ذكاء اصطناعي جديد يتعلم تحليل الصور الطبية بكميات ضئيلة من البيانات

أظهرت دراسة جديدة أجرتها فريق من الباحثين بجامعة كاليفورنيا سان دييغو، تطورًا مهمًا في مجال الذكاء الاصطناعي الطبي، من خلال تطوير أداة جديدة تُسمى GenSeg، قادرة على تعلم تحليل الصور الطبية باستخدام كميات ضئيلة جدًا من البيانات المُANNOTATED (التي تم تسميتها يدويًا من قبل خبراء). هذا التطور يُعد خطوة كبيرة نحو جعل أدوات التحليل الذكية للصور الطبية أكثر فعالية وتوفيرًا في التكلفة، خاصة في البيئات الطبية ذات الموارد المحدودة. تُعد عملية التجزئة الطبية (Medical Image Segmentation) من أكثر المهام تحديًا في الذكاء الاصطناعي الطبي، حيث تتطلب تحديد كل بكسل في الصورة وفقًا لما يمثله — مثل الأنسجة السرطانية مقابل السليمة. عادةً ما يتم تنفيذ هذه المهمة من قبل أطباء متخصصين، لكنها تتطلب وقتًا طويلاً وتكلفة عالية. كما أن النماذج القائمة على التعلم العميق تحتاج إلى مجموعات بيانات ضخمة من الصور المُANNOTATED، وهو ما يشكل عائقًا كبيرًا في حالات الأمراض النادرة أو تقنيات التصوير الجديدة التي لا تتوفر لها بيانات كافية. حلّت GenSeg هذه المشكلة من خلال تقليل الحاجة إلى البيانات الحقيقية بنسبة تصل إلى 20 مرة. فبدلاً من الاعتماد على آلاف الصور المُANNOTATED، يمكن للنظام العمل بكفاءة مع عدد صغير جدًا من الصور المُANNOTATED — مثلاً 40 صورة فقط — ثم يُنتج صورًا اصطناعية مُحاكية لبيانات حقيقية، مدعومة ببيانات تسمية دقيقة، لتعزيز تدريب النموذج. النظام يعمل على مرحلتين: أولاً، يتعلم من تسميات التجزئة (النماذج اللونية التي تُظهر المناطق المريضة أو السليمة) كيفية إنشاء صور اصطناعية واقعية. ثانياً، يستخدم هذه الصور الاصطناعية لتوسيع مجموعة البيانات الحقيقية، ثم يُدرّب نموذج التجزئة على المزيج. ما يميز النظام هو دورة تغذية راجعة مستمرة: أداء النموذج في التجزئة يُستخدم لتوجيه تحسين الصور الاصطناعية، مما يضمن أن تكون هذه الصور مفيدة فعلاً في تحسين الأداء، وليس فقط واقعية بصريًا. تم اختبار GenSeg على مهام متعددة، منها تمييز البقع الجلدية في صور الجلد، والسرطان الثديي في التصوير بالموجات فوق الصوتية، وشرايين المشيمة في صور الجنين، والبوليبات في تنظير القولون، وقرح القدم في الصور العادية. كما تم تطبيقه على صور ثلاثية الأبعاد مثل خريطة الهيبوكامبوس أو الكبد، مع تحقيق تحسن بنسبة 10 إلى 20% في الأداء مقارنة بالأساليب الحالية، وباستخدام كميات بيانات أقل بكثير. يُتوقع أن تُسهم هذه الأداة في تسريع تطوير أدوات تشخيصية دقيقة، خصوصًا في المراكز الطبية التي تعاني من نقص في البيانات أو الكفاءات البشرية. كما أن الفريق يخطط لتحسين النظام من خلال دمج ملاحظات الأطباء مباشرة في عملية التدريب، لجعل البيانات الاصطناعية أكثر تماشيًا مع الواقع السريري. تم نشر النتائج في دورية Nature Communications، وتعتبر هذه الخطوة نقلة نوعية في جعل الذكاء الاصطناعي في الطب أكثر مرونة ووصولًا، خاصة في المراحل المبكرة من تطوير أدوات تشخيصية جديدة.