التصنيف والتنبؤ الدقيق بالفصال العظمي للركبة استنادًا إلى محسن التحسين الاستدلالي لنصف قطر الأرض لَـالبيروني ومصنف LSTM

لماذا يهم هذا لألم الركبة

ألم الركبة الناتج عن الفصال العظمي يصيب مئات الملايين من الناس ويمكن أن يؤدي في النهاية إلى استبدال المفصل. اليوم، لا يزال الأطباء يعتمدون بدرجة كبيرة على عيونهم لقراءة صور الأشعة السينية، والتي قد تفشل في كشف المرض المبكر وتعتمد على حكم فردي. تُظهر هذه الدراسة كيف يمكن لنظام ذكاء اصطناعي مصمم بعناية أن يقرأ صور أشعة الركبة بدقة لافتة، مقدّمًا طريقة أسرع وأكثر اتساقًا لاكتشاف المشكلات مبكرًا ومساعدة المرضى على تجنّب العجز الشديد.

فهم التلف والتآكل في الركبة

الفصال العظمي للركبة هو تحلّل طويل الأمد للغضروف الأملس الذي يوسّع المفصل، يتبعه تغيرات في العظم تحتها. إنه شائع خصوصًا لدى كبار السن والنساء بعد سن اليأس والأشخاص الذين يعانون من السمنة أو إصابات سابقة في الركبة. يُشخّص العديد من المرضى فقط بعد أن يصبح التلف متقدمًا، عندما تجعل الألم والتيبّس الأنشطة اليومية صعبة وقد يصبح استبدال المفصل الخيار الوحيد. الطرق الحالية، التي تجمع بين الأعراض والفحص البدني والفحص البصري لصور الأشعة أو الرنين المغناطيسي، غير كاملة وغالبًا ما تكشف عن المرض في مرحلة متأخرة من مساره.

كيف يتعلم الذكاء الاصطناعي قراءة أشعة الركبة

بنى الباحثون سلسلة معالجة متعددة المراحل تأخذ صور الأشعة السينية الخام للركبة وتحوّلها تدريجيًا إلى قرار بسيط: فصال عظمي أم طبيعي. أولًا، استخدموا شبكات تعرف على الصور مدرَّبة مسبقًا واسعة—AlexNet وVGG19 وGoogleNet—لاستخراج أنماط بصرية تلقائيًا من كل صورة أشعة. هذه الشبكات، التي دُرِّبت أصلاً على صور فوتوغرافية يومية، قادرة على تمييز أشكال وملمس دقيق مثل تضيق الفراغ المفصلي ونموات عظمية صغيرة يصعب قياسها بالعين. من بين هذه الخيارات، أنتجت GoogleNet أكثر الميزات الصورية إفادة لتمييز الركب المريضة عن السليمة.

ترك مرشح ذكي يختار الأدلة الأكثر دلالة

يمكن للشبكات الحديثة توليد آلاف الميزات الرقمية من صورة واحدة، لكن ليست كلّها مفيدة. إدخال كل شيء في مصنّف قد يضيف ضوضاء، ويبطئ الحساب، بل ويقلّل الدقة أحيانًا. لحل هذه المشكلة، استخدم المؤلفون استراتيجية بحث تُسمى محسن نصف قطر الأرض لَـالبيروني (BER) بصيغته الثنائية. يتصرف هذا الخوارزم مثل سرب من المستكشفين الرقميين الذين يقسّمون جهودهم باستمرار بين مسح مناطق جديدة من «فضاء الحلول» وصقل المناطق الواعدة. هنا، يمثل كل مستكشف مجموعة فرعية مختلفة من ميزات الصورة. عبر جولات متعددة، يتعلّم الخوارزم أي تراكيب الميزات تُفرّق بشكل أفضل بين الركب الطبيعية والمصابة ويستبعد المعلومات المكررة أو غير المفيدة.

تحويل الميزات إلى تشخيص عبر خطوات تشبه الزمن

بمجرد اختيار الميزات الأكثر صلة، تُمرَّر إلى نوع من الشبكات العصبية يُعرف بالذاكرة طويلة وقصيرة الأمد (LSTM). على الرغم من أن LSTM تُستخدم عادةً لسلاسل زمنية، في هذه الدراسة تُرتّب قيم الميزات على شكل تسلسل. تعالج LSTM هذه القائمة المرتبة خطوة بخطوة، مُقرِّرة في كل مرحلة أي المعلومات تحتفظ بها وأيها تنساها. في الواقع، تعمل كمرشح قوي يلتقط العلاقات ذات المستوى الأعلى بين الميزات، بدلاً من النظر إلى كل رقم بشكل منفصل. ثم يُستخدم محسن BER مرة ثانية لضبط الإعدادات الداخلية للـLSTM، موازنًا بين سرعة التعلم وتعقيد النموذج ومدى تعميمه على صور أشعة جديدة.

ما مدى أداء النظام؟

درّب المؤلفون واختبروا نظامهم على 3835 صورة أشعة ركبة مَعلمة من مجموعة بيانات عامة، مقسّمة إلى مجموعات منفصلة للتدريب والتحقق والاختبار النهائي. قارنوا عدة تراكيب من المحسّنات والمصنّفات، بما في ذلك شبكات الإدراك متعدد الطبقات وLSTM موجهة بطرق بحث مختلفة مثل تحسين سرب الجسيمات وتحسين صقور هاريس. التصميم الفائز—ميزات GoogleNet مفلترة بطريقة BER الثنائية ومصنفة بواسطة LSTM مضبوطة بواسطة BER—حقق دقة تقارب 99.5% على مجموعة الاختبار. كما أظهر حساسية ونوعية عاليتين جدًا، ما يعني أنه نادرًا ما يفوّت الركب المصابة ونادرًا ما يخطئ في تصنيف الركب السليمة. أكدت الاختبارات الإحصائية (ANOVA واختبار ويلكوكسون للمرتبات الموقعة) أن هذه المكاسب لم تكن وليدة الصدفة.

السرعة والكفاءة والموثوقية

بعيدًا عن الدقة، حلّل الفريق تكلفة الحوسبة والمتانة. قاسوا مقدار قدرة المعالجة والذاكرة والوقت التي تتطلبها كل طريقة تحسين. وصلت المقاربة المبنية على BER إلى أفضل أداء بينما استخدمت موارد أقل وتوافقّت أسرع من التقنيات الأخرى. تعامل النموذج أيضًا جيدًا مع توازن الصور الطبيعية والفصل العظمي الطبيعي والمريضة: كانت دقته المتوازنة تقارب دقته الكلية، مما يدل على أنه لم يفضّل ببساطة الفئة الأكثر شيوعًا. أشارت فحوصات إضافية بتكرار التشغيل، وفترات الثقة، وتشخيصات بصرية للأخطاء إلى أن سلوك النظام كان مستقرًا ويمكن إعادة إنتاجه.

ماذا قد يعني هذا للمرضى

بعبارة بسيطة، تُظهر هذه العمل أن نظامًا ذكيًا يمكنه فحص صور الأشعة القياسية للركبة ويفصل، مع أخطاء قليلة جدًا، ما إذا كان الفصال العظمي موجودًا. عبر اختيار تفاصيل الصورة التي يثق بها بعناية وبتوليف مراحل اتخاذ القرار بدقة، تتفوق الطريقة على العديد من مقاربات الذكاء الاصطناعي الموجودة في المجال. بينما تستند الدراسة إلى مجموعة بيانات واحدة وتحتاج إلى اختبار عبر مستشفيات وفئات عمرية وأجهزة تصوير مختلفة، فإنها تشير إلى عيادات مستقبلية حيث يمكن للحاسوب أن يبرز بسرعة تلف المفاصل المبكر للأطباء، مساعدًا إيّاهم على التدخّل مبكرًا وربما تأجيل أو تجنّب جراحة استبدال الركبة.

الاستشهاد: Diab, A.G., El-Kenawy, ES.M., Areed, N.F.F. et al. Accurate classification and prediction of knee osteoarthritis based on Al-Biruni Earth Radius metaheuristic optimizer and LSTM classifier. Sci Rep 16, 13013 (2026). https://doi.org/10.1038/s41598-026-46131-7

الكلمات المفتاحية: الفصال العظمي للركبة, الذكاء الاصطناعي في التصوير الطبي, التعلّم العميق, تحليل صور الأشعة السينية, التحسين الاستدلالي الميتاهيورستيك