التعلم متعدد المهام الواعي بالبنية مع التعميم عبر النطاقات لتحليل فقرات قوي في صور العمود الفقري المقطعية

لماذا تهم مسح العمود الفقري الأكثر ذكاءً

آلام الظهر والكسور وأورام العمود الفقري تؤثر على ملايين البشر، ومع ذلك قراءة صور التصوير المقطعي للعمود الفقري عملية مرهقة للأشعة. يمكن أن تحتوي كل صورة على عشرات الفقرات وعلامات دقيقة للتلف يسهل تفويتها — خاصة عندما تأتي الصور من مستشفيات وأجهزة متعددة. تُقدّم هذه الدراسة نظامًا جديدًا للذكاء الاصطناعي يُدعى VertebraFormer، مصممًا لتحديد حدود كل فقرة تلقائيًا، وتعيين موضعها الصحيح في العمود الفقري، وتظليل الآفات المشتبه بها، وكل ذلك مع الحفاظ على الاعتمادية عبر مجموعة واسعة من الصور الواقعية.

نظام واحد لعدة مشاكل في العمود الفقري

بدلاً من بناء خوارزميات منفصلة لكل مهمة، أنشأ الباحثون نموذجًا موحَّدًا يتعامل مع ثلاث مهام في آن واحد: رسم حدود دقيقة لكل فقرة، ترقيمها من الرقبة وحتى أسفل الظهر، والإشارة إلى مناطق قد تمثل كسورًا أو انتشارًا سرطانيًا أو أضرارًا أخرى. يعتمد VertebraFormer على بنية “محول” حديثة (transformer)، اشتهرت أولًا في معالجة اللغة وفهم الصور، وهي جيدة بصورة خاصة في التقاط الأنماط بعيدة المدى. وهذا أمر حاسم للعمود الفقري، حيث يصبح شكل أي فقرة مفهومًا فقط في سياق العمود بأكمله.

معيار متنوع من الصور الواقعية

لاختبار ما إذا كان نظامهم سيصمد خارج مختبر أو مستشفى واحد، جمع الفريق معيارًا جديدًا سمّاه MultiSpine. يجمع هذا المعيار ست مجموعات بيانات مختلفة، بما في ذلك مجموعات عامة كبيرة وعينات خاصة من مستشفيات، ويغطي مناطق الرقبة والصدر وأسفل الظهر، وفي بعض الحالات كل من التصوير المقطعي (CT) والتصوير بالرنين المغناطيسي (MRI). تمت معاينة الصور على أجهزة مسح من علامات تجارية وبروتوكولات تصوير متنوعة، وووضع الأخصائيون إشارات حدودية للفقرات وتسمياتها التشريحية، وحيثما كان متاحًا مناطق الأمراض. كما بذل المؤلفون جهودًا غير عادية لضمان عدم وجود نسخ مخفية عبر المجموعات، متعقّبين معرفات الصور واستخدموا «التجزئة الإدراكية» (perceptual hashing) لاكتشاف الصور الشبه متطابقة.

كيف يتعلم الذكاء الاصطناعي بنية العمود الفقري والآفات

داخل VertebraFormer، يحوّل مشفر مشترك أولًا المسح ثلاثي الأبعاد للعمود الفقري إلى مجموعة من الرقع ويتعلم كيف ترتبط هذه الأجزاء عبر العمود بأكمله. فوق هذا العمود الفقري المشترك توجد ثلاث فروع متخصصة. أحدها يعيد بناء قناع ثلاثي الأبعاد مفصّل لكل الفقرات. يركّز آخر على كل فقرة على حدة، مستخدمًا موقعها ومحيطها ليقرر ما إذا كانت، على سبيل المثال، T11 أو L3. ينتج الفرع الثالث خرائط حرارة تتوهج أكثر في الأماكن التي يحتمل وجود آفة فيها. والأهم من ذلك، أن النموذج يتضمن وحدة «تعديل ديناميكية» تستشعر أسلوب التصوير — الاختلافات بين أجهزة المسح، والبروتوكولات، أو حتى CT مقابل MRI — وتُعدّل معالجة النموذج الداخلية بدقة، بهدف البقاء دقيقًا حتى عند مواجهة نوع صورة غير مألوف.

اختبار الصلابة

قارن الباحثون أداء VertebraFormer بنماذج رائدة لتحليل العمود الفقري على مجموعة بيانات MultiSpine. حقق باستمرار دقة أعلى في رسم حدود الفقرات، وترقيمها بشكل صحيح، وكشف الآفات. في اختبار «صفر تدريب» الأصعب، درّب النموذج على عدة مجموعات ثم قيّم على مجموعة غير مرئية تمامًا، محاكاة لنشره في مستشفى جديد. هنا أيضًا تفوق VertebraFormer على البدائل وأظهر هبوطًا طفيفًا فقط في الأداء. فحص الفريق تصميم النموذج عبر دراسات إقصاء (ablation)، مظهرين أن كل مكوّن مضاف — فرع التعريف، كاشف الآفات، وخاصة كتلة تعديل النطاق — ساهم بمكاسب قابلة للقياس. وبالرغم من تعقيده، يعالج النموذج حوالي 14 مجسّمًا ثلاثي الأبعاد كاملًا في الثانية على أجهزة حديثة، متفوقًا على خط أنابيب متعدد الشبكات سريع المعادل في جميع المهام الثلاث.

التعامل مع بيانات ضوضائية ومتحولة

الصور الإكلينيكية الواقعية بعيدة عن المثالية، لذا وضع المؤلفون النموذج تحت ضغوط بمحاكاة تشويش إضافي، تغيّرات في الشدة، شرائح أكثر سمكًا، وآثار معادن. ظل VertebraFormer مستقرًا تحت تدهورات متوسطة وفشل فقط في ظروف قصوى. كما أظهروا أنه عندما تُحدد معلومات النطاق بشكل خاطئ، ينخفض الأداء، مما يؤكد أن آلية التعديل ذات مغزى وليست زينة. في الوقت نفسه، ساعدت استراتيجيات التكيّف الفوري البديلة، مثل تعديل إحصائيات الميزات أو تقليل عدم اليقين في التنبؤ أثناء الاختبار، على استعادة بعض الأداء عندما كانت ملصقات النطاق غير موثوقة أو غير متاحة.

ماذا يعني هذا للمرضى والأطباء

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن VertebraFormer يجمع العديد من جوانب تحليل صور العمود الفقري في أداة ذكاء اصطناعي واحدة، أسرع وأكثر موثوقية. من خلال تعلّم البنية الكلية للعمود الفقري، والتكيّف مع أجهزة ومسحات مختلفة، وكشف كل من التشريح والمرض في آن واحد، يقلل من الحاجة لأنظمة منفصلة متعددة ويمكن أن يزوّد الأطباء بمخططات واضحة، ترقيم متسق، وخرائط حرارة بديهية للمناطق المشتبه بها. وبينما لا يزال يحتاج إلى اختبارات مستقبلية في سير العمل الإكلينيكي الحي وتدريب أوسع على الحالات النادرة والصور متعددة الوسائط، فإن هذا العمل يمهّد أرضية مهمة لتقييمات العمود الفقري الآلية التي تكون دقيقة وقابلة للتفسير ومتينة بما يكفي لمساعدة الأطباء أينما أُجريت الصور.

الاستشهاد: Du, J., Ge, H., Zhang, R. et al. Structure-aware multi-task learning with domain generalization for robust vertebrae analysis in spinal CT. npj Digit. Med. 9, 217 (2026). https://doi.org/10.1038/s41746-025-02288-5

الكلمات المفتاحية: تصوير مقطعي للعمود الفقري, تجزئة فقرات, كشف الآفات, الذكاء الاصطناعي في التصوير الطبي, تعميم عبر النطاقات