How Deep Learning Models Analyze Medical Images

وقد أدى التعلم العميق، ولا سيما من خلال الشبكات العصبية التصالحية، إلى تغيير أساسي في طريقة تفسير الصور الطبية، حيث تتعلم هذه النماذج السمات الهرمية مباشرة من بيانات البكسل، مما يتيح لها اكتشاف التغيرات النسيجية والمورفيولوجية الفرعية التي قد تشير إلى اللمفاوية، وتتكون هذه النماذج عادة من طبقات محايدة تستخرج الحوافات والشكلات والنماذج، وتضع الطبقات التي تُعدُّل.

وقد أصبح التعلم في مجال النقل أسلوباً قياسياً: نموذج مدرَّب مسبقاً على الصور الطبيعية (مثلاً شبكة المعلومات) مُعدَّل على مجموعات بيانات التصوير الطبي، ويقلل هذا النهج بشكل كبير من كمية البيانات المسمَّاة اللازمة ويعجل بالتقارب، وبالنسبة للتصوير اللمفاوي، كثيراً ما تُكيَّف النماذج مع العمل بالمسح التصويري المتعدد الجسد والأشعة والمقطعية الأشعة، حيث قد تظهر مستخرجات المميِّزة على شكل مناطق ذات السمات العالية.

جمع البيانات وشروحها في التصوير الليمفاوي

وتتوقف نوعية نظام التعلم العميق بشكل مباشر على البيانات التي يتم تدريبه عليها، وبالنسبة لاكتشاف اللمفاوي، فإن الطرائق الرئيسية هي 18F-FDG PET/CT، وCT، وCT، وMRI، المتفاوتة، وMRI (بما في ذلك التسلسلات الموزّعة) وكل طريقة تلتقط خصائص بيولوجية مختلفة: تسلط الضوء على النشاط الأيضي، وتوفر المعالجة الأشعة السيتيكية تفاصيلا، وتشتيتات المتنافرية.

ويُدلى بتنوير من خبراء في علماء الأشعة وعلماء الأمراض الذين يرسمون حدود الورم (قناعات التجزؤ) ويُسندون بطاقات الأمراض (مثلاً، فإن شركة هودغكين لليمفوما ضد شركة دغدغوز الكبيرة B-cell lymphoma) ويُعتبر التغيُّر بين أجهزة الرصد تحدياً معترفاً به، ولذلك تستخدم مشاريع كثيرة قراءات توافقية أو أجهزة آلية لمراقبة الجودة.

كشف آلي: عملية الفحص

وبمجرد تدريب نموذج للتعلم العميق، يمكن استخدامه لفحص الفحوصات الجديدة للإصابة بالإصابة المشبوهة، ويشمل خط الاكتشاف عادة ثلاث خطوات: التجهيز المسبق (التوحيد، التسجيل في حيز قياسي)، وتوليد المرشحين الأولي (استخدام شبكة مقترحة للمنطقة أو نافذة الانزلاق)، وتصنيف كل مرشح إما على أنه مصاب باللمفاوية أو بمرض الحرق، وهذه العملية مماثلة لنظام كشف مزود بالحاسوب، ولكن مع وجود قدر أكبر من الحساسية.

ويُعد الكشف الآلي أمراً قيماً بوجه خاص في التصوير المكثف حيث يتعين على علماء الأشعة أن يستعرضوا مئات الشقق، ويمكن للنموذج أن يُعلّم الفوج الفوقي الفوقي في المسح الضوئي، ثم يربطهم بعلامات بارزة على مستوى CT. Studies، وقد أفادت عن وجود حساسيات تفوق 90 في المائة من أجل كشف الاضطرابات النكية والإشعاعي.

الفصل: تحديد مناطق ليمفوما

ويتجاوز الفصل درجة الكشف: فهو يحدد بدقة مدى كل خسائره، وهذا أمر حاسم بالنسبة لتقييم الحجم، وتقييم الاستجابة (مثلاً، تقييم نتائج ديوفل، وتصنيف لوغانو)، وتخطيط العلاج الإشعاعي، وتنتج نماذج قطاع التعلم العميق، التي غالباً ما تستند إلى شبكة أوينت أو إلى متغيراتها (مثلاً، الاهتمام بالشبكة العالمية، والشبكة الوطنية للكيمياء) أقنعة منفصلة.

ويتطلب التدريب على نموذج للتجزئة شروحاً على مستوى ثابت، تستغرق وقتاً طويلاً في الإنتاج، وتتيح استراتيجيات التعلم النشطة للنموذج أن يطلب شروحاً في الحالات الأكثر عدم اليقين، مما يقلل من عبء الشروح، ويمكن لنماذج التجزؤ، بمجرد التدريب، أن تقارن حجم الورم الأيض الكلي، وهو مؤشر تضخمي قوي في نهج اللمفوس، وقد حقق التجزؤ الآلي نحو 085.

التصنيف في النماذج الفرعية

وتحتاج نماذج مختلفة من اللمفاوية الفرعية إلى أنواع مختلفة من العلاج وإلى أنواع مختلفة من التشخيص، ويمكن أن تصنف نماذج التعلم العميق ليس فقط هودغكين ضد إيمفوما غير الهودغكين بل أيضاً نماذج فرعية أدق مثل دفق اللمفاوي الكبير في الخلايا البينوغرافية، وأشعة الليمفاوية الجذعية، وأجهزة الكشف عن اللمفاوية.

ويتمثل أحد النهجين في تدريب شبكة متعددة الأطقم تقوم في الوقت نفسه بالكشف والتجزؤ والتصنيف، مما يحفز النموذج على تعلم التمثيل المشترك ويمكن أن يحسن الأداء في كل مهمة، وثمة اتجاه واعد آخر يتمثل في استخدام شبكات الأشعة العصبية لنموذج العلاقات المكانية بين محطات العقد المثلية، مما يقلل من كيفية تقييم أخصائيي الإشعاعات للإصابة بالأمراض.() وفي الدراسات المنشورة، فإن التصنيف المستمد من نطاق التعلم العميق للقيم الفرعية للأشعة.()

التغلب على تحديات التنفيذ السريري

ورغم الأداء التقني القوي، فإن نشر أدوات التعلم العميق في الممارسات السريرية الروتينية يواجه عدة عقبات. Data heterogeneity) لا تزال مسألة رئيسية: النماذج المدربة على بيانات المراكز الأكاديمية كثيرا ما تتدهور عندما تطبق على أجهزة المسح المجتمعي في المستشفيات.() ويجري استكشاف التكيف الدقيق والتعلم الاتحادي من أجل بناء نماذج عامة تشمل المؤسسات دون تقاسم بيانات المرضى. [FLTability:2]

(أ) إن إدماج تدفقات العمل القائمة [(FLT:1]) غير قابل للانتعاش أيضاً، ويجب إدراج نواتج AI في نظم PACS وتقديمها إلى علماء الأشعة بطريقة تعزز عملية القراءة، بدلاً من تعطيلها، كما أن التنبيه إلى القراءة المفرطة في القراءتها على الاقتراحات التشخيصية الآلية يشكلان مخاطر حقيقية.

وثمة تحد آخر هو اختلال التوازن من حيث النوعية : بعض النماذج الفرعية لللمفاوية نادرة، مما يجعل من الصعب جمع ما يكفي من الأمثلة التدريبية، كما أن التقنيات مثل قلة التعلم من حيث الطلقات، وتوليد البيانات الاصطناعية (مثل استخدام شبكات النزعة الخداعية الجيني)، والتمارين المفرطة يمكن أن تساعد، بالإضافة إلى ذلك، تحديث النماذج بحيث تتطور بروتوكولات العلاجية.

وفي المستقبل، تعد عدة اتجاهات بتحسين الكشف عن اللمفاويات وتصنيفها. ]Multimodal learning] تجمع بين البيانات التخيلية والمعلومات المتعلقة بالمرض، فعلى سبيل المثال، يمكن لدمج PET/CT مع نتائج فحص الخلايا السائلة (نُهج الورم النووي الناموسية الصبغية) أن يحسن كل من نماذج الكشف والتنبؤ بالعمل المشترك.

(ب) إن مجال البحث النشط هو مجال البحث الناشط، حيث توجد أساليب جديدة مثل التفسيرات المفاهيمية والجيل الموازي الذي يساعد الأطباء السريريين على الثقة بالنواتج النموذجية والتحقق منها، وبما أن النماذج تصبح أكثر شفافية، فإن القبول التنظيمي سيصبح أسهل.

وثمة حدود أخرى هي [(FLT:0)] التحليلات الطويلة الأجل ، وبدلاً من تحليل المسح الوحيد، يمكن للنماذج أن تقارن الصور التي تم الحصول عليها في مختلف مراحل تقييم الاستجابة للعلاج أو اكتشاف الانتكاس في وقت سابق، ويجري تكييف شبكات الموالية المؤقتة والهيكلات المتكررة لهذا الغرض، وأخيراً، فإن إدماج التعلم العميق في نظم الطب الشرعي التي تستهدف أجهزة التخصيب الآلي يمكن من زيادة تبسيط مسارات.

وتركز البحوث أيضاً على ]robustness to image quality variation].() وهناك العديد من نماذج التعلم العميق عرضة لمدخلات التوزيع الخارجي (مثل الصور التي تحتوي على قطع أثرية، وتشريح غير عادي للمرضى).() ويمكن أن تُبرز تقنيات تقديرية غير دقيقة، مثل تركّب مونت كارلو أو التجمعات العميقة، توقعات السلامة البشرية المنخفضة.

خاتمة

وقد انتقل الكشف والتصنيف الآليين لللمفوس باستخدام التعلم العميق من فضول بحثي إلى تكنولوجيا قابلة للاستمرار سريرياً، ويمكن للشبكات العصبية التي تدرَّب على مجموعات بيانات مشروحة كبيرة أن تحدد أماكن الاختلالات المشبوهة وتجزئ حدودها وتميز بين النماذج الفرعية التي تؤكد بدقة أن المنافسين من علماء الأشعة يعانون من نضج، ويجري التصدي للتحديات المتصلة بنوعية البيانات، وإمكانية التفسير النموذجية، وإدماج تدفق العمل من خلال الجهود التعاونية بين الهيئات التنظيمية

For further reading, see the American Society of Hematology guidelines on imaging in lymphoma (Blood journal), the FDA’s framework for AI/ML‐based medical devices (]FDA AI/ML page[FT:3]), and recent reviews in [FLdicT:4]