Fact-checked
х

تتم مراجعة جميع محتويات iLive طبياً أو التحقق من حقيقة الأمر لضمان أكبر قدر ممكن من الدقة الواقعية.

لدينا إرشادات صارمة من مصادرنا ونربط فقط بمواقع الوسائط ذات السمعة الطيبة ، ومؤسسات البحوث الأكاديمية ، وطبياً ، كلما أمكن ذلك استعراض الأقران الدراسات. لاحظ أن الأرقام الموجودة بين قوسين ([1] و [2] وما إلى ذلك) هي روابط قابلة للنقر على هذه الدراسات.

إذا كنت تشعر أن أيًا من المحتوى لدينا غير دقيق أو قديم. خلاف ذلك مشكوك فيه ، يرجى تحديده واضغط على Ctrl + Enter.

سيتمكن أطباء الأشعة من استخدام الذكاء الاصطناعي للكشف عن أورام الدماغ في المستقبل القريب

،محرر طبي
آخر مراجعة: 02.07.2025
نشرت: 2024-11-19 11:43

تشير ورقة بحثية بعنوان "التعلم العميق ونقل التعلم للكشف عن أورام الدماغ وتصنيفها"، نُشرت في مجلة " طرق وبروتوكولات علم الأحياء" ، إلى أن العلماء قادرون على تدريب نماذج الذكاء الاصطناعي للتمييز بين أورام الدماغ والأنسجة السليمة. وتستطيع نماذج الذكاء الاصطناعي بالفعل اكتشاف أورام الدماغ في صور الرنين المغناطيسي بكفاءة تقارب كفاءة أخصائي الأشعة البشري.

حقق الباحثون تقدمًا مطردًا في تطبيق الذكاء الاصطناعي في الطب. يُعدّ الذكاء الاصطناعي واعدًا بشكل خاص في مجال الأشعة، حيث قد يؤدي انتظار الفنيين لمعالجة الصور الطبية إلى تأخير علاج المرضى. تُعد الشبكات العصبية التلافيفية أدوات فعّالة تُمكّن الباحثين من تدريب نماذج الذكاء الاصطناعي على مجموعات كبيرة من الصور للتعرف عليها وتصنيفها.

بهذه الطريقة، تستطيع الشبكات "التعلم" التمييز بين الصور. كما تتمتع بالقدرة على "نقل التعلم". يستطيع العلماء إعادة استخدام نموذج مُدرّب لمهمة واحدة في مشروع جديد ولكنه ذو صلة.

وعلى الرغم من أن اكتشاف الحيوانات المموهة وتصنيف أورام المخ يتضمن أنواعًا مختلفة جدًا من الصور، فقد اقترح الباحثون وجود توازٍ بين حيوان يختبئ بفضل التمويه الطبيعي ومجموعة من الخلايا السرطانية التي تمتزج مع الأنسجة السليمة المحيطة.

إن عملية التعميم المُكتسبة - أي تجميع أجسام مختلفة تحت مُعرّف واحد - مهمة لفهم كيفية كشف الشبكة للأجسام المُموّهة. وقد يكون هذا التعلّم مفيدًا بشكل خاص في الكشف عن الأورام.

في هذه الدراسة الاسترجاعية لبيانات التصوير بالرنين المغناطيسي المتاحة للعامة، فحص الباحثون كيفية تدريب نماذج الشبكة العصبية على بيانات سرطان الدماغ، مما أدى إلى تقديم خطوة تعلم نقل فريدة من نوعها لاكتشاف الحيوانات المقنعة لتحسين مهارات اكتشاف الورم في الشبكة.

وباستخدام صور الرنين المغناطيسي من مصادر بيانات السرطان المتاحة على الإنترنت، وصور التحكم لأدمغة صحية (بما في ذلك Kaggle، وأرشيف صور السرطان التابع للمعهد الوطني للصحة، ونظام الصحة التابع لإدارة شؤون المحاربين القدامى في بوسطن)، قام الباحثون بتدريب الشبكات على التمييز بين صور الرنين المغناطيسي الصحية والسرطانية، وتحديد المنطقة المصابة بالسرطان، والمظهر النموذجي للسرطان (نوع الورم السرطاني).

وجد الباحثون أن الشبكات كانت شبه مثالية في تحديد صور الدماغ الطبيعية مع وجود نتيجة سلبية خاطئة واحدة أو اثنتين فقط، وفي التمييز بين الأدمغة السرطانية والسليمة. أظهرت الشبكة الأولى دقة متوسطة بلغت 85.99% في الكشف عن سرطان الدماغ، بينما بلغت دقة الشبكة الثانية 83.85%.

من أهم سمات الشبكة تعدد طرق تفسير قراراتها، مما يزيد من ثقة المتخصصين الطبيين والمرضى بها. غالبًا ما تفتقر النماذج العميقة إلى الشفافية الكافية، ومع ازدياد نضج هذا المجال، تكتسب القدرة على تفسير قرارات الشبكات أهمية متزايدة.

بفضل هذا البحث، تستطيع الشبكة الآن توليد صور تُظهر مناطق محددة في تصنيف الورم كإيجابي أو سلبي. سيسمح هذا لأخصائيي الأشعة بمقارنة قراراتهم بنتائج الشبكة، مما يزيد من الثقة، كما لو كان هناك أخصائي أشعة "روبوتي" آخر قريب يُشير إلى منطقة التصوير بالرنين المغناطيسي التي تُشير إلى وجود ورم.

وفي المستقبل، يعتقد الباحثون أنه سيكون من المهم التركيز على إنشاء نماذج شبكية عميقة يمكن وصف قراراتها بطرق بديهية حتى تتمكن الذكاء الاصطناعي من لعب دور داعم شفاف في الممارسة السريرية.

على الرغم من صعوبة التمييز بين أنواع أورام الدماغ في جميع الحالات بين الشبكات، إلا أنه كان من الواضح وجود اختلافات جوهرية في كيفية تمثيل البيانات داخل الشبكة. وقد تحسنت الدقة والوضوح مع تدريب الشبكات على تمييز التمويه. وقد أدى التعلم الانتقالي إلى زيادة الدقة.

على الرغم من أن أفضل نموذج مُختَبَر كان أقل دقةً بنسبة 6% من دقة الكشف البشري القياسي، إلا أن الدراسة تُظهِر بنجاح التحسن الكمي المُحقق من خلال نموذج التعلم هذا. ويعتقد الباحثون أن هذا النموذج، إلى جانب التطبيق الشامل لأساليب التفسير، سيساعد في تحقيق الشفافية اللازمة لأبحاث الذكاء الاصطناعي السريرية المستقبلية.

وقال المؤلف الرئيسي للدراسة، آراش يزدانبخش، "إن التقدم في مجال الذكاء الاصطناعي يجعل من الممكن اكتشاف الأنماط والتعرف عليها بدقة أكبر".

هذا بدوره يُحسّن التشخيص والفحص القائم على الصور، ولكنه يتطلب أيضًا مزيدًا من التوضيح حول كيفية أداء الذكاء الاصطناعي للمهمة. إن السعي نحو قابلية الذكاء الاصطناعي للشرح يُحسّن التفاعلات بين الإنسان والذكاء الاصطناعي بشكل عام. وهذا مهم بشكل خاص بين المهنيين الطبيين والذكاء الاصطناعي المُصمم للأغراض الطبية.

"إن النماذج الواضحة والقابلة للتفسير تكون أكثر ملاءمة لمساعدة التشخيص، وتتبع تقدم المرض، ومراقبة العلاج."


لا توفر بوابة iLive المشورة الطبية أو التشخيص أو العلاج.
المعلومات المنشورة على البوابة هي للإشارة فقط ولا يجب استخدامها بدون استشارة أخصائي.

اقرأ القواعد والسياسات للموقع بعناية. يمكنك أيضًا الاتصال بنا !

حقوق الطبع والنشر © 2011 - 2025 iLive. جميع الحقوق محفوظة.