محسّن Swin Transformer مع انتباه مزدوج لتصنيف شدة التهاب مفصل الركبة من صور الأشعة السينية

لماذا تؤثر آلام الركبة

ألم الركبة ليس مجرد إزعاج؛ فهو أحد الأسباب الرئيسية للإعاقة على مستوى العالم، لا سيما مع التقدم في العمر. يعتمد الأطباء بشكل كبير على صور الأشعة السينية لتقرير ما إذا كان التهاب مفصل الركبة بسيطاً ويمكن التحكم به، أم شديداً بما يكفي للتفكير في الجراحة. لكن قراءة هذه الصور تستغرق وقتاً، وقد تفشل في اكتشاف تلف مبكر، كما أن خبراء مختلفين قد لا يتفقون دائماً. تعرض هذه الدراسة نظام ذكاء اصطناعي جديداً يهدف إلى قراءة أشعة الركبة بسرعة ودقة عالية، لمساعدة الأطباء على اكتشاف تلف المفصل مبكراً وتوجيه العلاج بصورة أكثر انتظاماً.

طريقة أذكى لقراءة أشعة الركبة

يتلف الفصال العظمي تدريجياً الغضروف الناعم الذي يوسّط الركبة، مسبباً الألم والتصلّب وفقدان الحركة. على الأشعة السينية، يبحث الأطباء عن دلائل مثل تضييق المسافة بين العظام ونتوءات عظمية صغيرة تُسمى النتوءات العظمية. تُلخّص هذه التغيرات في مقياس من خمس درجات يُعرف بدرجة Kellgren–Lawrence (KL)، من 0 (سليم) إلى 4 (شديد). ساعدت برامج الحاسوب التقليدية المبنية على الشبكات العصبية الالتفافية (CNNs) في أتمتة هذا التصنيف، لكنها تكافح لالتقاط الأنماط الدقيقة عبر الصورة بأكملها وغالباً تتطلب قدرة حوسبية كبيرة وفترات تدريب طويلة. سعى مؤلفو هذا البحث إلى تصميم نظام ليس أكثر دقة فحسب، بل أخفّ وأسرع أيضاً، ليكون قابلاً للاستخدام واقعياً في العيادات المزدحمة، بما في ذلك تلك ذات الموارد المحدودة.

كيف يعمل نظام الذكاء الاصطناعي الجديد

أنشأ الباحثون نموذجاً هجيناً أطلقوا عليه Swin‑O‑NETS يجمع بين فكرتين: قارئ صور متقدّم يُعرف باسم Swin Transformer ومصنّف سريع وخفيف يُسمى Fast Extreme Learning Network. أولاً، تُنقح صور الأشعة من قاعدة بيانات عامة كبيرة — مبادرة التهاب المفاصل (Osteoarthritis Initiative) — وتُعزَّز لإزالة الضوضاء وتحسين التباين. ثم تُقسّم الصور إلى رقع صغيرة وتمرّ عبر شبكة على شكل حرف U تقوم بتجزئة وتحليل منطقة الركبة. داخل هذه الشبكة، ينظر Swin Transformer المعدّل إلى الصورة على مقاييس متعددة، من التفاصيل الدقيقة على سطح المفصل إلى أنماط هيكلية أوسع عبر الركبة بأكملها.

التركيز على التفاصيل المناسبة

ابتكار رئيسي هو استخدام الانتباه الذاتي القنوي متعدد الرؤوس، وهو آلية تساعد الذكاء الاصطناعي على تقرير ميزات الصورة الأكثر أهمية. بدلاً من معاملة كل أجزاء الأشعة على قدم المساواة، يتعلم النموذج التركيز على القنوات التي تحمل معلومات عن تضييق مساحة المفصل، حواف العظام، والنموات العظمية المبكرة، مع تقليل وزن المناطق الخلفية الأقل إفادة. تنظر عدة "رؤوس" انتباهية إلى البيانات بالتوازي ثم تجمع نتائجها، مما يثري الوصف العام للركبة. تُغذى هذه الميزات المكررة إلى شبكة Fast Extreme Learning Network، التي تقوم بالخطوة النهائية بتعيين الأشعة إلى إحدى درجات KL الخمس. وبما أن هذا المصنّف يمكنه احتساب أوزانه الداخلية في خطوة رياضية واحدة بدلاً من خلال دورات تدريب بطيئة متعددة، يظل النظام كاملاً فعالاً بالرغم من تعقّده.

اختبار النظام

لاختبار أداء Swin‑O‑NETS، درّبه المؤلفون وقيّموا نتائجه على 2047 صورة أشعة للركبة معنونة، مع موازنة دقيقة لدرجات الشدة المختلفة واستخدام حيل زيادة البيانات مثل التدوير والتدرّج لتجنّب الإفراط في التعلم. قارَنوا نموذجهم مع معماريات تعلم عميق شائعة تشمل شبكات CNN القياسية وVGG‑19 وResNet وDenseNet وعدداً من المتغيرات المعزّزة بالتجميع والاهتمام. عبر جميع درجات KL الخمس — من السليم إلى التالف بشدة — قدّم Swin‑O‑NETS أعلى الدرجات باستمرار. بلغ دقته الإجمالية نحو 99.5%، مع مقاييس عالية مماثلة للدقة والاستدعاء وF1، ومساحة تحت منحنى ROC قدرها 0.9838، ما يدلّ على قدرة ممتازة على التمييز بين مستويات الشدة. وفي الوقت نفسه، احتاج إلى حوسبة ووقت تدريب أقل من العديد من المنافسين القائمين على المحولات.

ماذا قد يعني ذلك للمرضى

بعبارة بسيطة، تُظهر هذه الدراسة أن نظام ذكاء اصطناعي مصمَّماً بعناية يمكنه تصنيف التهاب مفصل الركبة في صور الأشعة تقريباً بدقة تامة مع بقائه عملياً للتشغيل. من خلال رصد تغيّرات المفصل المبكرة التي قد يغفلها الإنسان وبسرعة واتساق، يمكن أن يدعم Swin‑O‑NETS التدخّلات المبكرة في نمط الحياة أو العلاج الطبي، ويؤخّر الحاجة لاستبدال المفصل، ويساعد على توحيد الرعاية عبر المستشفيات. يشير المؤلفون إلى أن التوزيع في العالم الحقيقي سيستلزم اختبارات إضافية على مجموعات بيانات أكبر ومتعددة المراكز وتطوير نسخ أخفّ مناسبة للاستخدام في الوقت الحقيقي. ومع ذلك، توحي نتائجهم بأن قرّاء الصور الأذكياء من هذا النوع قد يصبحون قريباً رفقاء روتينيين للأشعة، محسنين بصمت فرص الملايين الذين يعيشون مع ركبات مؤلمة وهشة.

الاستشهاد: Sudha, K., Rajiv Kannan, A. Enhanced swin transformer with dual attention for knee osteoarthritis severity grading from X-ray images. Sci Rep 16, 10617 (2026). https://doi.org/10.1038/s41598-026-44174-4

الكلمات المفتاحية: التهاب مفصل الركبة, تصوير بالأشعة السينية, التعلم العميق, شبكات المحول (Transformer), تصنيف الصور الطبية