثار سير العمل السريري الحقيقي. وعادة ما تُعامل هذه الخصائص على أنها عوائق. وهنا قد تكون قد تحولت إلى قوة، لأن النماذج المصممة للنشر يجب أن تعمل في النهاية داخل تلك البيئة نفسها الفوضوية.

من التشخيص إلى دعم سير العمل

إلى جانب الأداء في المقاييس المعيارية، تشير الدراسة أيضًا إلى استخدامين عمليين يهمان أنظمة الرعاية الصحية فورًا: توليد التقارير الأولية وفرز الحالات. ولا يزال كلاهما تطبيقين حساسين، لكنهما يوضحان اتجاه المجال.

لا يعني توليد التقارير الأولية استبدال أخصائيي الأشعة. بل يعني أن نظامًا للذكاء الاصطناعي يمكنه المساعدة في تلخيص النتائج المحتملة، وتنظيم الملاحظات، أو إعداد مسودة يراجعها الطبيب ويعدّلها. وفي أقسام التصوير عالية الحجم، قد تؤدي حتى المساعدة الجزئية إلى تقليل زمن الإنجاز وتوحيد المرور الأول على الحالات المعقدة.

أما الفرز فهو مختلف، لكنه لا يقل أهمية. فإذا استطاع الذكاء الاصطناعي للتصوير تحديد الحالات الأكثر احتمالًا لاحتواء شذوذات عاجلة، فقد تُعرض هذه الدراسات على المتخصصين في وقت أبكر. وفي السكتة الدماغية، والنزف، وتأثير الكتلة، أو غيرها من الحالات العصبية الحساسة للوقت، قد تكون الدقائق حاسمة. ويصف البحث استخدام الفرز بأنه ممكن داخل أنظمة رعاية صحية حقيقية، ما يشير إلى أن النموذج جرى تقييمه مع وضع النشر التشغيلي في الاعتبار، لا كتمرين أكاديمي بحت.

وهذا الجمع بين التشخيص القوي والمساعدة في سير العمل هو ما يجعل الدراسة أكثر أهمية من مجرد عنوان آخر عن الدقة. فكثيرًا ما واجه الذكاء الاصطناعي للتصوير صعوبة في الانتقال من الوعد المختبري إلى الاستخدام الروتيني، لأن النموذج قد يبدو مثيرًا للإعجاب في مهمة ضيقة لكنه لا يتلاءم مع العمليات السريرية. والأنظمة القادرة على دعم عدة خطوات في السلسلة هي الأكثر احتمالًا لتبرير التكلفة وجهد التكامل المطلوبين لاعتمادها.

ما الذي تثبته هذه الدراسة وما الذي لا تثبته

يقدم التقرير البحثي ملخصًا موجزًا لا دليل تشغيل كاملًا، لذلك تبقى عدة أسئلة مفتوحة. فالمقتطف لا يحدد المهام التشخيصية التي قادت إلى أفضل النتائج، أو كيف اختلف الأداء بين المؤسسات، أو كيف تصرف النموذج في الحالات الحدية. كما يصف توليد التقارير والفرز بأنهما أوليان، وهو توصيف مهم في مجال يمكن فيه بسهولة المبالغة في قيمة العروض المبكرة.

ومع ذلك، يصعب تجاهل حجم مجموعة التدريب. فوجود أكثر من خمسة ملايين سلسلة من الأشعة المقطعية والرنين المغناطيسي يعني موردًا بيانات لا يمكن أن تجمعه عمليًا إلا أنظمة صحية كبيرة أو تعاونات متعددة المؤسسات. وهذا يطرح سؤالًا استراتيجيًا على الصناعة. فإذا كانت أقوى النماذج التأسيسية الطبية تعتمد على أرشيفات أنظمة الرعاية الصحية بدلًا من مجموعات البيانات المتاحة علنًا، فقد تدور موجة المنافسة التالية حول الوصول إلى البيانات السريرية والحوكمة وعلاقات الثقة، بدلًا من المعمارية النموذجية وحدها.

كما تؤكد الدراسة درسًا عمليًا للمستشفيات التي تقيّم موردي الذكاء الاصطناعي. فقد تعتمد ادعاءات الأداء بدرجة كبيرة على نوع البيانات التي تعلم منها النموذج. وقد تتعمم أداة مدرّبة على فحوصات روتينية جُمعت أثناء الرعاية بشكل مختلف عن أداة جرى تكييفها من صور استهلاكية أو بحثية. ومن المرجح أن يحتاج المشترون إلى أسئلة أدق حول المصدر والتمثيل والاعتماد قبل افتراض أن «نموذجًا تأسيسيًا» واحدًا يمكن استبداله بآخر.

إشارة إلى وجهة الذكاء الاصطناعي الطبي

يربط هذا التقرير هذا العمل بحركة أوسع في الذكاء الاصطناعي الصحي: بناء نماذج سريرية عامة الغرض من بيانات على مستوى أنظمة الرعاية الصحية بدلًا من استيراد الأساليب مباشرة من الويب العام. وهذا النهج أصعب لأنه يتطلب بنية بيانات، وضوابط خصوصية، وتنسيقًا مؤسسيًا، وهندسة خاصة بكل نمط. لكنه قد يكون أيضًا المسار الذي ينتج أدوات يثق بها الأطباء فعلًا.

وفي التصوير العصبي، تبدو الدلالة واضحة. فقد لا يكون المستقبل من نصيب النماذج التي ترى صورًا أكثر فحسب، بل من نصيب النماذج التي تتعلم من الصور الصحيحة: تلك التي تُنتج في الواقع اليومي لرعاية المرضى. وإذا واصلت هذه الأنظمة إظهار أداء متقدم مع دعم التقارير والفرز، فقد تصبح تأسيسية ليس في الاسم فقط، بل في الممارسة الاستشفائية أيضًا.

هذه المقالة مبنية على تغطية Nature Medicine. اقرأ المقال الأصلي.