مقدمة إلى قسم الدماغ

وتشكل الأورام الدماغية عبئاً صحياً كبيراً على نطاق العالم، حيث تمثل الأورام الخبيثة الأكثر عدوانية وشيوعاً في الدماغ في البالغين، وتُعدّل الأورام الدماغية من التصوير الطبي أمراً حاسماً للتشخيص، وتخطيط العلاج، ورصد التقدم في الأمراض، وتُعتبر صورة الترسبات المغناطيسية أفضل نتيجة لاختلاف الوزن عند الولادة (TIR-1).

ويستغرق التجزؤ اليدوي الذي يقوم به علماء الأشعة أو المستوصفات وقتا طويلا، وذوي طابع ذاتي، ومعرضا للتغير فيما بين أجهزة المراقبة، وتستغرق العملية عادة 30 دقيقة إلى عدة ساعات لكل حالة من حالات المرضى، وذلك حسب تعقيد الورم، ويعوق هذا الاختناقات الدراسات السريرية الواسعة النطاق وتدفق العمل الفعال في الإدارات المعنية بالأوبك، وبالتالي، هناك حاجة ملحة إلى نماذج موثوقة وطرق التجزئة سريعة.

ولا يقتصر تجزؤ الأورام الدماغية الآلية باستخدام التعلم العميق على معالجة البحوث؛ بل ينطوي على آثار سريرية مباشرة، وييسر قياس حجم الأورام الكمية لتقييم الاستجابة للعلاج، ويساعد في التخطيط الجراحي بتحديد حدود الورم، ويدعم معالجة الأشعة، علاوة على ذلك يمكن إدماجها في نظم دعم القرارات السريرية لتوفير قياسات موضوعية تحسن نتائج قطاع التعلم الآلي في المستقبل.

نهج التعلم العميق

Convolutional Neural Networks (CNNs)

وقد أصبحت نماذج التعلم العميق، ولا سيما شبكات الزبيب العصبية الملتوية، حجر الزاوية في تجزؤ الصور الطبية، وعلى عكس أساليب التعلم الآلات التقليدية التي تتطلب هندسة خاصة باليد، تتعلم الشبكة التسلسلية للتمثيل من بيانات البكسل الخام، وتصاغ المهمة عادة كمشكلة لتصنيف الورم المزود بالغاز: كل علامة فرعية من نوع الورم في 3 دال.

وقد استخدمت النهج القائمة على شبكة الإنترنت في مرحلة مبكرة تصنيفاً من نوع الترقوة، ولكنها غير فعالة حسابياً وتعاني من فقدان السياق المكاني، وقد جاء هذا الانجاز مع بنية للترميز تجمع بين العينات (التدمير) لالتقاط سمات سامانية رفيعة المستوى وأخذ عينات (التدمير) لاستعادة حل مكاني.

"الشبكة" و"التغيير"

ويظل هيكل الشبكة، الذي بدأ العمل به أصلاً في مجال تجزؤ الصور الطبية البيولوجية، هو أكثر خطوط الأساس المعتمدة على نطاق واسع لمهام تجزؤ الأورام في الدماغ، حيث يتيح تصميمها المتسق للترميز مع ربطات النسيج التعلم الفعال للملامح المحلية والعالمية على السواء، ويتألف المحوسب من طبقات للثورة المتكررة يتبعها تجميع الأوكسجين، بينما يستخدم الشماس في عملية التفكك.

  • Attention U —Net:] Incorporates attention gates that focus on relevant regions while suppressing irrelevant background features. This improves segmentation of small or irregularly shaped tumor sub-regions.
  • Residual UNEet:] Utilizes residual blocks to enable training of deep networks without vanishing gradients, enhancing feature extraction capabilities.
  • nU-Net (no-new-U-Net): ] An automated framework that dynamically configures the network structure, pre processing, and post processing based on the dataset characteristics. It has consistently achieved top rankings in biomedical segmentation challenges, including the Brain Tumor Segmentation (BraTS) challenge.

وقد تم تكييف هذه المتغيرات التي تستخدم الشبكة لتعالج البيانات الجزئية من 3D بالاستعاضة عن 2D من المواثيق ب3D. 3D UNets)(

شبكة المعلومات وعلم الأعماق

وفي حين أن الشبكة العالمية مصممة لصورتين من طراز دى، فقد استحدثت شبكة VNEet خصيصا لتصنيع الصور الطبية الضخمة، وهي تستخدم جهازاً من أجهزة الترميز ثلاثي الأبعاد مع ما تبقى من وصلات وتستخدم وظيفة فقدان أقراص لتعظيم التداخل بين التجزؤ المتوقع وقطع الحقيقة الأرضية، وقد حقق هيكل شبكة VNet نجاحاً خاصاً في تجزؤ البروستات والرئة، ولكنه يطبق أيضاً على الأورام عندما تسمح بذلك قيود الذاكرة.

إن ديبميديك هو هيكل آخر ذو نفوذ يركز على التحليل المتعدد النطاقات، وهو يتألف من مسارين متوازيين للتجهيز: أحدهما يُعالج الصورة بشكل كامل والآخر يُجري عملية لوضع صيغة مخفضة العينات من أجل استيعاب سياق أكبر، وتُجمع النواتج على إنتاج الجزء النهائي، ويُوازن نظام أعماق البحار بفعالية بين التفاصيل المحلية والسياق العالمي دون الحاجة إلى شبكات عميقة جدا، مما يجعله يتسم بالكفاءة الحسابية.

الخسائر في الوظائف ومقاييس التقييم

ويؤثر اختيار وظيفة الخسارة تأثيراً كبيراً على الأداء النموذجي، ففي حالة تجزؤ الأورام الدماغية، حيث تكون مناطق الورم صغيرة في كثير من الأحيان مقارنة بالأنسجة الدماغية الصحية (اختلال التوازن في الدرجة)، قد تؤدي الخسارة المعيارية الشاملة إلى التنبؤات المتحيزة نحو الخلفية، ومن ثم فإن وظائف الخسارة المتخصصة تستخدم عادة:

  • Dice Loss:] Based on the Dice similarity coefficient (DSC), it measures overlap between prediction and ground truth. It is invariant to the absolute sizes of regions, mitigating class imbalance.
  • Generalized Dice Loss:] An extension that assigns class weights to handle multi-class imbalances, such as the different tumor sub-regions.
  • Focal Loss:] Adds a modulating factor to the cross-entropy loss that down- weights easy examples and focuses learning on hard, misclassified examples.
  • Boundary Loss:] A distance-based loss that penalizes boundary errors, improving contour accuracy.

وتشمل القياسات التقييمية عادةً درجة التداخل، ومسافة هاوسدورف لاتفاق الحدود، والدقة، والتذكر، والخصوصية، ويستخدم التحدي الذي يواجهه نظام براتس لقياس الدييس بالنسبة للورم بأكمله، وجوهر الورم، ويعزز الورم، إلى جانب مسافة هاوسدورف عند نسبة الـ 95 في المائة.

التحديات في مجال التنمية النموذجية

البيانات المشروحة المحدودة والمتوازنة

ومن أهم العقبات ندرة مجموعات البيانات المشروحة الكبيرة العالية الجودة، وشريط الأورام الدماغية في أحجام الرنين المغناطيسي الثلاثة هو كثيف العمالة ويتطلب أخصائيين في علم الإشعاع العصبي، كما أن مجموعة بيانات الأشعة المقطعية المتاحة للجمهور، التي تشمل أجهزة متعددة المؤسسات للأشعة المميتة، هي المعيار الفعلي لتحديد المعايير المرجعية، ولكنها لا تشمل سوى بضعة آلاف من الحالات.

ومن المسائل الرئيسية الأخرى، حيث أن البيكسات الورمية تشكل في شكل نموذجي من الرنين المغناطيسي جزءا صغيرا (يقل في كثير من الأحيان عن 10 في المائة من مساحة الدماغ)، بل إن المناطق الفرعية مثل الورم المحسن أصغر، وتميل النماذج التي يتم تدريبها على وظائف الخسارة القياسية إلى تجاهل صفوف الأقليات، مما يؤدي إلى تفكك هذه المناطق الفرعية الهامة من الناحية السريرية، مثل فقدان الوزن الزائد، وزيادة البيانات، وحلها بشكل كامل.

الفرق في التوحيد

وتختلف الأورام الدماغية اختلافا كبيرا في الحجم والشكل والموقع والكثافة وأنماط التعزيز المتناقضة، وكثيرا ما يُعرض ورم غلوبستات بتشكيلات غير نظامية، ونواة نكهة، وديما محيطة، وقد يكون الجليد منخفض المستوى أكثر انتشارا وأقل تعريفا جيدا، ويمكن أن تكون الأورام الفوقية متعددة وصغيرة، وهذا التغاير يجعل من الصعب وضع نموذج وحيد للتغذية على جميع أنواع الأورام.

Domain Shift Across Imaging Protocols

وتُحدث معايير اقتناء الرنين المتعدد الأطراف (مثلاً، القوة الميدانية، معايير التسلسل، الصانع) تقلباً في ظهور الصور، وكثيراً ما يؤدي نموذج مدرَّب على البيانات من جهاز مسح أو مؤسسة ما إلى درجة سيئة في البيانات من جهاز آخر، وهو ظاهرة معروفة بتحول النطاقات، كما أن التعري على المراكب، والتطبيع الكثيف، والتسجيل المشترك في نموذج موحد، هي خطوات التجهيز الأولي المعياري، ولكن لا يمكن أن تعوض تماماً عن الاختلافات في تقنيات البحث والضوضاءل.

مضيقاً حاسوبياً وذاكرياً

وقد يكون تجهيز كميات كاملة من أجهزة التصوير بالرنين المغناطيسي ذات المقياس 3D مع أجهزة البرمجيات العميقة مكثفاً من الناحية الحسابية، وقد يكون للشبكة الواحدة من ثلاثية الأبعاد أكثر من 50 مليون بارامتر، ويتطلب وحدات عالية الجودة من نوع GPUs ذات الذاكرة من 16 إلى 32، مما يحد من إمكانية الوصول إلى مجموعات البحوث الأصغر أو النشر السريري على المعدات القياسية.

نوعية الشروح وقابلية التبادل فيما بين المراقبين

وحتى بين الخبراء، هناك تفاوتات معتدلة إلى كبيرة في تجزئت الأورام الفرعية للدماغ، ولا سيما بالنسبة للحدود الأساسية للديما والورم، وهذا الغموض في الحقيقة الأرضية يخلق التزاماً بالغاً بالأداء القابل للتحقيق، وتدمج بعض الجهود التي بذلت مؤخراً عدم اليقين في مجال الشروح في التدريب النموذجي، باستخدام العلامات اللينة أو الشروح المتعددة لكل حالة، غير أن الافتقار إلى الحقيقة الثابتة لا يزال يشكل تحدياً للتدريب والتقييم.

آخر التطورات والاتجاهات المستقبلية

التعلم الذاتي وشبه المشرف

ولتخفيف الاعتماد على مجموعات البيانات المشروحة الكبيرة، اكتسبت أساليب التعلم التي تُشرف على نفسها، كما أن نماذج ما قبل المسافرين في سلك SSL على بيانات غير معلومة باستخدام مهام ذريعة تجبر الشبكة على تعلم عروض ذات معنى، أما بالنسبة للشبكة، فإن المهام المبررة مثل التعلم المتناقض، أو نماذج الصور المقنعة، أو إعادة بناء الطرائق المفقودة، قد أثبتت فعاليتها.

أجهزة تحويل الرؤية (ViTs) والنماذج الهجينة

وقد تم تكييف أجهزة التحويل، التي وضعت أصلا لتجهيز اللغات الطبيعية، لأداء مهام الرؤية الحاسوبية، بما في ذلك تقسيم الصور الطبية، وتستعمل نماذج مثل جهاز الأمم المتحدة للمسح التصويري (UNEt TRansformers) جهازاً متطوراً، يستخدم كمنوعة لاستخلاص المعاينات الطويلة المدى والسياق العالمي، وقد تفتقدهزئ هذه النماذج البرمجية ذات النوافذ المتحركة.

نماذج تشعب البيانات

وتُستخدم نماذج متجانسة، ولا سيما نماذج الانتشار، لخلق صور طبية اصطناعية لزيادة البيانات، ومن خلال إنتاج مسح واقعي للأشعة المقطعية بتشكيلات ومواقع ورم متحكم فيها، تعالج هذه النماذج ندرة البيانات واختلال التوازن في الطبقة، ويمكن الجمع بين الصور الاصطناعية وبين مجموعات متطورة تلقائيا أو استخدامها بطريقة مشرفة على الذات.

التكامل المتعدد الوسائط والتعددية

وقد استخدمت نماذج تجزؤ الأورام الدماغية عادة أربعة تسلسلات من الصور الملتقطة من الرنين المتعدد الأطراف (T1، T1، T2, FLAIR) كقنوات للمدخلات، وتستكشف العمل مؤخراً إدماج طرائق إضافية، مثل التصوير المقطعي للدموع، والتصوير المرجّع للعضّة، والنواتج المصورة للتوقعات المحتوية على الأورام، وذلك لتوفير معلومات تكميلية عن تسربات والصورات.

التفسير والتقدير غير المستقر

أما بالنسبة للقبول السريري، فيجب أن تكون النماذج شفافة وأن تنقل الثقة في توقعاتها، فتقنيات التفسير، مثل خرائط الصالة، وخرائط تقدير درجة الماجستير، والنسب المفاهيمية، تبرز المناطق التي تؤثر في قرار النموذج، ويمكن أن يؤدي تقدير عدم اليقين، باستخدام نظام مونت كارلو للتسرب أو أساليب التجمع، إلى الحد من موثوقية كل خطأ من أنواع العلاج من المواد المرتجلة.

الفصل الحقيقي ونشر المعلومات

وتحتاج نماذج التعلم العميق الحالية عادة إلى عدة ثوان لفصل حجم 3D على وحدة التقييم العالمي، أما بالنسبة للاستخدام في مجال التشغيل أو الإبلاغ الفوري، فيلزم تقصير أسرع، ويمكن أن تتيح تقنيات مثل القياس الكمي النموذجي (استخدام نصف الدقة FP16 أو INT8)، وتنظيم الشبكات، والتصميم الفعال (مثلاً، نماذج أجهزة الاستطلاع المتحركة ذات الحافة 3) أجهزة مبسطة للشبكة.

التعليم الموحد للتعاون في مجال الحفاظ على الخصوصية

والبيانات الطبية حساسة للغاية وتخضع لأنظمة خصوصية مثل برنامج العمل الوطني لمكافحة الإيدز والعدوى (HIPA) و(HIPR. Federated learning allows multiple institutions to collaboratively train a model without sharing patient data; only model updates are exchanged. Several large-scale initiatives, including the Federated Tumor Segmentation (FeTS) challenge, have demonstrated that federated models can achieve performance comparable to centrally trained models while maintaining data privacy.

الترجمة التحريرية والجنائية

وعلى الرغم من العديد من ورقات البحوث، لم يحصل سوى عدد قليل من أدوات التجزؤ الآلي على موافقة تنظيمية (علامة الوسم الخاص بمؤسسة الأغذية والزراعة أو شبكة CE)، فالترجمة من البحوث إلى الممارسة السريرية تتطلب التحقق الدقيق من البيانات الكبيرة والمتعددة المراكز، والإدماج في نظم تكنولوجيا المعلومات في المستشفيات (PACS، وDICOM)، والبيان العملي للجدوات التنظيمية لا تتطلب الدقة فحسب، بل أيضاً الدقة في تحديد الحالات، والتفسير، والكشف عن الفشل.

خاتمة

وقد أدت نماذج التعلم العميق إلى تقدم أساسي في مجال تجزؤ الأورام الآلية في الدماغ، وتحقيق الأداء الذي يتنافس الخبراء البشريين على مجموعات البيانات المرجعية، والتطور من البرمجيات البسيطة للشبكة إلى هياكل متطورة مثل شبكة U-Net، وV-Net، ومترجمي الصور البصرية إلى تحسين الدقة والقوة، غير أن التحديات المتصلة بشح البيانات، والتحولات في المجال، واختلال التوازن في الصفات، والقيود التي تستمد من الصبغة الحسابية، قد استمرت تدريجياً.

ومستقبل تجزؤ الأورام الدماغية الآلية يكمن في الاندماج السلس في سير العمل السريري، والاستعانة في الوقت الحقيقي، والنواتج القابلة للتفسير التي تعزز الثقة بين الأطباء، وبما أن النماذج تصبح أكثر قدرة على معالجة التقلبات المتأصلة في الأورام الدماغية، فإنها ستمكن من تحسين الرعاية الوراثية العصبية الشخصية والدقيقة، كما أن استمرار التعاون بين أفرقة البحوث ومراكز الإنتاج السريري والهيئات التنظيمية أمر أساسي لترجمة هذه الإنجازات التكنولوجية إلى أهداف روتينية.