تطوير خوارزمية CycleGAN وجهًا لوجه وطولية لتوحيد صور الرنين المغناطيسي: التحقق في تقييم المتابعة بالرنين المغناطيسي لدى مرضى الانبثاث الدماغي

لماذا يهم مطابقة فحوصات الدماغ

عندما تتطور لدى مرضى السرطان أورام تنتشر إلى الدماغ، يعتمد الأطباء على فحوصات الرنين المغناطيسي المتكررة لمعرفة ما إذا كان العلاج ينجح. لكن هناك مشكلة خفيّة: غالبًا ما تُجرى فحوصات المتابعة على أجهزة رنين مغناطيسي مختلفة، ما قد يجعل نفس الورم يبدو أكبر أو أصغر أو أكثر سطوعًا أو أقل سطوعًا حتى عندما لم يتغير على الإطلاق. تقدم هذه الدراسة طريقة ذكاء اصطناعي جديدة تهدف إلى «توحيد» صور الرنين المغناطيسي من أجهزة مسح مختلفة بحيث يتركز اهتمام الأطباء على التغيرات الحقيقية في الورم بدلاً من خصائص الأجهزة.

تحدي اختلاف أجهزة الرنين المغناطيسي

تُعد الانبثاثات الدماغية — أورام انتشرت إلى الدماغ من سرطانات مثل سرطان الرئة أو الثدي — سببًا رئيسيًا للمرض والوفاة. يخضع المرضى غالبًا لفحوصات رنين مغناطيسي متكررة للتحقق مما إذا كانت الآفات قد نمت أو تقلصت أو بقيت على حالها. في الوضع المثالي، تُجرى كل فحوصات على نفس نوع الجهاز وبنفس البروتوكول. في الواقع، تستخدم المستشفيات المزدحمة أجهزة مسح متعددة من مصنّعين مختلفين، لكل منها إعداداته وسلوك التباين الخاص. ونتيجة لذلك، قد تظهر صورتان لنفس المريض نفس الآفة بسطوع أو حدة مختلفة، مما يجعل الورم المستقر يبدو مختلفًا بشكل مريب. تعقّد هذه التقلبات الرعاية وقد تضعف أيضًا الدراسات البحثية الكبيرة التي تجمع بيانات من مراكز عدة.

استخدام الذكاء الاصطناعي لتوحيد الصور

لمعالجة ذلك، بنى الباحثون نظامًا للتعلم العميق يعتمد على عائلة من الشبكات العصبية تُعرف بالشبكات الخصامية التوليدية، وبالتحديد تصميم يسمى CycleGAN. بدلًا من محاولة تغيير العتاد، يطلبون من البرمجيات أن تتعلم كيف ينبغي أن تبدو صور جهاز مسح ما لو كانت قد التقطت على جهاز مسح آخر. يتم تدريب نسخة CycleGAN المعدّلة «المزدوجة» على فحوصات رنين مغناطيسي أساسية ومتابعة لنفس المريض، حيث يأتي الفحصان الأول والثالث من نفس الجهاز بينما يأتي الفحص الأوسط من جهاز مختلف. بالمقارنة بين هذه الصور المرتبطة، تتعلم الشبكة ضبط أسلوب فحص المتابعة من الجهاز الثاني ليطابق مظهر الفحص من الجهاز الأول، مع الحفاظ على التشريح الحقيقي للدماغ والأورام.

الحفاظ على شكل الورم أثناء تصحيح النمط

نماذج CycleGAN القياسية جيدة في تغيير أسلوب الصورة، لكنها قد تغير التفاصيل الدقيقة — وهو أمر خطير في التصوير الطبي. لذلك أضاف الفريق مكوِّنًا خاصًا يسمى «مُطابقة الأصل» إلى دالة الهدف أثناء تدريب الشبكة. هذا القيد الإضافي يدفع الذكاء الاصطناعي للحفاظ على كل فوكسل، أو بكسل ثلاثي الأبعاد، قريبًا قدر الإمكان من بنية الفحص الأصلي، حتى أثناء تعديل التباين والسطوع العام ليتطابق مع جهاز الفحص الأساسي. اختبر المؤلفون قوة هذا القيد بمستويات مختلفة ووجدوا إعدادًا يوازن أفضل بين تصحيح الأسلوب والحفاظ الأمين على تشريح الدماغ. ثم قارنوا طرقتهم مع حيل تقليدية مثل مطابقة المدرجات الترددية ونهج تعلم عميق أخرى مثل Pix2Pix وSTGAN وCycleGAN غير المعدّلة.

اتفاق أوضح وقراءة أكثر ثقة

في مجموعة من المرضى الذين كانت الانبثاثات الدماغية لديهم معروفة بالاستقرار عبر الزمن، بدت صور المتابعة الموحدة أكثر تشابهًا مع الفحوصات الأساسية مقارنة بصور المتابعة الأصلية غير المصححة، وفقًا لعدة مقاييس تقنية لجودة الصورة. كانت فروق التباين بين مناطق الدماغ المختلفة أقل أيضًا بعد التوحيد، مما يشير إلى تقلص تأثيرات اختلاف الأجهزة. ثم راجع اثنان من أطباء الأشعة العصبية الفحوصات الأساسية إلى جانب إما صور المتابعة الأصلية أو الموحدة، دون إخطارهم بأن الآفات لم تتغير. مع الصور الموحدة، حكموا في كثير من الأحيان أكثر على ثبات حافة الورم وحجمه وتباينه وذكروا ثقة أعلى في تقييماتهم. والأهم من ذلك أن الذكاء الاصطناعي حافظ أيضًا على التغيرات المرضية الحقيقية في مجموعة اختبار منفصلة حيث تقدمت أو تراجعت الأورام فعليًا، ما يوحي بأنه لم يكن يطمس ببساطة التفاصيل السريرية المهمة.

ماذا يعني هذا للمرضى

بالنسبة لمرضى الانبثاث الدماغي، قد تقلل طريقة التوحيد الجديدة الإنذارات الكاذبة بشأن نمو الورم التي تنتج فقط عن اختلاف أجهزة الرنين المغناطيسي، مما يساعد على تجنب القلق غير الضروري وربما تغييرات علاجية غير لازمة. من خلال جعل صور المتابعة متسقة بصريًا عبر الأجهزة، تمنح طريقة CycleGAN المزدوجة أطباء الأشعة رؤية أوضح لما يحدث فعليًا في الدماغ. وبالرغم من أن الدراسة أجريت في مركز واحد وعلى مجموعة محدودة من أنواع الأجهزة، فإنها تشير إلى مستقبل قد تقوم فيه برمجيات ذكية بتطبيع الصور الطبية بشكل روتيني في الخلفية، بحيث يثق الأطباء والمرضى بأن التغيرات الظاهرة على الشاشة تعكس تغيّرات حقيقية في المرض.

الاستشهاد: Hwang, H., Choi, HU., Jeong, H. et al. Development of head-to-head and longitudinal CycleGAN algorithm for MRI harmonization: validation in follow-up MRI evaluation in patients with brain metastasis. Sci Rep 16, 13163 (2026). https://doi.org/10.1038/s41598-026-43755-7

الكلمات المفتاحية: انبثاث الدماغ, توحيد صور الرنين المغناطيسي, التعلم العميق, CycleGAN, التصوير الطبي