ابتكار جديد.. نظام ذكاء اصطناعي لتسهيل تحليل الصور الطبية وتسريع الأبحاث السريرية
عند البدء بدراسة علمية جديدة تعتمد على الصور الطبية، يقوم الباحثون بعملية تُسمى التجزئة (Segmentation)، وهي عملية تقسيم الصور الطبية إلى مناطق أو مقاطع لها خصائص متماثلة لتحديد الأجزاء المهمة في الصور. على سبيل المثال: إذا أراد العلماء معرفة كيفية تغيّر حجم الحُصين في الدماغ مع التقدم في العمر، فعليهم أولًا رسم حدود كل حُصين في سلسلة من صور الدماغ. وهذه العملية غالبًا ما تكون يدوية، ومعقدة، وتستغرق وقتًا طويلًا، خاصة عند التعامل مع أجزاء صغيرة أو صعبة التمييز. لتجاوز هذه التحديات، طوّر باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) نظامًا ذكيًا يتيح تجزئة الصور الطبية بسرعة؛ مما يساعد الباحثين في دراسة العلاجات الجديدة، وتتبّع تطور الأمراض بنحو أكثر كفاءة ودقة وسرعة. نظام MultiverSeg لتحليل الصور الطبية وتسريع الأبحاث السريرية طوّر باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) نظامًا ذكيًا يُسمى (MultiverSeg) يتيح تجزئة الصور الطبية بسرعة عبر النقر أو الرسم أو تحديد مربعات داخل الصورة. ويستخدم النموذج بعد ذلك هذه المدخلات للتنبؤ بالتجزئة المناسبة. ومع تكرار التفاعل مع الصور الطبية، يقلّ اعتماد النموذج على تدخل المستخدم تدريجيًا، حتى يتمكن في النهاية من إنجاز التجزئة بدقة عالية دون أي تدخل بشري. ويعود ذلك إلى بنيته المصممة خصوصًا للاستفادة من الصور المجهزة سابقًا في التنبؤ بالتجزئة المناسبة في الصور الجديدة. وعلى عكس نماذج تجزئة الصور الطبية الأخرى، يسمح هذا النظام للمستخدم بتجزئة مجموعة كاملة من الصور مرة واحدة دون الحاجة إلى تكرار العمل مع كل صورة جديدة. كما أنه لا يتطلب قاعدة بيانات تتضمن صورًا طبية مجزأة سابقًا لتدريبه؛ مما يعني أن المستخدمين يمكنهم استخدامه مباشرة لمهام تجزئة جديدة دون إعادة تدريبه. وعلى المدى الطويل، قد يساهم هذا النظام في تسريع الدراسات الخاصة بطرق العلاج الجديدة وخفض تكاليف التجارب السريرية والأبحاث الطبية. وتقول Hallee Wong، طالبة الدراسات العليا في الهندسة الكهربائية وعلوم الحاسوب والمؤلفة الرئيسية للورقة العلمية الخاصة بهذا النظام: “الكثير من العلماء لا يتاح لهم سوى وقت محدود يوميًا لتجزئة بضع صور فقط؛ لأن العملية اليدوية تستغرق وقتًا طويلًا. أملنا أن يفتح هذا النظام آفاقًا جديدة للبحث العلمي، عبر تمكين الباحثين من إجراء دراسات لم يكن بمقدورهم تنفيذها سابقًا لغياب أداة فعّالة”. يعتمد النظام الجديد MultiverSeg على التفاعلات البسيطة في الصور الطبية لتوليد التنبؤات، ويخزن الصور في مجموعة سياقية (Context Set) للرجوع إليها لتحسين دقة التنبؤ في المهام اللاحقة. وعند إدخال صورة جديدة، يستخدم النظام الأمثلة المرجعية لتقديم نتائج أكثر دقة بمدخلات أقل من المستخدم. وتقول Hallee Wong: “مع وجود عدد كافٍ من الصور في المجموعة السياقية، لن تحتاج في النهاية إلى أي تفاعل يدوي، إذ يمكن للنظام إتمام التجزئة بدقة بمفرده”. وقد صُمّم النموذج ليتكيف مع أي حجم من المجموعات السياقية، مما يجعله مرنًا للتطبيقات المختلفة. كما أنه دُرّب على بيانات طبية متنوعة، ليتمكن من تحسين دقته تدريجيًا استنادًا إلى تفاعلات المستخدم فقط، دون الحاجة إلى إعادة تدريب شاملة. وقد أظهرت الاختبارات التي أجراها الفريق البحثي أن MultiverSeg يتفوّق بنحو ملحوظ على أحدث الأدوات الخاصة بالتجزئة. ما الخطوة القادمة؟ يخطط الباحثون لاختبار النموذج في بيئات سريرية حقيقية بالتعاون مع شركاء في القطاع الطبي، بالإضافة إلى تطوير قدراته ليتمكن من تجزئة الصور الطبية الثلاثية الأبعاد. نسخ الرابط تم نسخ الرابط
