ماذا حدث
قدم الباحثون Report Supervision، أو R-Super، وهو إطار تدريبي يستخدم تقارير الأشعة لتوجيه نماذج الذكاء الاصطناعي في تحديد موقع الأورام وتحديدها في الأشعة المقطعية. تشير الورقة إلى تحسين أداء الكشف والتجزئة لأورام الكلى والبنكرياس، بما في ذلك الإعدادات التي تحتوي على ما لا يقل عن 50 قناعًا للورم مشروحًا.
تصف الورقة R-Super كوسيلة لتدريب نماذج التجزئة من نوعين من المعلومات: أقنعة الورم التفصيلية وتقارير الأشعة. يتم استخدام التقارير أثناء التدريب، وليس كمدخل إضافي أثناء التنبؤ السريري، وفقًا للملخص. يقدم الإطار وظائف الخسارة التي تهدف إلى جعل عدد الأورام المتوقعة للنموذج وحجمه وموقعه متوافقًا مع الأوصاف الواردة في التقارير. ويهدف هذا التصميم إلى تحويل النص السريري الأقل دقة، ولكن الأكثر وفرة، إلى إشراف مفيد لمهمة تجزئة الصور. في هذا الحساب، يكمل التقرير القناع أثناء التعلم بينما تظل مهمة التجزئة متمركزة على صورة الأشعة المقطعية. ولذلك فإن التمييز بين الإشراف على التدريب والتنبؤ السريري يعد أمرًا أساسيًا لما تصفه الورقة فعليًا.
قام الباحثون بتقييم النهج المتبع في تجزئة أورام الكلى والبنكرياس. استخدمت تجاربهم كميات مختلفة من بيانات التدريب، بما في ذلك مجموعات تصل إلى 41418 زوجًا من الأشعة المقطعية و3488 زوجًا من الأقنعة المقطعية لأورام البنكرياس. تشير الورقة البحثية إلى أنه، بعد التحقق الخارجي، أدى R-Super إلى زيادة درجة F1 لاكتشاف الورم ومعامل تشابه النرد بنسبة تصل إلى 15% مقارنة بالتدريب على الأقنعة وحدها. وتشير أيضًا إلى أن R-Super تفوق في الأداء على أساليب المقارنة بما في ذلك التدريب القائم على CLIP والتعلم متعدد المهام. تؤطر هذه المقارنات النتيجة المبلغ عنها كتقييم لاستراتيجيات التدريب، مع مراعاة الكشف وجودة الحدود معًا. وبالتالي فإن النتيجة الموضحة تتعلق بأداء النموذج في تجارب الورقة.
الادعاء العملي المركزي هو أن هذه الطريقة تساعد في إعدادات القناع النادر والأكبر حجمًا. يسلط الملخص الضوء بشكل خاص على النتائج عندما يتوفر 50 قناعًا فقط وعندما يتوفر 3488 قناعًا. وتقول أيضًا إن التقارير متاحة على نطاق واسع: تحتوي مجموعات البيانات العامة على عشرات الآلاف من أزواج تقارير التصوير المقطعي المحوسب، بينما تحتوي المستشفيات على مئات الآلاف. يعزو المصدر الدافع الأساسي إلى الوقت اللازم لإنشاء قناع ورم ثلاثي الأبعاد - يصل إلى 30 دقيقة - وإلى حقيقة أن أقنعة الورم لا يتم إنتاجها بشكل عام كجزء من التقارير السريرية الروتينية. تأتي القيمة المقترحة من الجمع بين الأقنعة الأكثر تفصيلاً والتقارير الأقل دقة المرتبطة بالفعل بعمليات الفحص. هذا المزيج هو أساس حجة كفاءة البيانات المبلغ عنها في الإطار.
لماذا يهم
يمكن أن توفر نماذج تجزئة الورم الخطوط العريضة التي تساعد أطباء الأشعة على فحص نتائج الذكاء الاصطناعي، ولكن إنشاء أقنعة الورم ثلاثية الأبعاد يتطلب عمالة كثيفة. إن استخدام التقارير التي تنتجها المستشفيات بالفعل يمكن أن يمنح المطورين معلومات تدريبية أكثر بكثير دون الحاجة إلى كل عملية مسح لتلقي قناع مفصل جديد.
يختلف التقسيم عن نتيجة التصنيف البسيطة لأنه يحدد مكان وجود الورم المشتبه فيه ويحدد حدوده. يقول المصدر إن هذه الخطوط العريضة يمكن أن تسهل على أخصائيي الأشعة التحقق من مخرجات الذكاء الاصطناعي والثقة بها. إذا كانت المكاسب المبلغ عنها موجودة عبر الإعدادات، فإن تحسين التجزئة قد يجعل مساعدة الذكاء الاصطناعي أكثر قابلية للفحص من النظام الذي يُرجع تصنيفًا أو احتمالًا فقط. وبالتالي فإن القيمة العملية لا ترتبط فقط بالدرجات المعيارية الأعلى، بل أيضًا بتوفير شيء مرئي يمكن للطبيب مراجعته. يمكن فحص الحدود فيما يتعلق بالمسح، مما يعطي المخرجات المبلغ عنها نموذجًا يسهل فحصه مقارنة بالتنبؤ المعزول. يعد هذا الدور المتعلق بقابلية التفسير جزءًا من أهمية جودة التجزئة.
مشكلة البيانات التي يعالجها R-Super شائعة في التصوير الطبي: قد يكون التعليق التوضيحي الأكثر فائدة باهظ الثمن، في حين أن المعلومات الأخرى المولدة سريريًا وفيرة. يمكن لتقارير الأشعة أن تصف رقم الآفة وحجمها التقريبي وموقعها، على الرغم من أنها قد لا تتتبع كل بكسل حدودي ببكسل. يحاول نهج R-Super استخدام تلك الأوصاف كقيود على عملية تدريب النموذج. وقد يؤدي ذلك إلى تقليل مقدار التعليقات التوضيحية اليدوية اللازمة لتوسيع مجموعات بيانات تجزئة الورم، خاصة بالنسبة للمؤسسات التي لديها أرشيفات كبيرة من عمليات المسح والتقارير المقترنة. وبالتالي، يربط الإطار المعلومات التي تم إنشاؤها بالفعل في التقارير السريرية مع الإشراف الأكثر تحديدًا المطلوب للتجزئة. وتعتمد أهميته على ما إذا كان هذا الاتصال يظل مفيدًا عندما تكون الأوصاف المتاحة أقل دقة من الأقنعة.
يمكن أن تكون النتائج مهمة أيضًا فيما يتعلق بكيفية تطوير أنظمة الذكاء الاصطناعي الطبية وتقييمها. قد يكون النموذج الذي تم تدريبه باستخدام التقارير قادرًا على استخدام السجلات السريرية الموجودة بشكل أكثر كفاءة من خط أنابيب القناع فقط، مما قد يؤدي إلى توسيع نطاق المستشفيات التي يمكنها المشاركة في التطوير. لكن المصدر هو تقييم ورد في ورقة واحدة. ولا يثبت أن الإطار يحسن التشخيص أو تخطيط العلاج أو نتائج المرضى أو عبء عمل أخصائي الأشعة. ولا يحدد الملخص ما إذا كانت صياغة التقرير أو الاتفاقيات المؤسسية أو الأخطاء في التوثيق السريري تؤثر على النتائج. تحافظ هذه الحدود على تركيز النتائج على التدريب المُبلغ عنه وتقييم التجزئة. كما أنها تعني أن الأهمية السريرية الأوسع تظل مسألة للحصول على أدلة إضافية، بدلاً من الاستنتاج الذي توصلت إليه هذه الدراسة.
الآلية التفاعلية: كيف تعمل فعليًا
استكشف التكنولوجيا الأساسية وراء هذا التطور بشكل تفاعلي.
crm_get_transaction(id='4092').A route planner searches possible journeys using explicit rules. What does this illustrate about AI?
ماذا تشاهد بعد ذلك
تظل النتائج المبلغ عنها نتائج بحثية وليست دليلاً على النشر السريري الروتيني. تشمل الأسئلة المهمة التي لم تتم الإجابة عليها كيفية اختلاف الأداء عبر المستشفيات، وأنماط التقارير، وأنواع الأورام، ومجموعات المرضى، وما إذا كان هذا النهج يحسن قرارات أطباء الأشعة في الدراسات السريرية المستقبلية.
وينبغي أن يركز المزيد من التدقيق على تكوين بيانات الورقة الكاملة وتصميم التحقق من صحتها. يحدد الملخص التحقق الخارجي ولكنه لا يحدد عدد المؤسسات، أو التركيبة السكانية للمريض، أو توزيع أحجام الورم أو مكاسب الأداء الدقيقة لكل عضو وحالة بيانات التدريب. تعد هذه التفاصيل مهمة لأن الطريقة يمكن أن تؤدي أداءً جيدًا على مجموعات بيانات مختارة بينما يتم النقل بشكل أقل موثوقية إلى المستشفيات التي تستخدم ماسحات ضوئية أو بروتوكولات أو لغة تقارير مختلفة. ومن شأن مراجعة هذه الجوانب أن توضح مدى إمكانية تفسير النتائج المبلغ عنها على نطاق واسع. كما أنه سيفصل الأداء في ظل ظروف اختبار الورقة عن الأداء في الإعدادات الأخرى. وهذا التمييز مهم للحكم على ما إذا كان النهج جاهزًا لتقييم أكثر تطلبًا.
تعد جودة التقارير واكتمالها من العوامل الرئيسية الأخرى لعدم اليقين. تم تصميم R-Super حول أوصاف عدد الأورام وحجمها وموقعها، لكن الملخص لا يذكر عدد المرات التي تحذف فيها التقارير هذه التفاصيل، أو تحتوي على لغة غامضة، أو لا تتفق مع الأقنعة المتاحة. كما أنه لا يوضح كيفية تعامل وظائف الخسارة الجديدة مع عدم اليقين في أوصاف النص الحر. من شأن النسخ المتماثل المستقل على مجموعات البيانات المتنوعة أن يساعد في تحديد ما إذا كانت الطريقة قوية بالنسبة لتلك الاختلافات في التوثيق. تتعلق هذه المشكلة بالعلاقة بين المعلومات الموجودة في التقرير والقناع المستخدم للمقارنة. إذا تغيرت هذه العلاقة بين المؤسسات، فإن فائدة الإشراف المبني على التقارير قد تتغير أيضًا. ولذلك تظل مسائل الإبلاغ التي لم يتم حلها مهمة للمتابعة.
سيكون المعلم المهم التالي هو الدليل من الدراسات المستقبلية أو القائمة على سير العمل. يمكن لمثل هذه الدراسات اختبار ما إذا كانت تراكبات التجزئة تساعد بالفعل أطباء الأشعة على اكتشاف الأورام، أو تقليل وقت المراجعة، أو تجنب الأخطاء، بدلاً من مجرد تحسين درجة F1 أو معامل تشابه النرد. سيكون من المفيد أيضًا رؤية نتائج لأنواع الأورام خارج الكلى والبنكرياس، ومقارنات مع الأدوات السريرية الحالية، وتقييمات الخصوصية، والحوكمة، ومتطلبات مشاركة البيانات عندما تستخدم المستشفيات التقارير للتدريب النموذجي. ستتناول هذه الدراسات ما إذا كان التحسن التقني المبلغ عنه يترجم إلى فائدة عملية. وحتى ذلك الحين، تدعم الورقة استمرار فحص نهج التدريب، في حين أن تأثيره على العمل السريري لا يزال غير مؤكد. وينطبق نفس التمييز على النشر، وهو ما لم تثبته التجارب المبلغ عنها.