التعلّم العميق الطوبولوجي على المتباينات للبيانات الطبية الحيوية

رؤية الأنماط الكامنة تحت الصور الطبية

تجميع المستشفيات الحديثة أعداداً هائلة من الفحوصات، من أشعة إكس إلى صور رنين مغناطيسي ثلاثية الأبعاد، ونعتمد على الحواسيب لمساعدة الأطباء في قراءتها. تقدّم هذه الدراسة طريقة جديدة للذكاء الاصطناعي تنظر إلى الصور الطبية مع مراعاة ليس فقط قيم البكسل، بل أيضاً الأشكال والجريان الخفي داخل كل صورة. الهدف هو جعل التشخيص الحاسوبي أكثر دقة وموثوقية وأسهل في الفهم.

من الصور إلى الأسطح الناعمة

تتعامل معظم أنظمة تحليل الصور مع الفحص كشبكة مسطّحة من النقاط الملونة. يجادل المؤلفون بأن العديد من الصور الطبية يُفضّل عرضها كأسطح ناعمة تنثني وتتقوّس في الفراغ، مثل سطح الطبل أو جلد البالون. في الرياضيات، تُسمّى هذه الأشكال الناعمة متباينات. بمعاملة الصورة كمتباينة بدلاً من شبكة بسيطة، يمكن للنموذج التقاط معلومات حول كيفية ارتباط البُنى ببعضها، وأين تدور وتلتف، وكيف ترتبط المناطق المختلفة ببعضها بطريقة مستمرة.

إتاحة التدفقات لكشف البنية الخفية

للتغلغل في هذا المنظور المتبايني، يبني الأسلوب أولاً نوعاً من حقل التدفق فوق كل صورة، حيث تصف أسهم صغيرة كيف تتغير الشدّة من موضع إلى آخر. باستخدام فرع من الرياضيات يُدعى نظرية هودج، يُقسَم هذا التدفق بعد ذلك إلى ثلاثة أجزاء نظيفة لا تتداخل مع بعضها. جزءٌ واحد يلتقط المصادر والمصارف، وآخر يلتقط الأنماط الدوّامية، وثالث يعكس البنية العالمية على نطاق واسع. هذه الرؤية الثلاثية تحوّل الفحص الخام إلى مجموعة أغلفة أغنى تُبرز جوانب مختلفة من التشريح وأنماط النسيج.

إمداد شبكة مضغوطة بمدخلات أكثر ذكاءً

بعد هذا إعادة التشكيل الرياضي، تُكدَّس مكوّنات التدفق الثلاثة معاً وتُمرَّر إلى شبكة عصبية تلافيفية صغيرة مصمَّمة بعناية. على عكس العديد من نماذج الذكاء الاصطناعي الطبية الشائعة التي تحتوي على عشرات الملايين من الأوزان القابلة للتعدّل، تستخدم هذه الشبكة أقل بكثير من مليون وزن. على الرغم من صِغر حجمها، تستفيد من كونها تتلقى مدخلاً منظمًا بالفعل وفق الشكل والترابط، بدلاً من إجبار الشبكة على اكتشاف هذه الأنماط من الصفر. اختبر المؤلفون نظامهم على MedMNIST v2، معيار كبير يضم أكثر من 700,000 صورة طبية حيوية تمتد عبر مقاطع ثنائية الأبعاد وحجوم ثلاثية الأبعاد ومجموعة واسعة من الأعضاء وأجهزة التصوير وأنواع المهام.

نتائج أقوى عبر أنواع عديدة من البيانات

تفوق النهج الجديد على نماذج التعلّم العميق الرائدة في معظم مجموعات بيانات MedMNIST السبعة عشر، شاملة المقاطع ثنائية الأبعاد والحجوم ثلاثية الأبعاد. أظهر أداءً مميزاً خاصةً على صور الجلد، ومسحات العين، ومسوحات خلايا الدم، وبيانات الأعضاء والخلايا العصبيّة ثلاثية الأبعاد، محققاً في كثير من الأحيان دقّة أعلى وترتيباً أفضل للحالات المريضة مقابل السليمة. ظل النموذج قوياً عند تغير أحجام الصور، وعند قلة أو كثرة أمثلة التدريب، وعند اختلاف عدد فئات التشخيص. أظهرت الاختبارات على مجموعة حقيقية من آفات الجلد بدقات مختلفة أن الأداء تحسّن مع ازدياد التفاصيل المتاحة، لكن حتى الصور منخفضة الدقة تم التعامل معها بشكل أفضل مقارنة بالطرق المنافسة.

لماذا يهم التجزئة

للتحقق مما إذا كانت القسمة الرياضية تساعد فعلاً، كرر المؤلفون تجاربهم بشبكة تكاد تكون متطابقة لكنها تخطّت خطوة التمثيل المتبايني وتجزيء التدفق واستخدمت الصور الأصلية مباشرة. في كل حالة، أدّت النسخة التي شملت التجزئة أداءً أفضل، وأحياناً بفارق كبير. هذا يشير إلى أن الرؤى الثلاثة القائمة على التدفق تلتقط معلومات تكميلية حول النسيج المحلي والشكل العام لا توفرها البكسلات العادية وحدها، وأن هذه البنية الإضافية تجعل من السهل على الشبكة تعلم أنماط مستقرة.

طريقة جديدة لقراءة الصور الطبية

بعبارات بسيطة، تُظهر هذه الدراسة أن تعليم الذكاء الاصطناعي احترام الأشكال والتدفقات الأساسية في الصور الطبية يمكن أن يؤدي إلى أدوات تشخيصية أكثر دقة وكفاءة. بدمج أفكار من الهندسة والطوبولوجيا مع الشبكات العصبية الحديثة، يوفر المؤلفون إطاراً يستفيد بشكل أفضل من المعلومات الموجودة بالفعل في الفحوص، مع الحفاظ على صغر حجم النموذج نسبياً. قد يساعد نهج التعلّم العميق الطوبولوجي على المتباينات الأنظمة المستقبلية على قراءة الصور الطبية الحيوية المعقدة بمزيد من الموثوقية، حتى عندما تكون البيانات متباينة أو محدودة أو مضطربة بالضوضاء.

الاستشهاد: Liu, X., Su, Z., Shi, Y. et al. Manifold topological deep learning for biomedical data. Nat Commun 17, 4710 (2026). https://doi.org/10.1038/s41467-026-71392-1

الكلمات المفتاحية: الذكاء الاصطناعي لتصوير الطب, التعلّم العميق, تحليل البيانات الطوبولوجي, تصنيف الصور, البيانات الطبية الحيوية