→ العودة إلى الصفحة الرئيسية

ذكاء اصطناعي دُرّب على أرشيف صور المستشفى يقرّب تشخيص التصوير العصبي من الواقع السريري

ينقل NeuroVFM محور تدريب النماذج من بيانات الإنترنت العامة إلى موقع الرعاية الطبية؛ وتشير نتائجه إلى أن صور MRI وCT التي تتراكم يوميًا في المستشفيات قد تكون أقرب إلى الأسئلة الجوهرية في التشخيص الإشعاعي من نماذج الإنترنت الأكبر حجمًا.

By SURL BioNews

عندما يدخل الذكاء الاصطناعي مجال التصوير الطبي، لا تكون الصعوبة الحقيقية غالبًا في رؤية صورة توضيحية واضحة، بل في فهم فحوصات متغيرة بشدة، متفاوتة الجودة، وقد تكون الآفات فيها أحيانًا دقيقة للغاية، داخل مستشفى مزدحم. ودراسة NeuroVFM المنشورة حديثًا في مجلة Nature Medicine تضع هذه المسألة في قلب النقاش: إذا تعلّم النموذج مباشرة من صور MRI وCT التي تراكمت في نظام صحي على مدى سنوات، فهل يمكن أن يفهم التصوير العصبي أفضل من النماذج التي تعتمد على صور الإنترنت العامة أو الإشراف النصي من تقارير الأشعة؟

NeuroVFM، الذي طرحه فريق البحث، هو نموذج أساس بصري عام للتصوير العصبي. ووفقًا للورقة البحثية وبيانات النموذج الرسمية، دُرّب النموذج على بيانات ناتجة عن الرعاية الروتينية في Michigan Medicine لأكثر من 20 عامًا، بحجم يقارب 566,915 فحصًا، وبإجمالي 5.24 مليون حجم ثلاثي الأبعاد من صور MRI وCT، تشمل فحوصات الدماغ والرأس والعنق والوجه والحجاج. لم تُنظّم هذه البيانات بعناية لمسابقة أو كتاب تعليمي، بل جاءت من الممارسة السريرية اليومية، ولذلك فهي أقرب إلى الضجيج وسير العمل وذيل الأمراض الطويل الذي يواجهه اختصاصيو الأشعة فعليًا.

تقنيًا، يستخدم NeuroVFM بنية تنبؤ حجمية بالتضمين المشترك تُسمى Vol-JEPA، بما يتيح للنموذج تعلّم تمثيلات التشريح العصبي والآفات داخل الصور ثلاثية الأبعاد، بدل الاكتفاء بمطابقة الصور مع التقارير النصية. وتشير الدراسة إلى أن النموذج يستطيع تضمين CT وMRI في فضاء كامن مشترك للتشريح العصبي، ثم توصيل رؤوس مهام مختلفة في مهام التشخيص اللاحقة؛ كما تسرد المستودعات الرسمية مكونات بحثية مثل مُرمّز 3D Vision Transformer، ورؤوس تشخيص MRI وCT، وسير عمل لنموذج لغوي يولّد الموجودات التصويرية.

في التحقق، استخدمت الدراسة بيانات فحوص سريرية محفوظة زمنيًا وعدة اختبارات معيارية عامة، شملت التصنيف التشخيصي في CT وMRI، وتوليد التقارير، وفرز درجة الإلحاح، وتفضيلات الخبراء. وتذكر الورقة أن NeuroVFM حقق AUROC إجماليًا يقارب أكثر من 92 نقطة عبر 156 مهمة تشخيصية، وتفوق على عدة خطوط أساس للمقارنة، بما فيها نماذج استخدمت هي أيضًا بيانات نظام صحي لكنها دُرّبت بإشراف التقارير أو بأهداف إعادة البناء، ونماذج دُرّبت على بيانات بحجم الإنترنت أو على بيانات بصرية-لغوية حيوية طبية. لا تعني هذه المقارنات أن النموذج أصبح قادرًا على تشخيص المرضى بصورة مستقلة، لكنها توضّح أن المصدر السريري لبيانات التدريب وهدف التعلّم من الصور ثلاثية الأبعاد قد يؤثران معًا في ما يستطيع النموذج تعلّمه.

توليد التقارير هو جزء أقرب إلى سير العمل السريري، وأكثر عرضة أيضًا للأخطاء. جعل فريق البحث NeuroVFM يعمل كوحدة إدراك بصري، مقترنة بنموذج لغوي مفتوح المصدر لإنتاج الموجودات في صور الأشعة، ثم استخدم نموذجًا لغويًا وخبراء سريريين لتقييم درجة الإلحاح والصحة والتفضيل. وتقول الورقة إن التقارير التي ولّدها NeuroVFM أظهرت عددًا أقل من الموجودات المختلقة والأخطاء الجسيمة، كما فضّل الخبراء مخرجاته في التقييم؛ ويؤكد عرض مختبر MLiNS في جامعة ميشيغان كذلك أداءه في التحديد البصري والفرز وتقليل الهلوسة.

تكمن الأهمية الطبية الحيوية لهذه الدراسة في أنها تجعل العبارة الشائعة «الذكاء الاصطناعي الطبي يحتاج إلى بيانات سريرية» أكثر تحديدًا. فالتصوير العصبي غالبًا ما يتضمن بنى وجهية قابلة للتعرّف، وحجم البيانات العامة محدود، وحتى نماذج الإنترنت الضخمة قد لا تكون رأت عددًا كافيًا من تباينات MRI وCT في المستشفيات الحقيقية. ويُظهر NeuroVFM أنه إذا أمكن استخدام بيانات داخلية من النظام الصحي ضمن أطر الامتثال وحماية الخصوصية، فقد لا تضطر نماذج الأساس الطبية إلى نسخ مسار الذكاء الاصطناعي العام بالكامل، ذلك المسار المعتمد على التوسع عبر بيانات الإنترنت العامة.

القيود واضحة بالقدر نفسه. تبيّن بطاقة النموذج الرسمية على Hugging Face أن مُرمّز NeuroVFM متموضع كمستخرج سمات مجمّد لأغراض بحثية، وليس جهازًا تشخيصيًا، ولم يحصل على موافقة FDA، ويجب أن يؤكد العاملون السريريّون مخرجاته. وتأتي بيانات تدريبه الرئيسية من نظام طبي أكاديمي كبير واحد، ورغم أن الدراسة تضمّنت اختبارات خارجية ومعايير عامة، فإن ثباته عبر دول مختلفة، ومعدات مستشفيات مختلفة، وبنى سكانية مختلفة، وسير عمل سريري مختلف، لا يزال يحتاج إلى تحقق استباقي ومتعدد المراكز وعلى المستوى التنظيمي.

### سياق الخلفية

غالبًا ما تقف مناقشات الذكاء الاصطناعي الطبي الحيوي الحديثة عند تصميم الأدوية أو ما إذا كانت النماذج اللغوية الكبيرة قادرة على تقصير مسار البحث والتطوير؛ أما NeuroVFM فيعيد التركيز إلى قراءة الصور، وهي من أكثر مهام موقع الرعاية الطبية كثافة، ومن أكثرها حاجة إلى حدود واضحة للمسؤولية. إنه ليس إعلانًا بإخراج اختصاصيي الأشعة من سير العمل، بل يطرح سؤالًا أكثر عملية: عندما يتعلم النموذج من خبرة المستشفى نفسه في الصور، هل يمكن أن يصبح قارئًا ثانيًا أكثر موثوقية، أو أداة فرز، أو نظامًا لمسودات التقارير، وكيف ينبغي مراجعة هذه الاستخدامات ونشرها وتتبعها؟

References

  1. Nature Medicine
  2. arXiv
  3. GitHub / MLNeurosurg
  4. Hugging Face / Machine Learning in Neurosurgery Lab
  5. University of Michigan MLiNS Lab