نموذج ذكاء اصطناعي جديد يمهد الطريق لتشخيص موثوق لـ COVID-19 عبر الأشعة السينية للهواتف الذكية
- تقيّم الدراسة قيود تشخيص صور الأشعة السينية بمساعدة الذكاء الاصطناعي عبر تطبيقات المراسلة (AIDXA) في سياق تشخيص كوفيد-19.
- يحدد الباحثون «عدم استقرار التنبؤ» (PIP) و«الاهتمام خارج الرئة» (OLS) كأوجه قصور حرجة في نماذج AIDXA الحالية.
- تم تقديم نموذج مبتكر للتعلم متعدد المهام، COVIDMT، لمعالجة تحديات PIP وOLS، حيث أظهر نتائج واعدة.
في خطوة رائدة نحو تحسين فعالية تشخيص COVID-19 عبر الهواتف الذكية، تدرس دراسة حديثة نُشرت في مجلة Scientific Reports بدقة تفاصيل التشخيص المدعوم بالذكاء الاصطناعي لصور الأشعة السينية من خلال تطبيقات المراسلة (AIDXA). ومع الاعتماد المتزايد على نماذج الذكاء الاصطناعي في التشخيص الطبي، يكشف الباحثون عن القيود التي كانت تكمن في الظل، لا سيما عند تحليل صور الأشعة السينية المضغوطة بشدة والمشاركة عبر تطبيقات الهواتف الذكية.
الكشف عن القيود
في سعيهم لفحص المشهد الحالي لتشخيص COVID-19 المدعوم بالذكاء الاصطناعي، يقدم الباحثون دراسة حالة شاملة تسلط الضوء على قيدين رئيسيين لنظام AIDXA—عدم استقرار التنبؤ (PIP) والبروز خارج الرئة (OLS). ويؤكد الدراسة على التأثير الحاسم لهذه القيود على موثوقية نماذج الذكاء الاصطناعي في تحديد COVID-19 من خلال صور الأشعة السينية المرسلة عبر الهواتف الذكية.
يقدم المحققون إضافة رائدة إلى المشهد الأكاديمي في شكل مجموعة بيانات مبتكرة، تُشار إليها بـ "WhatsApp CXR" (WaCXR). صُممت هذه المجموعة البيانات التي تم انتقاؤها بعناية خصيصاً لفحص وتقييم تأثير ضغط الصور على أداء نماذج AIDXA. ومع تجميع يتجاوز 6500 حالة، تشمل صور الأشعة السينية للصدر (CXR) المضغوطة وغير المضغوطة، تعمل هذه المجموعة كساحة تجريبية للكشف عن الهشاشة الكامنة في نماذج الذكاء الاصطناعي الحالية.
تسلط النتائج الصادرة عن الدراسة الضوء على الهشاشة الكامنة في النتائج التنبؤية، حيث قد يقدم نموذج واحد نتائج تشخيصية متضاربة اعتماداً على حالة ضغط صورة الأشعة السينية قيد النظر. ويؤكد هذا الاستكشاف الدقيق التفاعل المعقد بين ضغط الصور واستقرار التنبؤات التشخيصية للذكاء الاصطناعي، مما يساهم بشكل كبير في النقاش المستمر حول تحسين وتعزيز الذكاء الاصطناعي في التصوير الطبي.
لتحديد هذه المشكلات، يقدم الباحثون "درجة عدم الاستقرار" (PI Score) و"درجة البروز" (OLS Score) كمقاييس، مما يلقي الضوء على درجة عدم الاستقرار والبروز الموجودة في أحدث نماذج AIDXA. توفر هذه المقاييس أساساً كمياً لفهم القيود التي تعيق التطبيق السلس للذكاء الاصطناعي في مجال تشخيص COVID-19.
COVIDMT نموذج ذكاء اصطناعي ثوري
رداً على التحديات المحددة، يكشف الباحثون عن حل ثوري—COVIDMT. صُمم هذا النموذج الجديد للتعلم متعدد المهام (MTL) بدقة للتغلب على أوجه القصور في نماذج AIDXA الحالية، لا سيما معالجة PIP وOLS.
يُعد COVIDMT، المبنى على شبكة تعلم عميق متطورة، بداية لعصر جديد من الموثوقية في تشخيص COVID-19. ومن خلال الاستفادة من التعلم بالنقل باستخدام أوزان Imagenet، يُظهر النموذج تحسناً بنسبة 40% في درجة PI وتحسناً بنسبة 35% في درجة OLS مقارنة بنماذج أخرى مثل ResNet-50 وResNeXt-50.
تغوص هذه الدراسة بعمق في أنظمة AIDXA المستخدمة على نطاق واسع، وتحديداً فحص الشبكات العصبية العميقة البارزة مثل ResNet-50 وResNeXt-50 وVGG-19 وXceptionNet وCOVID-Net المميز. ومن الجدير بالذكر أن COVID-Net يحتل موقعاً بارزاً تحت الأضواء، نظراً لاستخدامه لنفس مجموعة بيانات التدريب الخاصة بـ COVIDMT، مما يسهل إجراء تحليل مقارن مباشر وذو معنى.
تسلط نتائج التقييم الشامل الضوء على متانة COVIDMT، مما يشير إلى تقدم ملحوظ في كل من الاستقرار والبروز عند مقارنته بنماذج تشخيص COVID-19 بالذكاء الاصطناعي السائدة في العصر الحالي. تلمح هذه النتائج بشكل خفي إلى الإمكانات الواعدة الكامنة في أطر التعلم متعدد المهام (MTL)، مما يقدم مساراً مثيراً وخصيباً للاستكشاف والتحسين اللاحق في مجال التشخيص الطبي.
مستقبل الذكاء الاصطناعي في تشخيص COVID-19 عبر الهواتف الذكية
مع توسع آفاق التشخيص الطبي المدعوم بالذكاء الاصطناعي، يترك لنا هذا البحث نتساءل عن التحديات والفرص المستقبلية. هل يمكن لأطر التعلم متعدد المهام، المتمثلة في COVIDMT، أن تكون المحور الرئيسي في تعزيز نماذج الذكاء الاصطناعي ضد عدم الاستقرار والبروز؟ ويأتي البحث عن تشخيص موثوق ودقيق لـ COVID-19 عبر الهواتف الذكية في صدارة الاهتمام، مما يحث الباحثين والممارسين على استكشاف مسارات مبتكرة وصقل التناغم بين الذكاء الاصطناعي والتصوير الطبي.
إذا كنت تقرأ هذا، فأنت متقدّم بالفعل. ابق هناك مع نشرتنا الإخبارية.
إخلاء مسؤولية. المعلومات المقدمة ليست نصيحة تداول. Cryptopolitan.com لا تتحمل أي مسؤولية عن أي استثمارات تتم بناءً على المعلومات المقدمة في هذه الصفحة. نوصي بشدة بإجراء بحث مستقل و/أو الاستعانة بمستشار مؤهل قبل اتخاذ أي قرارات استثمارية.
عامر شيخ
عامر صحفي تقني يتمتع بخبرة تزيد عن ست سنوات في مجالي العملات المشفرة والتقنية. تخرج من جامعة ماج بشهادة ماجستير في إدارة الأعمال بتخصص التمويل والتسويق. يعمل حاليًا مع موقع كربتوبوليتان، حيث يتناول أحدث التطورات في أسواق العملات المشفرة وتوقعات الأسعار.
