نظام ذكاء اصطناعي متطور لتسريع عملية تمييز المناطق ذات الأهمية في الصور الطبية
مقدمة
تُعدّ عملية تمييز المناطق ذات الأهمية (التجزئة) في الصور الطبية من الخطوات الأولية في العديد من البحوث السريرية التي تعتمد على الصور الطبية الحيوية. فعلى سبيل المثال، لتحديد كيفية تغير حجم قرن آمون في الدماغ مع تقدم العمر لدى المرضى، يقوم الباحث أولاً بتحديد حدود كل قرن آمون في سلسلة من صور الدماغ المقطعية. وتُعد هذه العملية يدوية في كثير من الأحيان، مما يستغرق وقتًا طويلًا، خاصةً إذا كانت المناطق قيد الدراسة صعبة التحديد.
نظام MultiverSeg: حلٌّ مبتكر لتسريع عملية التجزئة
للتغلب على هذه المشكلة، طوّر باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) نظامًا قائمًا على الذكاء الاصطناعي يُمكّن الباحث من تجزئة مجموعات بيانات جديدة من الصور الطبية الحيوية بسرعة عن طريق النقر، والكتابة، ورسم المربعات على الصور. يستخدم هذا النموذج الجديد للذكاء الاصطناعي هذه التفاعلات للتنبؤ بالتجزئة.
مع زيادة عدد الصور التي يقوم المستخدم بتمييزها، يقل عدد التفاعلات اللازمة، حتى يصل إلى الصفر في النهاية. وبالتالي، يمكن للنموذج تجزئة كل صورة جديدة بدقة دون تدخل المستخدم. ويعود ذلك إلى تصميم بنية النموذج خصيصًا لاستخدام المعلومات من الصور التي تم تجزئتها بالفعل لإجراء تنبؤات جديدة.
المزايا الرئيسية لنظام MultiverSeg
- الكفاءة العالية: يُمكّن النظام المستخدم من تجزئة مجموعة بيانات كاملة دون تكرار العمل لكل صورة على حدة، على عكس نماذج تجزئة الصور الطبية الأخرى.
- سهولة الاستخدام: لا يتطلب النظام وجود مجموعة بيانات مُجزّأة مسبقًا للتدريب، وبالتالي لا يحتاج المستخدمون إلى خبرة في تعلم الآلة أو موارد حاسوبية مكثفة. يمكن استخدام النظام لمهمة تجزئة جديدة دون إعادة تدريب النموذج.
- القدرة على التعلم المتزايد: يُحسّن النظام من دقته تدريجيًا مع كل صورة جديدة يتم تمييزها، اعتمادًا على التفاعلات السابقة.
- الأداء المتفوق: فقد تفوق النظام على أدوات التجزئة التفاعلية والمتزامنة الأخرى المتطورة في الدقة مع أقل عدد من التفاعلات من قبل المستخدم.
المقارنة مع الأساليب التقليدية
يستخدم الباحثون بشكل أساسي طريقتين لتجزئة مجموعات جديدة من الصور الطبية:
- التجزئة التفاعلية: يدخل المستخدم صورة في نظام ذكاء اصطناعي ويستخدم واجهة لتمييز مناطق الاهتمام. يتنبأ النموذج بالتجزئة بناءً على هذه التفاعلات. لكن هذه الطريقة تتطلب تكرار العملية لكل صورة جديدة.
- نماذج الذكاء الاصطناعي المخصصة للمهمة: تتطلب هذه الطريقة من المستخدم تجزئة مئات الصور يدويًا لإنشاء مجموعة بيانات، ثم تدريب نموذج تعلم آلي. لكن هذه العملية معقدة وتتطلب إعادة البدء من الصفر لكل مهمة جديدة.
يُجمع نظام MultiverSeg بين أفضل ما في كلتا الطريقتين، حيث يتنبأ بالتجزئة بناءً على تفاعلات المستخدم، ولكنه يحتفظ أيضًا بكل صورة مُجزّأة في مجموعة سياقية مرجعية.
النتائج
أظهرت التجارب أن نظام MultiverSeg يتفوق على أدوات التجزئة المتطورة الأخرى من حيث الدقة وسرعة العمل. فقد حقق النظام دقة 90% تقريبًا باستخدام ثلثي عدد الخطوط وثلثي عدد النقرات اللازمة في النظام السابق.
الخلاصة والتطوير المستقبلي
يُساهم نظام MultiverSeg بشكل كبير في تسريع البحوث السريرية وتقليل تكلفة التجارب السريرية. ويسعى الباحثون إلى اختبار هذا النظام في بيئات حقيقية مع المتعاونين في المجال السريري وتحسينه بناءً على آراء المستخدمين، بالإضافة إلى تمكين MultiverSeg من تجزئة الصور الطبية ثلاثية الأبعاد.
التمويل
تم دعم هذا العمل جزئيًا من قبل Quanta Computer, Inc. والمعاهد الوطنية للصحة، مع دعمٍ للأجهزة من مركز ماساتشوستس للعلوم الحيوية.
اترك تعليقاً