الذكاء الاصطناعي يحقق دقة عالية في تقسيم أورام الكبد

سرطان الكبد هو سادس أكثر أنواع السرطان شيوعًا عالميًّا، وهو أحد الأسباب الرئيسية للوفيات المرتبطة بالسرطان.

يُعدّ التقسيم الدقيق لأورام الكبد خطوةً حاسمةً في إدارة المرض، إلا أن التقسيم اليدوي الذي يقوم به أخصائيو الأشعة يتطلب جهدًا كبيرًا، وغالبًا ما ينتج عنه اختلافاتٌ في النتائج بناءً على الخبرة.

أحدثت نماذج تجزئة الأورام القائمة على الذكاء الاصطناعي ثورةً في تقييم الأورام في التصوير الطبي، وذلك باستخدام الشبكات العصبية التلافيفية العميقة، حيث تُحدد وتُحدد بدقة شكل وحجم وموقع الورم في صورة المسح الطبي.

إلا أن فعاليتها تعتمد بشكل كبير على كميات هائلة من البيانات (تتراوح عادةً بين 1000 و10000 حالة).

ويمثل هذا الاحتياج للبيانات الضخمة عائقًا رئيسيًا أمام الذكاء الاصطناعي الطبي.

للتغلب على هذا العائق، طوّر فريق باحثين نموذج ذكاء اصطناعي رائدًا قادرًا على تقسيم أورام الكبد بدقة من خلال فحوصات التصوير المقطعي المحوسب (CT) - حتى عند تدريبه باستخدام مجموعات بيانات صغيرة للغاية - متجاوزًا بذلك أداء الأنظمة المتطورة الحالية. نُشرت دراستهم في مجلة IEEE Access.

يعتمد هذا الابتكار على بنية جديدة تُسمى الشبكة العصبية متعددة المقاييس والمعززة بالهسيان (MHP-Net).

النتيجة هي خريطة عالية الدقة لتجزئة الأورام ، تُحدد بدقة أورام الكبد من خلال فحوصات التصوير المقطعي المحوسب المُحسّنة بالتباين.

لتقييم أداء النموذج، استخدم الفريق "مقياس تشابه النرد"، الذي يُقارن مدى تطابق التجزئة المتوقعة مع الحقائق الأساسية (التي عادةً ما يُعلّق عليها خبراء الأشعة) على مقياس من 0 إلى 1.

على الرغم من محدودية مجموعة التدريب التي شملت 7 و14 و28 ورمًا، فقد حققنا درجات أداء عالية بلغت 0.691 و0.709 و0.719 على التوالي، وفقًا للباحثين.

وقال الباحثون: "بهذه الدرجات، يتفوق نموذجنا على النماذج الرئيسية الراسخة مثل U-Net وRes U-Net وHDense-U-Net".

وبعيدًا عن أدائها الواعد، فإن البنية خفيفة الوزن للنموذج تسمح بالتدريب السريع (أقل من 10 دقائق) والاستدلال في الوقت الفعلي (حوالي 4 ثوانٍ لكل مريض)، مما يجعلها مناسبة للغاية للاستخدام حتى في الإعدادات السريرية ذات الموارد الحسابية المحدودة.

يقول الباحثون: "هذه مجرد بداية في مجال الذكاء الاصطناعي للبيانات الصغيرة، حيث يُمكن بناء نماذج تعلم عميق ذات معنى وذات صلة سريرية من مجموعات بيانات محدودة".

وأضافوا: "يمكن لنجاح MHP-Net أن يُلهم حلول الذكاء الاصطناعي للبيانات الصغيرة في مجالات أخرى من التصوير الطبي، مثل الكشف عن أنواع نادرة من السرطان".