Medical Image Analysis

تحليل الصور الطبية هو استخدام الرؤية الحاسوبية (CV) والذكاء الاصطناعي (AI) لاستخراج معلومات مفيدة سريريًا من الصور الطبية: كالكشف عن نتائج مثل عقيدات الرئة أو الكسور، وتحديد حدود الأعضاء والأورام، وقياسها بمرور الوقت، وتصنيف الأمراض. ويعمل هذا التحليل على صور الأشعة السينية والتصوير المقطعي المحوسب والرنين المغناطيسي والموجات فوق الصوتية والتصوير المقطعي بالإصدار البوزيتروني، وصور الشبكية، ومقاطع التنظير الداخلي، وشرائح علم الأمراض الرقمية. وهو خطوة التفسير التي تأتي بعد التصوير الطبي، أي بعد الماسحات الضوئية وطرق إعادة البناء التي تنتج الصور. وتخضع أدوات التحليل السريري للتنظيم بوصفها أجهزة طبية، وتضم القائمة العامة للأجهزة الطبية المدعومة بالذكاء الاصطناعي لدى FDA أكثر من ألف ترخيص بكثير، يقع معظمها ضمن الأشعة.

آلية عمل تحليل الصور الطبية#

تصل الصور الطبية بتنسيق DICOM، الذي يخزن بيانات البكسل إلى جانب بيانات وصفية مثل معرّفات المرضى وإعدادات الماسح الضوئي والمسافة بين الشرائح. وتعتمد المعالجة المسبقة على نوع التصوير. فقيم البكسل في التصوير المقطعي المحوسب هي وحدات هاونسفيلد معايرة، لذا تحول «نافذة» الرئة أو العظام نطاق الشدة المناسب إلى مدخلات النموذج، بينما لا تملك شدات الرنين المغناطيسي مقياسًا ثابتًا، ولذلك تُطبّع كل عملية مسح على حدة. وينتج التصوير المقطعي المحوسب والرنين المغناطيسي أحجامًا ثلاثية الأبعاد تضم مئات الشرائح، تعالجها النماذج شريحةً تلو الأخرى أو على هيئة أحجام، كما تصل شرائح علم الأمراض الرقمية إلى مليارات البكسلات، لذا تُقسّم إلى رقع وتُعالج باستخدام التعلّم متعدد المثيلات عندما لا تتوفر سوى تسميات على مستوى الشريحة.

المهام الأساسية هي مهام الرؤية القياسية المطبّقة على التشريح:

• تصنيف الصور: يسند تسمية إلى صورة كاملة، مثل تحديد ما إذا كانت صورة الشبكية تُظهر اعتلال الشبكية السكري الذي يستدعي الإحالة.
• اكتشاف الأجسام: يرسم صناديق حول نتائج مثل العقيدات والكسور أو سلائل القولون، ما يوجه نظر الطبيب.
• تجزئة الصور: يضع تسمية لكل بكسل أو فوكسل لتحديد حدود الأعضاء والأورام بهدف قياس الحجم والتخطيط للعلاج الإشعاعي.
• مطابقة الصور: تحاذي عمليات المسح للمريض نفسه التي أُجريت في أوقات مختلفة أو بطرائق تصوير مختلفة، بحيث يمكن قياس التغيرات.

صُممت بنية U-Net للتجزئة الطبية الحيوية عام 2015، وتضبط nnU-Net مسارات U-Net تلقائيًا لمجموعات البيانات الجديدة، كما تجمع أطر عمل مفتوحة المصدر مثل MONAI هذه المهام مع أدوات تحميل البيانات والتحويلات المخصصة للبيانات الطبية.

يتبع الضبط الدقيق لكاشف على صور ممسوحة ضوئيًا وموسومة سير العمل نفسه المستخدم في أي مجال آخر: تربط مجموعة بيانات أورام الدماغ من Ultralytics شرائح التصوير بالرنين المغناطيسي بمربعات الأورام، ويؤدي تدريب Ultralytics YOLO26 عليها إلى إنتاج نموذج يحدد مناطق الأورام في الشرائح الجديدة:

from ultralytics import YOLO

# ⁨اضبط بدقة كاشف YOLO26 المدرّب مسبقًا على COCO باستخدام شرائح رنين مغناطيسي للدماغ موسومة⁩
model = YOLO("yolo26n.pt")
model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# ⁨اكتشف مناطق الأورام في شريحة رنين مغناطيسي جديدة⁩
results = model("https://ultralytics.com/assets/brain-tumor-sample.jpg")
result = results[0]

# ⁨احفظ الشريحة مع الصناديق المتوقعة ودرجات الثقة⁩
result.save(filename="brain_tumor_result.jpg")

التطبيقات في الرعاية الصحية#

أحد الأنماط الشائعة الاستخدام هو الفرز. فالبرنامج الذي يشير إلى اشتباه بنزف دماغي أو سكتة دماغية ناجمة عن انسداد وعاء كبير في التصوير المقطعي المحوسب يرفع الدراسة إلى أعلى قائمة عمل اختصاصي الأشعة، وتؤدي القراءة النهائية للاختصاصي دورًا إضافيًا في التحقق من النموذج:

تشمل الاستخدامات الراسخة الأخرى الفحص والتخطيط للعلاج والإجراءات الطبية:

• الفحص: في تجربة MASAI العشوائية في السويد، كشف فحص الثدي المدعوم بالذكاء الاصطناعي عن سرطانات أكثر بنسبة 29% مقارنة بالقراءة المزدوجة المعتادة، دون زيادة النتائج الإيجابية الكاذبة، وخفّض عبء قراءة الصور على اختصاصيي الأشعة بنسبة 44%. وفي عام 2018، أصبح IDx-DR أول جهاز معتمد من FDA يقدم قرارًا بشأن الفحص، لاعتلال الشبكية السكري، من دون أن يفسر الطبيب الصورة.
• علم الأورام: تحدد نماذج التجزئة حدود الأورام والأعضاء المعرضة للخطر للتخطيط للعلاج الإشعاعي، وتقيس حجم الورم عبر عمليات المسح اللاحقة.
• علم الأمراض: تفحص النماذج صور الشرائح الكاملة للكشف عن السرطان، وفي عام 2021، أصبح Paige Prostate أول برنامج ذكاء اصطناعي تعتمده FDA للكشف عن السرطان في شرائح خزعات البروستاتا.
• التنظير الداخلي: تبرز الكواشف الآنية السلائل أثناء تنظير القولون، وأصبح GI Genius أول جهاز ذكاء اصطناعي من هذا النوع تعتمده FDA، في عام 2021.

التحديات والاعتبارات#

• التسميات التي يضعها الخبراء: يتطلب وضع التعليقات التوضيحية اختصاصيي الأشعة أو علماء الأمراض، ويختلف الخبراء في الحالات الصعبة، لذلك تكون مجموعات البيانات الموسومة صغيرة ومكلفة.
• التحول بين المجالات والتعلّم بالاختصارات: تختلف الماسحات الضوئية والبروتوكولات ومجموعات المرضى بين المستشفيات. ووجدت دراسة أُجريت عام 2018 أن مصنفات الالتهاب الرئوي المدرّبة على صور أشعة الصدر أمكنها تحديد المستشفى الذي جاءت منه الصورة، وكان أداؤها أسوأ على صور الأشعة من مستشفيات لم تشملها بيانات التدريب.
• التحيز في الذكاء الاصطناعي: يكون أداء النماذج المدرّبة على مجموعات مرضى غير ممثلة ضعيفًا لدى الفئات التي لا تمثلها هذه المجموعات بما يكفي.
• قابلية التفسير: تساعد الخرائط الحرارية والتفسيرات الأخرى الأطباء على التحقق مما اعتمد عليه النموذج قبل الوثوق بمخرجاته.
• الخصوصية والتعلّم الاتحادي: تخضع بيانات المرضى لقانون HIPAA في الولايات المتحدة ولائحة GDPR في أوروبا، ويجب إزالة معلومات الهوية من ترويسات DICOM والنصوص المضمنة في الصور، كما يدرّب التعلّم الاتحادي النماذج عبر المستشفيات من دون تجميع بيانات المرضى.
• التنظيم والتحديثات: تتطلب التغييرات الجوهرية التي تطرأ على نموذج معتمد عادةً تقديم طلب تنظيمي جديد. وتتيح الإرشادات النهائية التي أصدرتها FDA في ديسمبر 2024 بشأن خطط التحكم المسبق بالتغييرات للمصنّعين تحديد تحديثات النموذج المخطط لها، وكيفية التحقق من صحتها، ضمن الطلب الأصلي.