متابعة – أمل علوي
طور باحثون في معهد ماساتشوستس للتكنولوجيا (MIT) نظاماً جديداً قائماً على الذكاء الاصطناعي من شأنه إحداث طفرة في مجال البحث الطبي والسريري، عبر تسريع عملية تحليل الصور الطبية الحيوية بشكل غير مسبوق، مما يفتح آفاقاً جديدة لدراسة الأمراض وتطوير العلاجات.
التحدي القديم: إهدار الوقت والجهد في التجزئة اليدوية
تشكل عملية ترميز وتحديد المناطق ذات الأهمية في الصور الطبية، والمعروفة باسم “التجزئة” (Segmentation)، الخطوة الأولى والأكثر تعقيداً في العديد من الدراسات السريرية الجديدة. فعلى سبيل المثال، لدراسة كيفية تغير حجم الحُصين في الدماغ مع تقدم المرضى في العمر، يتعين على الباحث أولاً تحديد وتخطيط كل حصين يدوياً في سلسلة من فحوصات الدماغ. غالباً ما تكون هذه العملية يدوية بالكامل وتستغرق وقتاً طويلاً، خاصة عندما تكون الهياكل المراد دراستها صعبة التحديد.
الحل الثوري: MultiverSeg
لتبسيط هذه العملية، ابتكر الباحثون في MIT نظاماً للذكاء الاصطناعي يتيح للباحث تجزئة مجموعات جديدة من الصور الطبية الحيوية بسرعة فائقة، من خلال النقر والخربشة ورسم مربعات على الصور. يقوم هذا النموذج الجديد باستخدام هذه التفاعلات للتنبؤ بالتجزئة المطلوبة.
تكمن قوة النظام، الذي أطلق عليه اسم MultiverSeg، في قدرته على التعلم من كل صورة يقوم المستخدم بمعالجتها. فمع قيام المستخدم بتمييز المزيد من الصور، يقل عدد التفاعلات المطلوبة منه، لينخفض في النهاية إلى الصفر. عند هذه النقطة، يصبح النموذج قادراً على تجزئة كل صورة جديدة بدقة دون الحاجة إلى أي مدخلات من المستخدم.
ميزات فريدة تتفوق على الأنظمة الحالية
يتميز MultiverSeg بعدة خصائص تجعله أداة استثنائية:
التعلم السياقي: تم تصميم بنية النموذج خصيصاً لاستخدام المعلومات من الصور التي تم تجزئتها بالفعل كمرجع للتنبؤات الجديدة، على عكس النماذج الأخرى التي تتطلب تكرار العمل لكل صورة.
لا حاجة للتدريب المسبق: لا تتطلب الأداة التفاعلية وجود مجموعة بيانات مُجزأة مسبقاً للتدريب، مما يعني أن المستخدمين لا يحتاجون إلى خبرة في التعلم الآلي أو موارد حاسوبية ضخمة.
المرونة والتكيف: يمكن استخدام النظام لمهام تجزئة جديدة دون الحاجة إلى إعادة تدريبه، مما يجعله أداة شاملة لمختلف التطبيقات.
تأثيرات مُحتملة على المستقبل الطبي
على المدى الطويل، يمكن لهذه الأداة أن:
تسرع بشكل كبير وتيرة الدراسات الخاصة بأساليب العلاج الجديدة.
تخفض التكلفة الإجمالية للتجارب السريرية والأبحاث الطبية.
تستخدم من قبل الأطباء لتحسين كفاءة التطبيقات السريرية، مثل تخطيط العلاج الإشعاعي.
شهادات من قلب الفريق البحثي
قالت هالي وونغ، طالبة الدراسات العليا في الهندسة الكهربائية وعلوم الكمبيوتر والمؤلفة الرئيسية للورقة البحثية: “قد يكون لدى العديد من العلماء الوقت لتجزئة بضع صور فقط يومياً لأبحاثهم لأن التجزئة اليدوية للصور تستغرق وقتاً طويلاً. نأمل أن يتيح هذا النظام علوماً جديدة من خلال السماح للباحثين السريريين بإجراء الدراسات التي كانوا محرومين منها سابقاً بسبب عدم وجود أداة فعالة”.
أداء متفوق في الاختبارات
أظهر MultiverSeg أداءً متفوقاً عند مقارنته بأحدث أدوات التجزئة السياقية والتفاعلية. فبحلodge الصورة التاسعة، احتاج فقط إلى نقرتين من المستخدم لتوليد تجزئة أكثر دقة من نموذج مصمم خصيصاً للمهمة. بالنسبة لبعض أنواع الصور، مثل الأشعة السينية، قد يحتاج المستخدم إلى تجزئة صورة واحدة أو اثنتين فقط يدوياً قبل أن يصبح النموذج دقيقاً بما يكفي للعمل بمفرده.
هذا المحتوى تم باستخدام أدوات الذكاء الاصطناعي.
