التكنولوجيا الطبية · us
عندما تقل تفاصيل الصور الطبية، ما الذي يظل الذكاء الاصطناعي قادرًا على تمييزه؟ ستانفورد تختبر حدود قدرات النماذج الصغيرة
من الآفات الجلدية إلى صور الأشعة السينية للصدر، وجد إطار Med-REDUCE أن خفض دقة الصور يمكن أن يحافظ على معظم أداء التمييز، وأن النماذج الصغيرة تستطيع أيضًا مضاهاة النماذج الكبيرة. لكن تفاصيل الآفات الدقيقة قد تُفقد بسهولة أكبر، لذا يجب تحديد مدى التبسيط بحسب المهمة.
إذا كان للذكاء الاصطناعي في التصوير الطبي أن يصل إلى عيادات ذات موارد محدودة من الأجهزة والشبكات، فعليه، إلى جانب تمييز الأمراض، أن يجيب عن سؤال عملي: ما مستوى وضوح الصور وحجم النموذج اللازمان لتقديم قراءة مفيدة؟ استخدم فريق بحثي من جامعة ستانفورد إطار Med-REDUCE لدراسة هذين المتطلبين كلٍّ على حدة، ووجد أن النماذج تستطيع الاحتفاظ بمعظم قدرتها على التمييز في بعض مهام التصوير، حتى مع فقدان قدر كبير من التفاصيل، مما يوفر أساسًا بحثيًا لخفض متطلبات الحوسبة.
عرض قسم علوم البيانات الطبية الحيوية في ستانفورد هذه الدراسة في 5 نوفمبر؛ وكانت الورقة قد نُشرت إلكترونيًا في مجلة «Medical Image Analysis» في 23 سبتمبر. اختبر الفريق بصورة منفصلة أثر خفض دقة الصور وأثر تقليص حجم النماذج، وشملت الاختبارات طب الجلد، وعلم الأمراض النسيجي، والتصوير الإشعاعي. وتشمل البيانات المدرجة في مستودع الشيفرة العام صور الآفات الجلدية ISIC 2017، وصور الأشعة السينية للصدر CheXpert، وبيانات علم الأمراض من مشروع أطلس جينوم السرطان (TCGA). وتراوحت المهام بين تمييز الورم الميلانيني، والتفريق بين أنواع أورام الرئة والدماغ، والتنبؤ بطفرات KRAS وTP53 وEGFR؛ ولم تكن جميعها مهام لتشخيص السرطان.
في تجارب الدقة، ثبّت الباحثون أجزاء استخراج السمات في ثلاثة نماذج مدرَّبة مسبقًا، هي DINOv3 وViT-B/16 وBiomedCLIP، ثم اختبروا ما إذا كانت سمات الصور التي تستخرجها تدعم التصنيف. خُفِّضت الصور تدريجيًا من 512×512 إلى 64×64 بكسل، فأصبح إجمالي عدد البكسلات واحدًا من أربعة وستين من العدد الأصلي. وبحسب النموذج والمجال الطبي، انخفضت المساحة تحت منحنى خصائص تشغيل المستقبِل (AUROC) على مستوى المجال بمقدار تراوح بين 0.007 و0.043. يقيس AUROC قدرة النموذج على التمييز بين الفئات المختلفة؛ وتشير هذه النتائج إلى استقرار نسبي في الأداء العام للتمييز، لكنها لا تتيح استنتاج مقدار الزيادة في معدل الحالات التي يفوت تشخيصها مباشرةً.
واستخدمت مجموعة أخرى من التجارب «تقطير المعرفة» لتمكين نماذج طالبة أصغر من تعلّم سمات الصور التي تستخرجها نماذج معلّمة كبيرة. وعند الدقة الكاملة، شملت المقارنات 42 توليفة من النموذج المعلّم والمهمة والنموذج الطالب؛ وفي 39 منها، عادل أداء الطالب أداء المعلّم أو تجاوزه. أما الفروق في المقارنات المتبقية فلم تتجاوز 0.004 في AUROC، ووقعت ضمن نطاق التباين الناتج عن اختلاف البذور العشوائية. كما استطاعت النماذج الطالبة التي تضم نحو 21 مليونًا إلى 25 مليون معلمة مضاهاة النماذج المعلّمة ذات 86 مليون معلمة أو تجاوزها، مع تقليص عدد المعلمات إلى نحو الربع.
تدعم مجموعتا النتائج هاتان مسارين للتبسيط: إلى أي حد يمكن تقليل معلومات الصور، وما إذا كانت النماذج تستطيع إنجاز المهام باستخدام معلمات أقل. ولا تعنيان إثبات أن الجمع بين أدنى دقة وأصغر نموذج يحافظ على الأداء نفسه في جميع المهام. كذلك، لا يمكن تحويل انخفاض عدد المعلمات مباشرةً إلى خفض مماثل في استهلاك الطاقة أو زيادة مماثلة في السرعة؛ إذ تظل الفوائد الفعلية مرتبطة بالأجهزة وبنية النموذج وسير الاستخدام.
وتختلف أيضًا أهمية التفاصيل داخل الصور. فبحسب عرض ستانفورد للدراسة، يسهل نسبيًا تمييز تضخم القلب في صور الأشعة السينية للصدر عند الدقة المنخفضة، بينما تشكّل اضطرابات مثل استرواح الصدر، التي قد تتضمن علامات دقيقة، تحديًا أكبر. وهذا يذكّر الباحثين بأن الحفاظ الجيد على المؤشرات المتوسطة قد يخفي مع ذلك فقدان القدرة على رصد آفات محددة؛ ولتحديد إمكان خفض جودة الصور، يجب الرجوع إلى المرض المطلوب البحث عنه، والأخطاء التي تترتب عليها العواقب الأشد.
أتاح الفريق الشيفرة علنًا، واستخدم تقسيمات مشتركة للتدريب والاختبار وثلاث مجموعات من البذور العشوائية لدعم إعادة إنتاج النتائج. وقد تساعد الصور والنماذج الأصغر مستقبلًا في النقل عن بُعد والأجهزة المحمولة، لكن الأدلة الحالية ما زالت مستمدة من تقييم مضبوط على مجموعات بيانات قائمة، ولم تُحدَّد بعد درجة الجاهزية للاستخدام السريري. وللاستخدام في التشخيص والعلاج، لا يزال من الضروري التحقق من الموثوقية عبر أجهزة مختلفة وفئات متنوعة من المرضى، والتحقق من مخاطر تفويت التشخيص ضمن سير العمل الفعلي. وتكمن قيمة هذا العمل في توفير مقياس قابل للاختبار لتبسيط الذكاء الاصطناعي الطبي، وجعل تحديد التفاصيل التي لا يمكن الاستغناء عنها سؤالًا يجب الإجابة عنه في الخطوة التالية.