تقسيم متعدد الهياكل في تصوير القلب بالرنين المغناطيسي بكفاءة لتقييم القلب والأوعية الدموية مع تقييد الوسوم عبر دمج التناسق على مستوى البيانات والشبكة

لماذا يهم هذا البحث لصحة القلب

تستطيع فحوصات الرنين المغناطيسي للقلب كشف تفاصيل قد تنقذ الحياة حول مدى فعالية ضخ القلب، لكن تحويل هذه الصور المفصّلة إلى أرقام يمكن للأطباء استخدامها عادةً ما يتطلب تتبّعاً يدوياً يستغرق وقتاً من قبل الخبراء. يقدم هذا البحث طريقة ذكاء اصطناعي يمكنها أن تتعلم تحديد ملامح أجزاء القلب بدقة حتى عندما تكون نسبة صغيرة فقط من الصور معنونة بعناية من قبل الأخصائيين. من خلال الاستفادة بكفاءة من العديد من الصور غير المعنونة المخزنة بالفعل في المستشفيات، يمكن أن تجعل هذه المقاربة التحليل المتقدم للقلب أسرع وأرخص وأكثر توفراً على نطاق واسع.

تحويل فحوصات القلب الخام إلى قياسات مفيدة

لفهم كيفية عمل القلب، ينظر أطباء القلب إلى عدة هياكل في صور الرنين المغناطيسي، بما في ذلك الحجرتين الرئيسيتين للضخ وجدار العضلة. ومن هذه يقيسون الأحجام وكتلة العضلة ومدى انقباض القلب—أرقام توجه التشخيص وخيارات العلاج والمراقبة طويلة الأمد لحالات مثل فشل القلب واعتلال عضلة القلب. اليوم، غالباً ما تُرسم هذه الهياكل يدوياً أو باستخدام برامج تحتاج إلى إشراف دقيق. تهدف الطريقة الجديدة إلى أتمتة هذه الخطوة إلى حد كبير، بحيث يمكن توليد محيطات البطين الأيسر والبطين الأيمن والعضلة القلبية المحيطة بسرعة وباتساق لكل مريض.

تدريب الحواسيب بعدد قليل من الأمثلة

عقبة رئيسية في بناء ذكاء اصطناعي طبي موثوق هي أن الحاسوب عادةً ما يحتاج إلى آلاف الأمثلة المعنونة من قبل خبراء، وكل فحص للقلب قد يستغرق ساعات للتعليق عليه. مع ذلك، تحتفظ المستشفيات بالفعل بمستودعات كبيرة من الصور غير المعنونة. تعامل الباحثون مع هذا عبر استخدام استراتيجية تعلم شبه مراقب، حيث تُدمج مجموعة صغيرة من الصور المعنونة مع العديد من الصور غير المعنونة. يتعلم الذكاء الاصطناعي أولاً من الصور المعنونة بالطريقة التقليدية. وفي الوقت نفسه، يُوجَّه بلطف لإنتاج تنبؤات مستقرة ومتسقة مع الذات على الصور غير المعنونة، بحيث تساهم الصور التي لا تحتوي على رسومات خبراء في تحسين النموذج أيضاً. تقلل هذه المقاربة الاعتماد على العمل اليدوي المكلف بينما تظل توجه النظام نحو نتائج ذات معنى تشريحياً.

وجهتا نظر ذكاء اصطناعي مختلفتان تعملان معاً

يُدعى الإطار SemiCoTr، وهو يجمع بين نوعين مكملين من شبكات تحليل الصور. الأولى، المبنية على الشبكات العصبية الالتفافية التقليدية، جيدة في التقاط التفاصيل المحلية الدقيقة. أما الثانية، المبنية على تكنولوجيا المحولات الأحدث، فتتفوّق في رؤية العلاقات بعيدة المدى عبر الصورة بأكملها. في SemiCoTr، تنظر الشبكتان إلى نفس الصور وتتبادلان المعلومات. يحتفظ كل نموذج بنسخة "معلم" يتم تحديثها ببطء تكون تنبؤاتها مرجعاً مستقراً للنموذج "الطالب" الذي يتغير بسرعة، مما يفرض التناسق عبر الزمن. بالإضافة إلى ذلك، تشرف الشبكتان على بعضهما البعض: عندما تكون إحدى الشبكات واثقة من بنية ما في صورة غير معنونة، تساعد تنبؤاتها في تدريب الأخرى. هذا الإرشاد المتبادل على مستوى البيانات ومستوى الشبكة يؤدي إلى محيطات قلبية أكثر صلابة واتساقاً تشريحياً.

ما مدى فاعليتها فعلاً؟

اختبر الفريق طريقتهم على مجموعة بيانات عامة لتصوير القلب بالرنين المغناطيسي تضم 100 مريض تُستخدم على نطاق واسع في المجتمع البحثي. محاكوا سيناريو واقعي حيث كانت 5–10% فقط من الصور معنونة من قبل الخبراء وعُومِل الباقي كصور غير معنونة. مع إضافة المزيد من البيانات غير المعنونة، ارتفعت دقة التقسيم التلقائي تدريجياً، مقتربة من أداء النماذج المدربة على مجموعات بيانات معنونة بالكامل. بالمقارنة مع عدة تقنيات شبه مراقبة رائدة، حققت مقاربتهم دقة أعلى وحدود أنظف باستمرار لجميع الهياكل القلبية الثلاثة الرئيسية، مع بقائها عملية حسابياً للتدريب. أظهرت التجارب المتأنية أن التحسينات جاءت من كل من تصميم دالة الخسارة متعددة الأجزاء ودمج نوعي الشبكات المختلفين.

ماذا يعني هذا للمرضى والعيادات

تُظهر الدراسة أنه يمكن الحصول على قياسات قلبية عالية الجودة من الرنين المغناطيسي مع قدر أقل بكثير من الوسم اليدوي مما كان يُعتقد سابقاً ضرورياً. من خلال الاستفادة بشكل أفضل من الصور غير المعنونة التي تولدها المستشفيات يومياً، يشير SemiCoTr إلى أدوات ذكاء اصطناعي قابلة للتوسع يمكنها تقديم تقييمات قلبية دقيقة وقابلة للتكرار في البيئات السريرية المزدحمة. على المدى الطويل، قد تساعد هذه الأنظمة الأطباء على كشف مشاكل قلبية دقيقة في وقت أبكر، وتفصيل العلاجات بشكل أوثق لتناسب المرضى الفرديين، وتتبع تقدم المرض بمزيد من الاعتماد—وكل ذلك دون زيادة عبء العمل على أخصائيي التصوير الذين يعانون من ضغط العمل.

الاستشهاد: Guo, S., Zhao, X., Ren, J. et al. Efficient cardiac MRI multi-structure segmentation for cardiovascular assessment with limited annotation by integrating data-level and network-level consistency. npj Digit. Med. 9, 328 (2026). https://doi.org/10.1038/s41746-026-02475-y

الكلمات المفتاحية: تصوير القلب بالرنين المغناطيسي, تقسيم الصور الطبية, التعلم شبه المراقب, التعلّم العميق, تصوير القلب والأوعية الدموية