التشخيص الآلي لتنخر العنق على صور طبية متعددة الوسائط باستخدام نموذج تعلم عميق متعدد المهام

مشكلة عنق خفيّة لها تأثير يومي كبير

تنخر عنق الرحم—الاهتراء المرتبط بالعمر أو نمط الحياة في الرقبة—شائع إلى حد كبير، لكنه غالبًا ما يكون من الصعب اكتشافه مبكرًا. يمكن أن يسبب آلام عنق مستمرة، وصداعًا، وخدرًا، وحتى صعوبات في المشي، لكن التغيرات الطفيفة في الصور الطبية تتطلب سنوات من الخبرة لقراءتها. تُظهر هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي أن يتعلم من أطباء خبراء لقراءة أشعة إكس والتصوير بالرنين المغناطيسي للعنق، مما يساعد على توفير تشخيص بمستوى الأخصائي للمستشفيات المزدحمة والعيادات ذات الموارد المحدودة على حد سواء.

لماذا يصعب اكتشاف اهتراء الرقبة

على عكس العظم المكسور أو الورم الكبير، عادةً لا يترك تنخر عنق الرحم علامة وحيدة واضحة على الفحص. بدلًا من ذلك، ينطوي على العديد من التغيرات الصغيرة والمتداخلة: قد يتسطح الانحناء الطبيعي للعنق أو ينقلب، قد تتحرك فقرات العمود الفقري قليلاً عن مواضعها، قد تنتفخ الأقراص أو تتمزق، وقد يضيق القناة التي تحتوي الحبل الشوكي ببطء. يقيس الأطباء حاليًا عدة خصائص هندسية على أشعة إكس—مثل انحناء الرقبة العام ومحاذاة الفقرات الرئيسية—وكذلك تغيّرات تظهر في الرنين المغناطيسي تكشف عن مشاكل الأنسجة الرخوة مثل انفتاق القرص أو تضيق جذور الأعصاب. إجراء هذه القياسات بدقة لكل مريض يستغرق وقتًا ويعتمد بشكل كبير على مهارة أخصائيي الأشعة وجراحي العمود الفقري المخضرمين، الذين غالبًا ما يندر تواجدهم خارج مراكز طبية كبرى.

تعليم الحاسوب قراءة الرقبة كخبير

بنَى الباحثون نظام تعلم عميق يقلد طريقة نظر الخبراء إلى صور عنق الرحم، لكنه يفعل ذلك تلقائيًا وبثبات. أولًا، يكتشف حدود وزوايا فقرات الرقبة في الأشعة الجانبية، معاملة كل فقرة كمربع محدد بدقة. من هذه النقاط، يحسب النموذج القياسات القياسية المستخدمة في تخطيط الجراحة، مثل زاوية كوب (التي تصف مدى انحناء أو استقامة الرقبة) والمحور الرأسي السهمي، وهو مؤشر رئيسي على ما إذا كان الرأس متوازنًا جيدًا فوق العمود الفقري. كما يقدّر مدى انزلاق الفقرات المجاورة بالنسبة لبعضها البعض، مما يشير إلى عدم الاستقرار، ويقيس حجم القناة الشوكية وجسم الفقرة لحساب نسبة تدل على احتمال وجود تضيق خلقي.

جمع أنواع تصوير مختلفة في صورة متماسكة واحدة

لأنه لا يخبر أي نوع من الفحوصات القصة كاملة بمفرده، صمم الفريق النظام للعمل مع الأشعة السينية والرنين المغناطيسي بطريقة منسقة. توفر أشعة إكس معلومات دقيقة عن شكل العظام ومحاذاتها، بينما يظهر الرنين المغناطيسي حالة الأنسجة الرخوة، وخاصة الأقراص بين الفقرات وفتحات خروج الأعصاب من العمود الفقري. باستخدام إعداد تعلم متعدد المهام، يتم تدريب الذكاء الاصطناعي لأداء كل هذه القياسات والتصنيفات معًا، مع مشاركة ما يتعلمه بين المهام. بالنسبة للرنين المغناطيسي، ينظر شبكة مخصصة إلى الأقراص بين كل زوج من الفقرات وتقرر ما إذا كانت سليمة نسبيًا أو تظهر انتفاخًا أو بروزًا أكثر خطورة، وما إذا كانت القناة الشوكية وفتحات الأعصاب ضيقة. بدلًا من دمج كل شيء في تسمية نعم/لا وحيدة، ينتج النظام ملفًا تفصيليًا يوضح المشكلات الحاضرة ومكان كل منها.

كيف يقارن الذكاء الاصطناعي بأطباء البشر

حللت الدراسة أشعة إكس ولقطات الرنين المغناطيسي لأكثر من ألف مريض عولجوا في مستشفى كبير، مع تسميات دقيقة قدمها أخصائيو أشعة وجراحو عمود فقري مخضرمون. في القياسات الهندسية البسيطة مثل المسافات، كانت أخطاء الذكاء الاصطناعي غالبًا أقل من مليمتر، وفي الزوايا كانت الانحرافات بضعة درجات في المتوسط—قريبة بما يكفي لتعتبر قابلة للمقارنة سريريًا مع القياسات اليدوية في العديد من الحالات. بالنسبة لمشاكل الأقراص، وتضيق القناة، وتضيّق مخرج الأعصاب على الرنين المغناطيسي، حقق النموذج مستويات دقة قابلة للمقارنة، وأحيانًا أفضل، من أطباء أشعة مبتدئين ومتقدّمين، ومماثلة للعيادات المخضرمة، في حين أنتج نتائجه في ثوانٍ بدلًا من دقائق. عندما اختبر المؤلفون النظام في مستشفى ثانٍ، تراجع الأداء قليلًا لكنه ظل مرتفعًا، ما يوحي بقدرته على التعميم خارج موقع التدريب الأصلي.

ماذا قد يعني هذا للمرضى والعيادات

بالنسبة لشخص يعاني ألمًا في الرقبة، تكمن فائدة هذا العمل في تشخيصات أسرع وأكثر اتساقًا وقرارات علاجية مصممة بشكل أفضل. لا يحل الذكاء الاصطناعي محل الأطباء؛ بل يعمل كمساعد لا يكل يمكنه قياس الخصائص الرئيسية مسبقًا، ووضع علامات على مناطق المشكلات المحتملة، وتقديم تقرير موحَّد فحصًا فحصًا عن حالة العنق. وبما أنه يعكس القياسات التي يثق بها الخبراء بالفعل—بدلًا من اختراع قياسات جديدة—يمكن أن يندمج في الروتينات السريرية القائمة ويساعد على نقل المعرفة التخصصية إلى مستشفيات تفتقر إلى أخصائيي العمود الفقري الداخليين. إذا تم تبنيه على نطاق واسع وتم التحقق منه أكثر، فقد تؤدي مثل هذه الأنظمة إلى اكتشاف مبكر لتغيرات الرقبة الخطرة، وتقليل الحالات الفائتة، وتوفير علاج جراحي أو محافظ أكثر ملاءمة لملايين الأشخاص حول العالم.

الاستشهاد: Song, X., Li, Y., Ouyang, H. et al. Automated diagnostic of cervical spondylosis on multimodal medical images with a multi-task deep learning model. Nat Commun 17, 2392 (2026). https://doi.org/10.1038/s41467-026-69023-w

الكلمات المفتاحية: تنخر عنق الرحم, تصوير العمود الفقري, التعلم العميق, الذكاء الاصطناعي الطبي, آلام العنق