“`html

هل ثورت الذكاء الاصطناعي تحليل صور الأشعة السينية للصدر؟

كان تحليل صور الأشعة السينية للصدر، وهو فحص حاسم للكشف عن أمراض مثل الالتهاب الرئوي أو السل، يعتمد لفترة طويلة على الخبرة البشرية. اليوم، يغير الذكاء الاصطناعي هذه الممارسة من خلال أتمتة جزء من العملية بدقة قد تتفوق في بعض الأحيان على دقة أطباء الأشعة. كانت الطرق الأولى تستخدم خوارزميات كلاسيكية، تعتمد على خصائص محددة يدويًا. أما اليوم، فإن شبكات العصب العميق، مثل نماذج شبكات العصب التلافيفية أو المحولات، تسمح بالكشف عن الشذوذات بدقة ملحوظة. هذه الأنظمة تحلل آلاف الصور لتحديد أنماط غير مرئية للعين المجردة، مثل الآفات أو التعتيمات، بل وتنتج تقارير أشعة كاملة.

التطورات الأخيرة دمجت نماذج متعددة الوسائط، تجمع بين الصور والبيانات السريرية، مثل التاريخ الطبي للمريض أو نتائج المختبر. هذا النهج الشامل يحسن دقة التشخيص من خلال ربط المعلومات البصرية بالسياق الطبي. على سبيل المثال، يمكن لنموذج ما الآن توليد تقرير مفصل من صورة أشعة سينية، مع مراعاة الأعراض أو السجل الطبي للمريض. كما أن هذه التطورات تقلل من وقت التحليل: في بعض المستشفيات، انخفض الوقت المتوسط لإنتاج التقرير من أكثر من عشرة أيام إلى أقل من ثلاثة أيام، بفضل فرز تلقائي للحالات العاجلة.

ومع ذلك، لا تزال هناك تحديات. يمكن أن تكون نماذج الذكاء الاصطناعي متحيزة إذا لم تكن البيانات المستخدمة في تدريبها ممثلة لتنوع المرضى. أظهرت دراسة أن الأداء ينخفض لبعض الفئات، مثل النساء أو الأشخاص من الأقليات العرقية، بسبب عدم توازن في مجموعات البيانات. بالإضافة إلى ذلك، يبقى عمل هذه الأنظمة الداخلي غير واضح في كثير من الأحيان، مما يصعب ثقة المهنيين الصحيين بها. تساعد تقنيات التوضيح، مثل خرائط الحرارة التي توضح المناطق في الصورة التي أثرت في التشخيص، على جعل هذه الأدوات أكثر شفافية.

تثير تعميم النماذج مشكلة أخرى. قد يفقد الخوارزمية المدرب في مستشفى واحد من فعاليته عند تطبيقه على صور أشعة سينية من مؤسسة أخرى، بسبب اختلافات في المعدات أو البروتوكولات. لحل هذه المشكلة، يستكشف الباحثون طرقًا لتكييف المجال، التي تسمح بتعديل النماذج لظروف جديدة دون إعادة التعلم من الصفر. كما أن مشاركة البيانات بين المؤسسات، على الرغم من تعقيداتها بسبب قضايا السرية، هي أيضًا سبيل لتحسين متانة الأنظمة.

تلعب قواعد البيانات دورًا مركزيًا في هذه التطورات. تحتوي مجموعات مثل ChestX-ray14، CheXpert أو MIMIC-CXR على مئات الآلاف من صور الأشعة السينية المُعلَّمة، مما يسمح بتدريب نماذج أكثر أداءً. بعض هذه المجموعات يشمل حتى تقارير أشعة كاملة، مما يسهل تعلم توليد النصوص تلقائيًا. بالنسبة للأطفال، تساعد مجموعات البيانات المتخصصة، مثل PediCXR، على تكييف الأدوات مع خصوصيات الأطفال، التي غالبًا ما تختلف عن تلك لدى البالغين.

تذهب أحدث النماذج، مثل نماذج الرؤية واللغة، إلى أبعد من ذلك. فهي قادرة على الإجابة عن أسئلة حول صورة أشعة سينية أو توليد صور اصطناعية واقعية من أوصاف نصية. هذه الابتكارات تفتح الباب أمام تطبيقات مثل محاكاة الحالات النادرة لتحسين تدريب الخوارزميات. ومع ذلك، يثير استخدام البيانات الاصطناعية تساؤلات حول حماية الخصوصية، حيث يمكن لبعض النماذج حفظ واستنساخ معلومات حساسة.

في مجال النصوص، تُستخدم نماذج اللغة الكبيرة، مثل تلك من عائلة BERT أو GPT، بشكل متزايد لتحليل تقارير الأشعة. فهي تستخرج تلقائيًا معلومات منظمة، مثل وجود أمراض معينة، أو تلخص التقارير في بضع جمل رئيسية. أظهرت دراسة أن أطباء الأشعة وجدوا صعوبة في التمييز بين ملخص تم توليده بواسطة ذكاء اصطناعي ونص كتبه إنسان، مما يبرز جودة هذه الأدوات. ومع ذلك، فإن نشرها يتطلب إشرافًا بشريًا لتجنب الأخطاء الحرجة.

في المستقبل، قد تتوسع دمج هذه التقنيات في المستشفيات. يمكن أن تتكامل أنظمة الذكاء الاصطناعي مباشرة مع برامج إدارة الصور الطبية، من خلال تقديم تنبيهات أو اقتراحات في الوقت الفعلي. قد أظهرت التجارب السريرية أن المساعدة بواسطة الذكاء الاصطناعي تقلل من أخطاء التشخيص وتحسن الاتساق بين أطباء الأشعة المختلفة. سيكون التعاون الوثيق بين المطورين والإكلينيكيين والمؤسسات ضروريًا للتغلب على آخر العقبات وضمان أن تستجيب هذه الأدوات للاحتياجات الحقيقية للمهنيين الصحيين.

“`

Sources et crédits

Étude source

DOI : https://doi.org/10.1038/s44401-026-00087-y

Titre : Artificial intelligence for chest radiography: an overview of techniques, challenges, and future directions

Revue : npj Health Systems

Éditeur : Springer Science and Business Media LLC

Auteurs : Hidetoshi Matsuo; Mizuho Nishio; Koji Fujimoto; Nicolas Deperrois; Takaaki Matsunaga; Farhad Nooralahzadeh; Michael Krauthammer; Takamichi Murakami