مقدمة: نموذج جديد في الذكاء الاصطناعي للتصوير العصبي
أظهر الذكاء الاصطناعي وعدًا كبيرًا في التصوير الطبي، لكن معظم النماذج ضيقة النطاق - مدربة على اكتشاف مرض واحد باستخدام مجموعات بيانات منسقة. تقدم دراسة جديدة نُشرت في Nature Medicine نموذج NeuroVFM، وهو نموذج تصوير عصبي عام مدرب على فحوصات التصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب الروتينية من الأنظمة الصحية. من خلال الاستفادة من تعلم النظام الصحي، يلتقط NeuroVFM تمثيلات واسعة وقابلة للتعميم لتشريح الدماغ والأمراض، متفوقًا على النماذج الخاصة بالمهام عبر سيناريوهات تشخيصية متعددة.
ما هو NeuroVFM؟
NeuroVFM هو اختصار لـ Neuroimaging Vision Foundation Model. على عكس النماذج التقليدية التي تُدرب من الصفر لكل مهمة، يتم تدريب NeuroVFM مسبقًا على مجموعة كبيرة ومتنوعة من الفحوصات السريرية الواقعية - بما في ذلك كل من التصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب - التي تم جمعها من الرعاية الروتينية. يسمح هذا النهج للنموذج بتعلم السمات الأساسية لبنية الدماغ والتشوهات الشائعة دون شرح يدوي. استخدم الباحثون تقنية التعلم الذاتي الإشراف، مما مكن النموذج من التعلم من البيانات غير المسماة عن طريق التنبؤ بالأجزاء المفقودة من الصور أو مقارنة المناظر المختلفة.
تعلم النظام الصحي: لماذا هو مهم
معظم نماذج الذكاء الاصطناعي الطبي تُدرب على مجموعات بيانات عالية الجودة ومنسقة قد لا تعكس التباين الواقعي. في المقابل، تم تدريب NeuroVFM على فحوصات من أنظمة صحية متعددة، تشمل مجموعة واسعة من الشركات المصنعة للماسحات الضوئية والبروتوكولات والتركيبة السكانية للمرضى والحالات المرضية. هذا التنوع يجعل النموذج قويًا ضد تحولات المجال - وهو تحدٍ شائع عند نشر الذكاء الاصطناعي في مستشفيات جديدة. تظهر الدراسة أن تمثيلات NeuroVFM تعمم بشكل أفضل من تلك المستمدة من نماذج مدربة على مجموعات بيانات أصغر وأنظف.
الأداء عبر مهام متعددة
قام الباحثون بتقييم NeuroVFM على عدة مهام لاحقة، بما في ذلك تجزئة أورام الدماغ، وكشف النزيف داخل الجمجمة، وتصنيف مرض الزهايمر. في كل حالة، إما أن NeuroVFM تفوق أو ساوى أداء النماذج الحديثة الخاصة بالمهام. على سبيل المثال، في تجزئة الأورام، حقق NeuroVFM درجات Dice مماثلة للنماذج المخصصة مع تطلبه لأمثلة مسماة أقل للضبط الدقيق. في كشف النزيف، أظهر حساسية ونوعية أعلى عبر أنواع مختلفة من ماسحات التصوير المقطعي المحوسب.
الآثار المترتبة على الممارسة السريرية
يمكن للطبيعة العامة لـ NeuroVFM تبسيط سير العمل السريري. بدلاً من نشر أدوات ذكاء اصطناعي متعددة لحالات مختلفة، يمكن للمستشفيات استخدام نموذج واحد يتعامل مع مجموعة متنوعة من مهام التصوير العصبي. هذا يقلل من العبء الحسابي ويبسط الصيانة. علاوة على ذلك، نظرًا لأن NeuroVFM يتعلم من الفحوصات الروتينية، يمكن تحديثه باستمرار ببيانات جديدة، والتكيف مع الممارسات السريرية المتطورة والأمراض الناشئة.
القيود والاتجاهات المستقبلية
على الرغم من الوعد، فإن NeuroVFM له قيود. لم تشمل الدراسة جميع الحالات العصبية النادرة، كما أن أداء النموذج على الفحوصات منخفضة الدقة للغاية أو المليئة بالقطع الأثرية يحتاج إلى مزيد من التحقق. بالإضافة إلى ذلك، يتطلب التدريب المسبق الذاتي الإشراف موارد حسابية كبيرة. قد يستكشف العمل المستقبلي طرق تدريب أكثر كفاءة وتوسيع النموذج ليشمل طرق تصوير أخرى مثل التصوير المقطعي بالإصدار البوزيتروني أو التصوير بالرنين المغناطيسي الوظيفي.
الخلاصة
يمثل NeuroVFM خطوة مهمة نحو الذكاء الاصطناعي العام في التصوير العصبي. من خلال تسخير تعلم النظام الصحي، يحقق تمثيلات قوية وقابلة للتعميم يمكنها تحسين دقة التشخيص والكفاءة. بينما يتجه الذكاء الاصطناعي في الرعاية الصحية نحو النماذج الأساسية، يقدم NeuroVFM مخططًا لبناء أدوات متعددة الاستخدامات تتعلم من البيانات الغنية والفوضوية للممارسة السريرية الواقعية.
هذه المقالة مبنية على تقرير من Nature Medicine. اقرأ المقال الأصلي.
Originally published on nature.com
