تقنية تقسيم صور أمراض العمود الفقري التي تدمج U-ResNet واهتمامًا واعيًا بالشكل

لماذا تحتاج فحوصات العمود الفقري إلى أدوات أذكى

آلام الظهر من أكثر الأسباب شيوعًا لزيارة الطبيب، والأجهزة الحديثة مثل الرنين المغناطيسي والأشعة المقطعية تكشف العظام والأقراص الصغيرة التي تكوّن العمود الفقري بتفاصيل ملحوظة. لكن تحويل تلك الصور الرمادية إلى مخططات واضحة توضح أي جزء عبارة عن عظم، وأي جزء قرص، وأين تختبئ الأمراض، لا يزال غالبًا يتم يدويًا شريحة بشريحة. تقدم هذه الورقة نظام ذكاء اصطناعي جديدًا يمكنه تتبع تراكيب العمود الفقري والمشكلات الشائعة تلقائيًا بدقة وسرعة أكبر، مما يساعد أطباء الأشعة والجراحين على اتخاذ قرارات أفضل مع تقليل عبء العمل.

تحدي قراءة العمود الفقري

العمود الفقري عمود معقد يتكوّن من أجزاء صغيرة كثيرة: فقرات مكدسة، أقراص لينة بينها، ومنحنيات دقيقة تختلف من الرقبة إلى أسفل الظهر. يمكن لأمراض مثل الانزلاق الغضروفي، كسور الضغط، والجنف أن تشوّه هذا التركيب بشكل كبير. الأساليب الحاسوبية التقليدية تكافح أمام هذه التباينات، وحتى العديد من نماذج التعلّم العميق الحديثة ترتكب أخطاء عند الحدود بين العظام والأقراص أو تفشل عندما يكون التشريح غير طبيعي بشدة. التخطيط اليدوي من قبل الخبراء بطيء وغير ثابت، ومن الصعب توسيعه في المستشفيات المزدحمة، خاصة مع تزايد حالات آلام الظهر بين العاملين المكتبيين والطلاب.

شبكة مخصصة لصور العمود الفقري

لمعالجة هذه القضايا، صمم المؤلفون نموذج تعلّم عميق مخصَّص للعمود الفقري مبنيًا على نسخة محسّنة من شبكة شائعة في التصوير الطبي تُدعى U-Net. العمود الفقري المخصص لديهم، المُسمى U-ResNet، مُصمَّم على شكل حرف U: جهة تضغط الصورة تدريجيًا لالتقاط السياق العام، في حين تعيد الجهة الأخرى توسيعها لإنتاج خريطة مفصّلة لكل تركيب. التصميم الجديد يوازن بين العمق والفعالية بحيث يمكنه العمل على صور عالية الدقة دون الحاجة إلى حواسيب فائقة. كما يدمج ميزات على مقاييس متعددة، مما يسمح للنموذج بالانتباه إلى الأجسام الفقارية الكبيرة وإلى الأقراص الأصغر والأرفع على حد سواء، ويطبّع المعلومات بحيث يمكن للشبكة نفسها التعامل مع صور الرنين المغناطيسي والأشعة المقطعية.

تعليم النموذج احترام الشكل

ابتكار رئيسي هو وحدة "الانتباه الواعي بالشكل" التي تُعلّم الشبكة صراحةً ما يبدو عليه العمود الفقري الصحي عادةً وكيف يمكن للأمراض أن تثنيه أو تكسره. قبل أن تصل الصور إلى هذه الوحدة، خطوة معالجة مسبقة تستخرج معلومات المحيط — أي حدود العظام والأقراص — من الفحوصات. داخل الوحدة، تقارن الشبكة هذه الإشارات الشكلية بما تعلمته من الصورة نفسها، معزّزة الإشارات حيث يتفق الاثنان ومتكيّفة عندما تتسبب الأمراض في تشوّه. هذا يمكّن النظام من التركيز على التركيبات الفقرية الحقيقية حتى عندما تكون مضغوطة أو بارزة أو منحنية، بينما يقمع الأنسجة الخلفية المشتتة مثل العضلات والدهون.

موازنة المناطق الكاملة والحواف الحادة

مساهمة أساسية أخرى هي استراتيجية تدريب توازن بين هدفين متضادين: التقاط الامتداد الكامل لكل تركيب ورسم حوافه بدقّة. صمم المؤلفون دالة خسارة مركبة — بمثابة قاعدة توجيه للنموذج — تخبره كيفية التحسّن. جزء واحد يؤكد على الحصول على المنطقة الكاملة للفقرات أو الأقراص بشكل صحيح، وهو أمر حيوي لقياس الحجم والتدهور. وجزء آخر يركّز على دقة الحدود، وهو أمر مهم عند التخطيط للجراحة أو تتبّع تقدم المرض. يضبط النموذج تلقائيًا مدى اهتمامه بكل جزء اعتمادًا على حجم ووضوح التركيب، ويضيف قيد الحجم بحيث تتطابق القياسات الرقمية مع ما يتوقعه الأطباء عمليًا.

اختبار النظام

قيّم الباحثون نهجهم على مجموعتي بيانات كبيرتين: فحوصات رنين مغناطيسي للفقرات القطنية غنية بتفاصيل الأنسجة الرخوة، ومجموعة أشعة مقطعية للعمود الفقري الكامل تمتد من الرقبة والصدر إلى أسفل الظهر عبر مجموعة من الحالات، بما في ذلك الجنف وكسور الضغط. بالمقارنة مع تسع طرق متقدمة حالية، حقق نموذجهم أعلى الدرجات في كل فئة تقريبًا، من جودة التقسيم العامة ودقّة الحدود إلى تقييم مدى تآكل القرص بين الفقرات. وقد فعل ذلك مع استهلاك حسابي ومعاملات أقل من العديد من المنافسين، مما يجعله أكثر ملاءمة للتشغيل على أجهزة المستشفى القياسية أو حتى أجهزة منخفضة الطاقة.

ماذا يعني هذا للمرضى والأطباء

بعبارات بسيطة، تُظهر هذه العمل أن تعليم الذكاء الاصطناعي فهم الأشكال وحدود التركيبات الفقرية يمكن أن يجعل القراءات الآلية لفحوصات العمود الفقري أكثر موثوقية وفائدة سريريًا. النموذج لا يتتبع الفقرات والأقراص بدقة أكبر فحسب، بما في ذلك تلك الصغيرة أو المشوّهة بشدة، بل يعمل أيضًا بسرعة كافية للاندماج في سير العمل الواقعي. وعلى الرغم من أنه لا يزال بحاجة للاختبار في أمراض عمود فقري نادرة وعلى نطاق أوسع من المستشفيات، فإنه يمثل خطوة واعدة نحو مساعدة حاسوبية روتينية ودقيقة في تشخيص مشاكل الظهر، وتخطيط الجراحة، ومتابعة التعافي.

الاستشهاد: Zhao, D., Qin, R., Chai, Z. et al. Spinal disease image segmentation technology integrating U-ResNet and shape-aware attention. Sci Rep 16, 12465 (2026). https://doi.org/10.1038/s41598-026-42870-9

الكلمات المفتاحية: تصوير العمود الفقري, تقسيم الصور الطبية, التعلّم العميق, الرنين المغناطيسي والأشعة المقطعية للعمود الفقري, تشخيص آلام الظهر