الشبكات العصبية التفافية المستخدمة مع صور الأشعة المقطعية قبل العملية للتنبؤ بالانتكاس قصير الأمد بعد إصلاح الفتق الجراحي

لماذا يهم التنبؤ بالمضاعفات الجراحية

عندما يخضع الأشخاص لعملية إصلاح فتق في جدار البطن نشأ من شق سابق، يأمل الجميع أن يكون الإصلاح دائمًا. ومع ذلك، في نسبة ملحوظة من الحالات، يعود الفتق، ما يعني غالبًا المزيد من الألم، والمزيد من العمليات، وتكاليف أعلى. يعتمد الجراحون عادةً على الخبرة وعدد من العوامل السريرية لتقدير هذا الخطر، لكن تلك التقديرات ليست دقيقة دائمًا. تستقصي هذه الدراسة ما إذا كان شكل من أشكال الذكاء الاصطناعي، مدرَّب على صور الأشعة المقطعية الروتينية قبل الجراحة، يمكن أن يساعد في التنبؤ أي المرضى هم الأكثر احتمالاً أن يعانوا من عودة الفتق بعد إصلاحه.

تحويل الفحوص الروتينية إلى تنبؤات

راجع الباحثون سجلات 528 مريضًا خضعوا لعملية إصلاح فتق شريطي في مستشفى كبير بين 2016 و2019. أجرى جميعهم فحوصًا بالأشعة المقطعية للبطن قبل العملية، التقطت حجم الفتق وموقعه وشكله والأنسجة المجاورة. استخرج الفريق 44,380 شريحة صور فردية أظهرت منطقة الفتق، أزالوا جميع المعلومات التعريفية، وقاموا بتوحيد الصور إلى صيغة موحدة، وقسموها إلى مجموعة تدريب كبيرة ومجموعة اختبار أصغر. ومن المهم أن نماذج الحاسوب لم «ترَ» صور الاختبار أثناء التدريب، مما سمح بتقييم عادل لكيفية أداء النظام على مرضى جدد.

كيف يتعلم الحاسوب من الصور

لتحليل الفحوص، استخدم المؤلفون ثلاثة نماذج شائعة للتعلم العميق متعلقة بالصور تعرف بالشبكات العصبية التفافية. هذه الشبكات، التي طورت أصلاً لمهام مثل التعرف على الأشياء اليومية في الصور الفوتوغرافية، تتفوق في اكتشاف الأنماط في الصور المعقدة. أثناء التدريب، وُسِمَت كل شريحة أشعة مقطعية بحسب ما إذا كان فتق المريض قد عاد لاحقًا أم لا. قارنت الشبكات توقعاتها مرارًا بالنتائج الحقيقية وعدّلت وصلاتها الداخلية لتقليل الأخطاء. ولدى كل مريض، جُمعت توقعات النموذج من شرائح متعددة لتكوين تقدير واحد لمخاطر العائد.

أي نموذج كان الأفضل

لم تؤدِ النماذج الثلاثة—ResNet-50، والإصدار الأعمق ResNet-152، وVGG16—بالمثل. عند اختبارها على صور لم تُرَ من قبل، أظهر ResNet-50 أقوى قدرة على تمييز المرضى الذين سيشهدون عودة الفتق عن الذين لن يشهدوها. كان أداؤه، ملخصًا بمقياس معياري يدعى المساحة تحت المنحنى، أعلى بوضوح من الشبكتين الأخريين. وأكد التحليل الإحصائي أن هذه الفروقات من غير المحتمل أن تكون نتيجة الصدفة. وللحصول على فهم لما كانت الشبكات «تركز» عليه، استخدم الفريق أيضًا طريقة تصويرية تُبرز مناطق الصورة الأهم للتنبؤ، كاشفة أن المناطق حول عيب الفتق وجدار البطن كانت ذات الوزن الأكبر.

ما الذي قد يعنيه ذلك للمرضى والجراحين

إذا نُقِّحت هذه الأدوات المعتمدة على الصور وتحقق من صلاحيتها عبر عدة مستشفيات، فقد تضيف رأيًا موضوعيًا ثانياً لتقييم الجراح. قد يساعد تقدير أدق لمخاطر العائد، محسوب قبل العملية من فحص يُعد جزءًا من الرعاية القياسية، في توجيه القرارات بشأن توقيت الجراحة، واختيار النهج الجراحي، ونوع وحجم الشبكة، وما إذا كان المريض قد يستفيد من العلاج في مركز مختص بالفتوق. قد يُنصح المرضى ذوو المخاطر العالية، على سبيل المثال، بإجراءات إضافية لتعزيز الإصلاح، بينما قد يُعفى المرضى منخفضو المخاطر من تدخلات أكثر عدوانية.

الخطوات التالية

يؤكد المؤلفون أن هذا العمل يُعد إثبات مفهوم مبكرًا وليس أداةً سريرية جاهزة. تستند الدراسة إلى مرضى من مستشفى واحد، وتستخدم عددًا معتدلاً من الحالات بالنسبة لمعايير التعلم العميق، وتعتمد على التصوير فقط متجاهلة عوامل مهمة أخرى مثل الحالة الصحية العامة، والعمليات السابقة، والتقنية الجراحية. ستحتاج الأبحاث المستقبلية إلى دمج الميزات المستخرجة من الأشعة المقطعية مع معلومات سريرية وتشغيلية مفصلة، واختبار النماذج على مجموعات أكبر وأكثر تنوعًا من المرضى، وضمان أن التنبؤات مفهومة وموثوقة من قبل الأطباء. ومع ذلك، تشير النتائج إلى أن التحليل الذكي للصور الطبية الروتينية قد يساعد يومًا ما في تخصيص جراحة الفتق وتقليل احتمالات الحاجة لإصلاح ثانٍ غير مرغوب فيه.

الاستشهاد: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

الكلمات المفتاحية: الفتق الشريطي, عائد الفتق, التعلم العميق, تصوير الأشعة المقطعية, نتائج جراحية