تعزيز الشبكات التوليدية لتحديد مواضع الشذوذ في الصدر عبر ترجمة بيانات تدريب غير مزدوجة إلى شبه مزدوجة تعتمد على التسجيل التلقائي

لماذا يهم اكتشاف مشاكل الرئة مبكراً

تعد أشعة الصدر السينية واحدة من أسرع وأرخص الطرق للاطلاع داخل القفص الصدري، وتُجرى ملايين هذه الصور يومياً حول العالم. ومع ذلك، قد تكون البقع الصغيرة أو الخافتة من المرض صعبة الاكتشاف حتى بالنسبة للخبراء، خصوصاً عندما تندمج مع الأضلاع أو القلب أو تراكيب طبيعية أخرى. تستكشف هذه الدراسة كيف يمكن للذكاء الاصطناعي أن يبرز بشكل أكثر موثوقية المناطق المشبوهة في أشعة الصدر دون الحاجة إلى وسم دقيق بكسلاً بسطر من قبل أطباء الأشعة. وهذا يجعل النهج جذاباً بشكل خاص للمستشفيات والعيادات ذات الوقت الخبير المحدود والأعباء المرضية الكبيرة.

الوعود والمشكلات في أنظمة الذكاء الاصطناعي الحالية لأشعة الصدر

كثير من أنظمة الذكاء الاصطناعي الحالية لأشعة الصدر جيدة في الإجابة بنعم أو لا على سؤال مثل «هل هناك التهاب رئوي؟» لكنها أضعف بكثير في إظهار المكان الدقيق للمرض. إحدى عائلات الطرق الشائعة، المسماة شبكات التنافس التوليدية (GANs)، تتعلم تحويل صورة مريضة إلى نسخة تبدو طبيعية. وعن طريق طرح الصورتين، يمكن للخوارزمية كشف المناطق المشبوهة. هذا جذاب لأنه لا يتطلب علامات تفصيلية لكل آفة أثناء التدريب. ومع ذلك، بيانات التدريب عادة تتكون من مجموعات منفصلة من الصور الطبيعية والغير طبيعية لمريضين مختلفين. ونظراً لاختلاف حجم الجسم والوضعية وشكل الرئتين بكثرة، يكافح الذكاء الاصطناعي للتمييز ما إذا كان الاختلاف بين الصورتين ناتجاً عن مرض أو مجرد اختلاف تشريحي. قد يؤدي ذلك إلى أداء غير مستقر وآثار غريبة، مثل تشويه أو محو الأضلاع أو الأنسجة الطبيعية.

صنع أزواج افتراضية من صور غير مزدوجة

يتعامل المؤلفون مع هذه النقطة الضعيفة الأساسية عن طريق إجبار صور الأشعة أولاً على تقارب محاذاتها التشريحية قبل استخدامها في التعلم والتحليل. يقدمون عملية من خطوتين، تسمى IT-PR وتوسيعها بالتعلّم العميق IT-DPR، التي تحول بفاعلية صور الأشعة الطبيعية والغير طبيعية غير المزدوجة إلى «أزواج شبه مزدوجة». في الخطوة الأولى، الخالية من التدريب، تستخدم الطريقة فقط مخططات حدود الرئتين لتعيين كل نقطة داخل الرئة إلى نظام إحداثيات مشترك. تُجزأ رئتا كل مريض إلى يمين ويسار، وتُمد وتُزاح بحيث تصطف المواقع الداخلية المعادلة عبر الأشخاص بالنسبة إلى رئة مرجعية واحدة. هذا يقلل بالفعل العديد من الاختلافات粗ة في الحجم والشكل دون الاعتماد على أي معلومات مرضية أو تدريب للشبكات العصبية.

تعلم محاذاة أدق بالتعلّم العميق

لأن التشوهات الهندسية البسيطة لا يمكنها مطابقة تعقيدات تشريح الرئة تماماً، تضيف الخطوة الثانية تسجيلاً قابلاً للتشكّل يتعلمه النموذج. هنا، تُدرّب شبكة عصبية ليس على أزواج غير مرتبطة من مرضى مختلفين، بل على أزواج مكوّنة من نفس المريض: صورة الرئة الأصلية ونسختها المسبقة المحاذاة من الخطوة الأولى. بهذه الطريقة، تتعلم الشبكة تصحيح اختلافات الإحداثيات فقط، وليس اختراع أو إزالة المرض. ينتج عن هذا التسجيل المنقح تشوهات أكثر سلاسة وطبيعية ويتجنب وضعين رئيسيين للفشل يرى في طرق التسجيل التقليدية: تلاشي الآفات الحقيقية عندما تكون الصورة «الثابتة» صحية، وخلق تظليل غير واقعي أو انثناءات على حدود الرئة عند استخدام أقنعة خشنة فقط.

كشف أدق للسل وتعتيمات الرئة بواسطة الذكاء الاصطناعي

لاختبار نهجهم، طبّق الباحثون خط أنابيبهم المعزز بالتسجيل على مشكلتين معروفتين في أشعة الصدر: كشف السل وكشف التكلّسات (التي تُعرف أيضاً بتكاثفات الرئة)، وهي نوع من اعتام الرئة يظهر في الالتهاب الرئوي وحالات أخرى. أدخلوا IT-PR وIT-DPR في نموذجين شائعين لترجمة الصور قائمين على GAN، هما CycleGAN وCUT، وقارنوها بنفس النماذج المشغلة بالطريقة التقليدية، وكذلك مع نموذج توليدي واعٍ بالتسجيل يُدعى Reg-GAN وأدوات تسجيل شائعة مثل VoxelMorph وSynthMorph. باستخدام «مجموع شذوذ» على مستوى المريض الذي يلخّص مدى اختلاف الأشعة السينية عن نظيرتها الطبيعية المولّدة بالذكاء الاصطناعي، حسّن الأسلوب الجديد الأداء بشكل كبير. بالنسبة للسل، رفعت أفضل إعداد قيمة المساحة تحت منحنى ROC من 0.755 إلى 0.928؛ وبالنسبة للتكتل، دفعت قيمة مرتفعة أصلاً 0.964 إلى 0.991. كما أظهر النهج سلوكاً أكثر استقراراً عبر عتبات القرار وخريطة إبراز أنظف وأكثر تحديداً عند المقارنة مع المربعات المحددة من قبل أطباء الأشعة.

ماذا يعني هذا للمرضى والعيادات

عملياً، تبين هذه الدراسة أن محاذاة أشعة الصدر بعناية قبل تحليل الذكاء الاصطناعي يمكن أن تحدث فرقاً كبيراً في مدى موثوقية النظام في العثور على بؤر المرض. من خلال إنشاء أزواج افتراضية طبيعية–غير طبيعية دون أي تسميات على مستوى البكسل، يحافظ الأسلوب على انخفاض تكاليف الوسم بينما يحسّن كل من الدقة وقابلية التفسير. وعلى الرغم من أن خطوات التسجيل الإضافية تزيد زمن الحوسبة إلى عشرات الثواني لكل صورة، فإن ذلك لا يزال ضمن أوقات القراءة المعتادة لأطباء الأشعة. إطار العمل في الدراسة هو نموذج أولي ويعتمد على تجزئة رئة جيدة، لكنه يشير إلى فكرة قوية: عندما «ينظر» الذكاء الاصطناعي إلى الصور الطبية عبر خريطة تشريحية مشتركة، يصبح أفضل في التمييز بين التباين الطبيعي والمرض الحقيقي، ممهدًا الطريق لأدوات تصوير صدري أكثر موثوقية وقابلة للنشر على نطاق واسع.

الاستشهاد: Oh, S.J., Kim, K., Lim, C.Y. et al. Enhancing generative networks for chest anomaly localization through automatic registration-based unpaired-to-pseudo-paired training data translation. Sci Rep 16, 11125 (2026). https://doi.org/10.1038/s41598-026-39979-2

الكلمات المفتاحية: الذكاء الاصطناعي لأشعة الصدر, تحديد مواضع الشذوذ, تسجيل الصور الطبية, شبكات التنافس التوليدية, الكشف عن السل