بدقة تتجاوز بكثير دقة أطباء الجلد المبتدئين، قام مستشفى جامعة بكين الدولي وآخرون بتطوير خوارزمية التعلم العميق للكشف عن آفات حب الشباب وتصنيفها

حب الشباب، المعروف أيضًا باسم البثور، هو مرض جلدي التهابي مزمن شائع يصيب أكثر من 80% من المراهقين و9.4 % من الأشخاص من جميع الأعمار في جميع أنحاء العالم. يعد التصنيف الدقيق لشدة حب الشباب أمرًا بالغ الأهمية لكل من العلاج السريري والإدارة اللاحقة.ومع ذلك، فإن تصنيف حب الشباب التقليدي يعتمد على الملاحظة والخبرة السريرية لأطباء الجلد، والأخطاء أمر لا مفر منه.

في السنوات الأخيرة، مع التوسع المستمر للذكاء الاصطناعي في المجال الطبي، جذبت طرق تحليل صور حب الشباب القائمة على الذكاء الاصطناعي الانتباه تدريجيًا.  على الرغم من تطوير بعض أساليب الذكاء الاصطناعي لأتمتة تصنيف شدة حب الشباب، إلا أن تنوع مصادر التقاط صور حب الشباب وسيناريوهات التطبيق المختلفة سوف تؤثر على أدائها.

وفي هذا السياق، قام هان جانجوين، كبير الأطباء في قسم الأمراض الجلدية في مستشفى جامعة بكين الدولي، وفريقه بتطوير خوارزمية التعلم العميق المسماة AcneDGNet، والتي يمكنها اكتشاف آفات حب الشباب بدقة وتقييم شدتها في سيناريوهات الرعاية الصحية المختلفة. نُشرت النتيجة في مجلة Scientific Reports، التابعة لمجلة Nature، تحت عنوان "تقييم نموذج الكشف عن آفات حب الشباب وتصنيف شدتها للسكان الصينيين في سيناريوهات الرعاية الصحية عبر الإنترنت وخارجها".

وقد أظهرت التقييمات المستقبلية أنإن خوارزمية التعلم العميق الخاصة بـ AcneDGNet ليست أكثر دقة من خوارزميات أطباء الجلد المبتدئين فحسب، بل إنها قابلة للمقارنة أيضًا مع خوارزميات أطباء الجلد الكبار من حيث الدقة.  يمكنه اكتشاف آفات حب الشباب بدقة وتحديد شدتها في سيناريوهات الرعاية الصحية المختلفة، مما يساعد أطباء الجلد والمرضى بشكل فعال في تشخيص وإدارة حب الشباب في الاستشارات عبر الإنترنت وسيناريوهات العلاج الطبي غير المتصلة بالإنترنت.

أبرز ما جاء في البحث

* تصميم نموذج مبتكر: يمكن أن يؤدي دمج المحول المرئي والشبكة العصبية التلافيفية إلى الحصول على جداول ميزات هرمية أكثر كفاءة، مما يجعل التصنيف أكثر دقة. * مجموعة بيانات تقييم متنوعة: تم جمع 2157 صورة وجه، تغطي مجموعات البيانات العامة والذاتية البناء. أصبحت أجهزة التقاط الصور متنوعة، والبيانات أكثر شمولاً، وتدريب النموذج وتقييمه أكثر تمثيلاً. * التقييم الشامل في سيناريوهات متعددة: تقييم شامل لأداء النموذج في سيناريوهات الاستشارة عبر الإنترنت والعلاج الطبي غير المتصل بالإنترنت. تم تقييم مجموعة من البيانات الاسترجاعية والمستقبلية باستخدام مجموعات بيانات ذات طبيعة مختلفة. * البيانات التجريبية قابلة للرجوع إليها بدرجة كبيرة: البيانات كلها من السكان الصينيين، وتم اختيار مقياس AGS المناسب لمجموعة البيانات الصينية كمعيار للتصنيف، وهو ما يتماشى أكثر مع الواقع السريري في الصين ويوفر دعماً قوياً لتشخيص حب الشباب والبحث المحلي.

* دقة عالية وقيمة سريرية: تظهر النتائج التجريبية أن دقة تصنيف السيناريوهات عبر الإنترنت تصل إلى 89.5%، ودقة تصنيف السيناريوهات غير المتصلة بالإنترنت تصل إلى 89.8%، مع وجود أخطاء حسابية صغيرة. كان النموذج أكثر دقة في تصنيف حب الشباب من أطباء الجلد الأساسيين.

عنوان الورقة:

https://www.nature.com/articles/s41598-024-84670-z

يجمع مشروع المصدر المفتوح "awesome-ai4s" أكثر من 200 تفسير لورقة AI4S ويوفر مجموعات بيانات وأدوات ضخمة:
https://github.com/hyperai/awesome-ai4s

مجموعة البيانات: تدريب واختبار النموذج المساعد متعدد المتغيرات

قام الباحثون بجمع مجموعتين من البيانات العامة، ACNE04 وAcneSCU، وثلاث مجموعات بيانات تم إنشاؤها ذاتيًا، AcnePA1 (بيانات حب الشباب من Ping An Good Doctor)، وAcnePA2، وAcnePKUIH (بيانات حب الشباب في مستشفى جامعة بكين الدولي). يتم تقسيم جميع الصور في ACNE04 وAcneSCU وAcnePA1 بشكل عشوائي إلى مجموعات بيانات تدريبية ومجموعات بيانات اختبار، بينما يتم استخدام الصور في AcnePA2 وAcnePKUIH فقط كمجموعات بيانات اختبار.

مجموعة بيانات التدريب:يحتوي على 586 صورة من ACNE04، تم التقاطها بواسطة كاميرا رقمية؛ 220 صورة من مركز AcneSCU، تم جمعها بواسطة نظام VISIA (نظام التصوير الرقمي لاكتشاف الجلد)؛ 791 صورة من AcnePA1، تم التقاطها بواسطة الهواتف الذكية.

مجموعة بيانات الاختبار:تم اختيار خمس مجموعات بيانات لسيناريوهين تطبيقيين مختلفين: الاستشارة عبر الإنترنت والعلاج الطبي غير المتصل بالإنترنت. تتضمن بيانات اختبار سيناريو الاستشارة عبر الإنترنت 118 صورة من AcnePA1 و148 صورة من AcnePA2، وكلها مأخوذة بواسطة الهواتف الذكية. تتضمن بيانات اختبار المشهد الطبي في المستشفى 147 صورة من ACNE04 تم التقاطها بواسطة كاميرا رقمية، و56 صورة من AcneSCU تم جمعها بواسطة نظام VISIA، و91 صورة من AcnePKUIH تم التقاطها بواسطة كاميرا. كما هو موضح أدناه.

هندسة النموذج: الجمع بين المحول المرئي وشبكة CNN

وفقًا لبيانات "دراسة العبء العالمي للأمراض (GBD) 2021"، يوجد 231 مليون مريض بحب الشباب بين الأشخاص الذين تتراوح أعمارهم بين 10 و24 عامًا في جميع أنحاء العالم، أي ما يقرب من 300 مليون شخص، وهو ما يمثل ربع الفئة العمرية! في التشخيص التقليدي لحب الشباب، يعتمد الأطباء بشكل أساسي على تقييم شدة حب الشباب من خلال التقييم البصري.لكن هذه الطريقة تعتمد بشكل كبير على الخبرة الشخصية للطبيب وتحتوي على أخطاء كبيرة. علاوة على ذلك، في المناطق التي تكون فيها الموارد الطبية نادرة، يكون من الصعب على الأشخاص الحصول على التشخيص والعلاج من أطباء الجلد المحترفين.

يعتمد AcneDGNet في هذه الدراسة على خوارزمية التعلم العميق المبتكرة التي تجمع بذكاء بين المحول البصري (ViT) والشبكة العصبية التلافيفية.

*يتمتع Visual Transformer بميزة فريدة في استخراج الميزات، ويمكنه التقاط مجموعة أوسع من علاقات الميزات في الصور.
* الشبكات العصبية التلافيفية جيدة في معالجة الميزات المحلية ويمكنها التعرف بدقة على آفات حب الشباب المختلفة.

يتم استخدام المحول المرئي لاستخراج الميزات من صور حب الشباب التي تم جمعها من مصادر مختلفة وإنشاء ميزات عالمية قوية. ثم،تم استخدام الشبكات العصبية التلافيفية للكشف عن أربعة أنواع من آفات حب الشباب، وهي الكوميدونات، والحطاطات، والبثور، والعقيدات/الأكياس، وفقًا لإرشادات نظام تصنيف حب الشباب (AGS).وأخيرا، يتم تحديد شدة حب الشباب عن طريق دمج السمات العالمية والسمات المحلية المرتبطة بالآفة.

يتكون نموذج AcneDGNet المذكور في هذه الدراسة من ثلاث وحدات رئيسية: وحدة استخراج الميزات، ووحدة اكتشاف الآفات، ووحدة تصنيف الشدة.تعتمد وحدة استخراج الميزات على بنية المحول المرئي لتوليد تمثيل أقوى للميزات العالمية؛ تستخدم وحدة اكتشاف الآفات الشبكة العصبية التلافيفية (CNN) للكشف عن 4 أنواع من آفات حب الشباب؛ وتحدد وحدة تصنيف الشدة شدة حب الشباب من خلال دمج تمثيلات الميزات العالمية والمحلية التي تدرك الآفة.

يظهر إطار عمل AcneDGNet أدناه. أولاً، يتم إدخال صورة الوجه إلى وحدة استخراج الميزات.تتضمن هذه الوحدة هندسة Swin Transformer وهندسة الهرم المميز.بعد ذلك، يتم إدخال مخرجات خريطة الميزات متعددة المقاييس بواسطة وحدة استخراج الميزات في وحدة اكتشاف الآفة ووحدة درجة الشدة على التوالي.

في وحدة اكتشاف الآفة، يتم الحصول على خريطة الميزات لمنطقة مرشح حب الشباب من خلال بنية شبكة اقتراح المنطقة للتنبؤ بموقع وفئة كل آفة حب الشباب في الصورة. في وحدة تصنيف الخطورة،يتم تغيير حجم خرائط الميزات متعددة المقاييس ودمجها مع خرائط الميزات الإقليمية التي تدرك الآفات في وحدة اكتشاف الآفات للتنبؤ بدرجة شدة صور حب الشباب.

تقييم النموذج في سيناريوهات الاستشارة عبر الإنترنت والعلاج الطبي غير المتصل بالإنترنت

من أجل التحقق بشكل أكثر شمولاً من فعالية نموذج AcneDGNet، قام الباحثون بتصميم سيناريوهين للتطبيق:ويشمل ذلك سيناريوهات الاستشارة عبر الإنترنت باستخدام الهواتف الذكية لالتقاط صور للوجه، وسيناريوهات الاستشارة الطبية غير المتصلة بالإنترنت باستخدام الكاميرات الرقمية وأنظمة VISIA وغيرها من المعدات المهنية لالتقاط الصور.اختيار مجموعات بيانات مختلفة للتقييم المناسب واعتماد أساليب تقييم مختلفة.

1. دقة عالية في السيناريوهات الطبية عبر الإنترنت

في السيناريو الطبي عبر الإنترنت، قام الباحثون باختيار بيانات الاختبار بعناية من مجموعات البيانات AcnePA1 وAcnePA2. وتأتي هذه البيانات كلها من صور تم التقاطها وتحميلها من قبل المرضى باستخدام الهواتف الذكية، كما هو موضح في الشكل أدناه، والذي يعكس حقًا الوضع الفعلي لالتقاط الصور في الرعاية الطبية عبر الإنترنت.

النتائج التجريبية مدهشة. يحقق AcneDGNet أداءً جيدًا في تصنيف شدة حب الشباب.وصلت الدقة الشاملة إلى 89.5%.بالنسبة لمجموعة بيانات AcnePA1،الدقة هي 85.6%،في مجموعة بيانات AcnePA2،معدل الدقة يصل إلى 92.6%.  وهذا يعني أن AcneDGNet يمكنه تحديد شدة حب الشباب بدقة وتزويد الأطباء بأساس موثوق للتشخيص. وتظهر نتائج التقييم التفصيلية في الجدول التالي:

بالإضافة إلى التصنيف، أظهر AcneDGNet أيضًا قدرات قوية في اكتشاف الاتجاهات المتغيرة في حالات حب الشباب.وفي الاختبارات التي أجريت على مجموعة بيانات AcnePA2، تمكنت من تحديد ما إذا كان مستوى حب الشباب لدى المريض قد ارتفع، أو ظل دون تغيير، أو تدهور، بدقة بلغت 87.8%.وفي 74 زيارة متابعة، تم التعرف بشكل صحيح على 65 حالة من اتجاهات حب الشباب، كما هو موضح أدناه:

ومن حيث خطأ العد، يعمل AcneDGNet أيضًا بشكل جيد. وكان إجمالي خطأ العد لمختلف آفات حب الشباب 1.91 ± 3.28 فقط.وكان خطأ العد للرؤوس السوداء 0.70±1.92، والحطاطات 1.28±2.01، والبثور 0.07±0.29، والعقيدات/الأكياس 0.12±0.38، كما هو موضح في الشكل أدناه. يشير معدل الخطأ المنخفض هذا إلى أن AcneDGNet يمكنه اكتشاف عدد آفات حب الشباب بدقة، مما يوفر دعمًا دقيقًا للبيانات للأطباء لتقييم الحالة.

(II) أداء التشخيص في المستشفيات غير المتصلة بالإنترنت يفوق أداء الأطباء الذين لديهم خبرة تزيد عن 5 سنوات

كما أن أداء AcneDGNet جيد في السيناريوهات الطبية غير المتصلة بالإنترنت. أجرى الباحثون تقييمات استرجاعية واستشرافية بناءً على مجموعات البيانات ACNE04 وAcneSCU وAcnePKUIH على التوالي. كما هو موضح أدناه:

في التقييم بأثر رجعي، تم اختبار AcneDGNet على مجموعات البيانات ACNE04 وAcneSCU.وتظهر النتائج أن دقتها الإجمالية تصل إلى 90.1%. ومن بينها، الدقة في مجموعة بيانات ACNE04 هي 91.2%، والدقة في مجموعة بيانات AcneSCU هي 87.5%.وتظهر نتائج التقييم التفصيلية في الجدول أدناه.

في التقييم المستقبلي، تم اختبار AcneDGNet على مجموعة بيانات AcnePKUIH ومقارنتها بنتائج التشخيص لاثنين من أطباء الجلدية المبتدئين بخبرة تزيد عن 5 سنوات (JD1 وJD2) واثنين من أطباء الجلدية الكبار بخبرة تزيد عن 10 سنوات (SD1 وSD2)، كما هو موضح في الشكل.

النتائج مذهلة.وصلت دقة AcneDGNet إلى 89.0%، وهي أعلى من 80.8% لأطباء الجلدية المبتدئين وقريبة جدًا من 90.7% لأطباء الجلدية الكبار. وبناءً على نتائج التقييم الاسترجاعي والمستقبلي، وصلت الدقة الإجمالية لـ AcneDGNet في السيناريوهات غير المتصلة بالإنترنت إلى 89.8%.لا شك أن هذا الإنجاز يوضح القيمة الكبيرة لـ AcneDGNet في السيناريوهات الطبية غير المتصلة بالإنترنت. إنه لا يستطيع تشخيص حب الشباب بدقة فحسب، بل إنه يوفر أيضًا مساعدة قوية للأطباء عديمي الخبرة، مما يساعدهم على تحسين دقة التشخيص.

الذكاء الاصطناعي يُمكّن تشخيص الجلد ويدخل عصر التشخيص والعلاج الذكي

في الواقع، أصبح تطبيق الذكاء الاصطناعي في الأمراض الجلدية شائعًا بالفعل. في عام 2019، أطلقت شركة لوريال ومجموعة علي بابا بشكل مشترك أول تطبيق في العالم للكشف عن مشاكل حب الشباب باستخدام الذكاء الاصطناعي عبر الهاتف المحمول—— لاروش بوزيه EFFACLAR SPOTSCAN.

بالإضافة إلى ذلك، في مايو 2023، قام فريق البروفيسور ليو جيه من قسم الأمراض الجلدية في مستشفى كلية الطب بجامعة بكين وشركة هانغتشو يونغليو للتكنولوجيا المحدودة بتطويرنظام تقييم ذكي لشدة حب الشبابوقد تم إطلاقه رسميًا للصناعة أيضًا. بعد عام واحد من ممارسة التطبيق والحصول على نصائح من الأطباء المحترفين، خضع النظام لترقيات متعددة في الخوارزمية وتحسينات في الوظائف. في فبراير 2024، أصدر مستشفى كلية بكين الطبية رسميًا إعلانًا عن تحول الإنجازات العلمية والتكنولوجية على موقعه الرسمي. وبعد المراجعة من قبل المستشفى، دخل النظام رسميًا مرحلة التحول السريري والتطبيق.

في يوليو 2024، تم إطلاق روبوت تشخيص وعلاج حب الشباب بالذكاء الاصطناعي من Tencent رسميًا في السوق. يمكنه إجراء تشخيص دقيق في 3 ثوانٍ فقط وتقديم خطة علاج في 10 ثوانٍ فقط.علاوة على ذلك، تم نشر نظام الذكاء الاصطناعي الطبي الخاص بشركة Tencent في أكثر من 1300 مؤسسة.نتائج التجارب السريرية مذهلة: دقة التشخيص لحب الشباب الكيسي هي 99.7% (الأطباء البشريون لديهم فقط 82.4%)؛ يمكن التحذير من ظهور حب الشباب قبل 6 أشهر من ظهوره (حساسية التنبؤ هي 91.3%)؛ يتم تقليل خطر التندب بسبب العلاج بمقدار 76% (بناءً على 3.2 مليون محاكاة للذكاء الاصطناعي)

بعد تكرارات الخوارزمية المستمرة، أصبح تشخيص حب الشباب ناضجًا بشكل أساسي. وفي المرحلة المقبلة، سيستمر تشخيص الجلد بمساعدة الذكاء الاصطناعي في التوسع ليشمل المزيد من المناطق.

المستقبل واعد، والذكاء الاصطناعي للعلوم سيكون له إمكانيات غير محدودة

إن نجاح AcneDGNet في تشخيص حب الشباب يعد إنجازًا جديدًا في مجال الذكاء الاصطناعي في المجال الطبي، مما يسمح لنا برؤية الإمكانات الهائلة للذكاء الاصطناعي في مجال العلوم. إنه لا يوفر طريقة تشخيصية أكثر دقة وراحة لمرضى حب الشباب فحسب، بل يوفر أيضًا خبرة وأمثلة قيمة لتطبيق الذكاء الاصطناعي في المجال الطبي.

لا يقتصر تأثير الذكاء الاصطناعي على العلوم على المجال الطبي. يمكن للذكاء الاصطناعي أيضًا أن يلعب دورًا مهمًا في مجالات علمية أخرى مثل علم المواد والفيزياء وعلم الفلك. ويمكن أن يساعد العلماء على معالجة وتحليل كميات هائلة من البيانات وتسريع تقدم البحث العلمي. في علم المواد، يمكن للذكاء الاصطناعي مساعدة العلماء في تصميم مواد ذات أداء أفضل من خلال محاكاة وتوقع خصائص المواد؛ في الفيزياء، يمكن أن يساعد العلماء على تحليل البيانات التجريبية واكتشاف الظواهر والقوانين الفيزيائية الجديدة؛ في علم الفلك، يمكن للذكاء الاصطناعي مساعدة علماء الفلك في معالجة وتحليل بيانات المراقبة الفلكية واكتشاف الأجرام السماوية والظواهر الكونية الجديدة...

الذكاء الاصطناعي هو بمثابة المفتاح الرئيسي الذي يفتح الأبواب إلى مجالات علمية غير معروفة. أعتقد أن الذكاء الاصطناعي للعلوم سيحقق في المستقبل المزيد من الاختراقات والابتكارات، وسيقدم مساهمات أكبر للتقدم البشري والتنمية!

مراجع:
1.https://mp.weixin.qq.com/s/vlzUWNQsxYaSVXKSt2dhhQ
2.https://cloud.tencent.com/developer/article/1526199
3.https://mp.weixin.qq.com/s/vN2q