نظام الذكاء الاصطناعي الجديد يساعد على تسريع الأبحاث السريرية

ومن خلال السماح بالتعليق السريع على مناطق الاهتمام في الصور الطبية، يمكن للأداة أن تساعد العلماء في البحث عن علاجات جديدة أو رسم خريطة لتطور المرض.

تطبيق ذكاء اصطناعي يدعم التشخيص الطبي بالصور. الصورة: ميدجورني

غالبًا ما يكون شرح المناطق ذات الاهتمام في الصور الطبية، وهي العملية المعروفة باسم التجزئة، هي الخطوة الأولى التي يتخذها الباحثون السريريون عند إجراء دراسة جديدة تتضمن التصوير الطبي الحيوي.

على سبيل المثال، لتحديد كيفية تغير حجم حُصين المريض مع تقدمه في السن، يتعين على العلماء رسم خريطة لكل حُصين في سلسلة من مسوحات الدماغ. ونظرًا لتعدد تراكيب وأنواع التصوير، غالبًا ما تكون هذه عملية يدوية تستغرق وقتًا طويلاً، خاصةً عندما تكون المناطق المعنية غير محددة بدقة.

لتبسيط هذه العملية، طوّر باحثو معهد ماساتشوستس للتكنولوجيا (MIT) نظامًا قائمًا على الذكاء الاصطناعي يُمكّن العلماء من تجزئة مجموعات بيانات التصوير الطبي الحيوي الجديدة بسرعة عن طريق النقر أو التخطيط أو رسم مربعات على الصور. ويستخدم نموذج الذكاء الاصطناعي هذه التفاعلات للتنبؤ بعملية التجزئة.

كلما أضاف المستخدم وسمًا إلى المزيد من الصور، انخفض عدد التفاعلات المطلوبة، ليصل في النهاية إلى الصفر. عندها، يستطيع النموذج تقسيم الصور الجديدة بدقة دون أي تدخل إضافي من المستخدم.

هذا ممكن لأن بنية النموذج مصممة خصيصًا للاستفادة من معلومات الصور المجزأة سابقًا للتنبؤ بالصور اللاحقة. بخلاف نماذج تجزئة الصور الطبية الأخرى، يتيح هذا النظام للمستخدمين تجزئة مجموعة البيانات بأكملها دون الحاجة إلى تكرار العمل لكل صورة.

علاوةً على ذلك، لا تتطلب هذه الأداة التفاعلية مجموعة بيانات مُجزأة مسبقًا للتدريب، لذا لا يحتاج المستخدمون إلى خبرة في التعلم الآلي أو موارد حسابية معقدة. يمكنهم استخدام النظام لمهمة تجزئة جديدة دون الحاجة إلى إعادة تدريب النموذج.

على المدى البعيد، يمكن لهذه الأداة أن تُسرّع البحث في علاجات جديدة، وتُخفّض تكاليف التجارب السريرية والبحوث الطبية. كما يُمكن للأطباء استخدامها لتحسين كفاءة التطبيقات السريرية، مثل تخطيط العلاج الإشعاعي.

قد لا يتمكن العديد من العلماء إلا من تقسيم بضع صور يوميًا لأبحاثهم، لأن التقسيم اليدوي يستغرق وقتًا طويلاً. نأمل أن يفتح هذا النظام آفاقًا علمية جديدة، إذ يسمح للباحثين السريريين بإجراء دراسات لم يتمكنوا من إجرائها سابقًا بسبب نقص الأدوات الفعالة، وفقًا لما ذكرته هالي وونغ، طالبة الدكتوراه في الهندسة الكهربائية وعلوم الحاسوب، والمؤلفة الرئيسية لورقة بحثية تُقدم هذا النموذج.

تحسين القطاعات

هناك حاليًا طريقتان رئيسيتان يستخدمهما الباحثون لتجزئة مجموعات جديدة من الصور الطبية:

التجزئة التفاعلية: يُدخل المستخدم صورةً في نظام الذكاء الاصطناعي ويُحدِّد مناطق الاهتمام. يتنبأ النموذج بتجزئة بناءً على هذه التفاعلات. تتيح أداة ScribblePrompt، التي طوّرها فريق معهد ماساتشوستس للتكنولوجيا سابقًا، القيام بذلك، ولكن يجب تكرارها لكل صورة جديدة.

التجزئة التلقائية القائمة على المهام : بناء نموذج ذكاء اصطناعي متخصص لأتمتة التجزئة. تتطلب هذه الطريقة تجزئة مئات الصور يدويًا لإنشاء مجموعة بيانات تدريبية، ثم تدريب نموذج التعلم الآلي. في كل مرة تظهر فيها مهمة جديدة، يتعين على المستخدم إعادة بدء هذه العملية المعقدة بأكملها، وإذا كان النموذج خاطئًا، فلا توجد طريقة لتعديله مباشرةً.

يجمع النظام الجديد، MultiverSeg، بين أفضل ما في العالمين. فهو يتنبأ بجزء من صورة جديدة بناءً على التفاعلات (مثل الخربشة)، ولكنه يحفظ أيضًا كل صورة مجزأة في سياق مُحدد للرجوع إليها لاحقًا.

مع قيام المستخدمين بتحميل صور جديدة ووضع علامات عليها، يعتمد النموذج على مجموعة السياقات لإجراء تنبؤات أكثر دقة بجهد أقل. يسمح التصميم المعماري بمجموعات سياقات من أي حجم، مما يجعل الأداة مرنة للعديد من التطبيقات.

في مرحلة ما، وفي العديد من المهام، لن تحتاج إلى أي تفاعل إضافي. إذا توفرت أمثلة كافية في السياق المحدد، فسيتمكن النموذج من التنبؤ بالجزء بدقة من تلقاء نفسه، كما يوضح وونغ.

تم تدريب النموذج على مجموعات بيانات متنوعة لضمان تحسين التنبؤات تدريجيًا بناءً على ملاحظات المستخدمين. لا يحتاج المستخدمون إلى إعادة تدريب النموذج على البيانات الجديدة - ما عليهم سوى تحميل صور طبية جديدة والبدء في وضع العلامات.

في اختبارات المقارنة مع الأدوات الأخرى المتطورة، يتفوق MultiverSeg في الكفاءة والدقة.

عمل أقل، نتائج أفضل

بخلاف الأدوات الحالية، يتطلب MultiverSeg إدخالاً أقل لكل صورة. عند إنشاء الصورة التاسعة، لا يتطلب الأمر سوى نقرتين لإنشاء تجزئة أكثر دقة من نموذج مخصص لمهمة محددة.

بالنسبة لبعض أنواع الصور مثل الأشعة السينية، قد يحتاج المستخدم فقط إلى تقسيم 1 أو 2 صورة يدويًا قبل أن يصبح النموذج دقيقًا بدرجة كافية للتنبؤ بالباقي.

يتيح التفاعل للمستخدمين تعديل التنبؤات، والتكرار حتى الوصول إلى الدقة المطلوبة. مقارنةً بالنظام السابق، حقق MultiverSeg دقة 90% مع ثلثي الضربات وثلاثة أرباع النقرات فقط.

مع MultiverSeg، يُمكن للمستخدمين دائمًا إضافة تفاعلات لتحسين تنبؤات الذكاء الاصطناعي. وهذا يُسرّع العملية بشكل ملحوظ، لأن التحرير أسرع بكثير من البدء من الصفر، كما أضاف وونغ.

وفي المستقبل، يرغب الفريق في اختبار الأداة في الممارسة السريرية، وتحسينها استنادًا إلى ردود الفعل، وتوسيع قدراتها على التجزئة لتشمل التصوير الطبي الحيوي ثلاثي الأبعاد.

تم دعم البحث جزئيًا من قبل شركة Quanta Computer، Inc. والمعاهد الوطنية الأمريكية للصحة (NIH)، وأجهزة من مركز علوم الحياة في ماساتشوستس.

(المصدر: أخبار معهد ماساتشوستس للتكنولوجيا)

المصدر: https://vietnamnet.vn/he-thong-ai-moi-ho-tro-day-nhanh-nghien-cuu-lam-sang-2450462.html