استخدام الذكاء الاصطناعي في اكتشاف الكسور
تُعد رعاية الرضوح في أقسام الطوارئ مرهونة بالاكتشاف السريع والدقيق للكسور، لما له من دور جوهري في تخفيف معاناة المرضى وتفادي المضاعفات الخطيرة. وهنا يبرز دور الذكاء الاصطناعي كأداة ثورية تُحدث تحولًا في مسار التشخيص الطبي، وتسهم في رفع كفاءة الإجراءات وتعزيز سلاسة سير العمل داخل القسم.
أظهرت العديد من الدراسات قدرة الذكاء الاصطناعي على اكتشاف الكسور الدقيقة التي قد لا يلاحظها الأطباء في بعض الأحيان. فعلى سبيل المثال، كشفت دراسة عُرضت في مؤتمر RSNA 2023 أن الذكاء الاصطناعي تفوّق على اختصاصيي الأشعة في اكتشاف الكسور التي غالبًا ما يتم التغاضي عنها، ما يشير إلى أن التعاون بين اختصاصي الأشعة والذكاء الاصطناعي قد يُحسن من دقة التشخيص.
كما بدأت المعايير الوطنية تأخذ بعين الاعتبار الدور المتنامي للذكاء الاصطناعي في سير عمل التشخيص الطبي. ففي المملكة المتحدة، أوصى المعهد الوطني للصحة وجودة الرعاية (NICE) باستخدام نظام Rayvolve®، وهو حل ذكاء اصطناعي يشمل أربعة محاور رئيسية:
- AZtrauma: اكتشاف الكسور
- AZchest: أمراض الصدر
- AZmeasure: قياسات الزوايا والأطوال
- AZboneage: تقدير العمر العظمي
وتؤكد توصية NICE على القيمة السريرية للذكاء الاصطناعي، لا سيما في أقسام الطوارئ، لدوره في تقليل الأخطاء التشخيصية وتحسين سرعة ودقة اتخاذ القرار الطبي (المصدر: nice.org.uk).
يمثّل استخدام الذكاء الاصطناعي في اكتشاف الكسور خطوة أولى نحو مرحلة جديدة من الدقة التشخيصية وتسريع مسار الرعاية للمريض. في هذا المقال، نسلّط الضوء على آلية عمل هذه التقنية، وما يمكن أن تضيفه من قيمة حقيقية في بيئة العمل الطبي لأطباء الأشعة.
استخدام الذكاء الاصطناعي لاكتشاف الكسور في التصوير الطبي
يُعتبر AZtrauma من الحلول الذكية الرائدة في مجال الأشعة، وهو برنامج ذكاء اصطناعي معتمد بالكامل ضمن نموذج "البرمجيات الطبية كخدمة" (MDaaS)، طوّرته شركة AZMED للكشف عن الكسور. يعتمد النظام على خوارزميات متقدمة في التعلّم العميق ورؤية الحاسوب لتحليل الصور الطبية بدقة، والتعرّف على الكسور، والخلوع، و الانصبابات المفصلية.
يوفر AZtrauma دعمًا حقيقيًا لأخصائي الأشعة من خلال تعزيز دقة التشخيص وتسريع سير العمل. كما يعمل كقارئ ثانٍ ذكي، ما يساعد في تقليل احتمالية تفويت الإصابات الدقيقة أو المعقدة، خاصة في أقسام الطوارئ أو في الحالات ذات الأحجام الكبيرة من الصور.
وبصفته أداة مساعدة في التشخيص، يقدّم AZtrauma عددًا من المزايا المهمة مقارنة بالأساليب التقليدية، أبرزها:
تقنيات التعلّم الآلي المتقدمة
يعتمد Rayvolve® AI Suite من شركة AZMED على أحدث نماذج التعلّم العميق، بما في ذلك الشبكات العصبية الالتفافية (CNNs) والمحوّلات البصرية (Visual Transformers)، لتوفير دعم تشخيصي دقيق وفعّال لأطباء الأشعة.
تم تدريب النظام على واحدة من أضخم قواعد بيانات صور الأشعة السينية في العالم، تضم أكثر من 15 مليون صورة مشروحة بعناية من قبل أطباء أشعة معتمدين، مما مكّنه من التعرّف على أنماط الكسور الدقيقة والمعقّدة بكفاءة عالية.
هذا التدريب المكثّف يجعل من AZtrauma أداة قوية تدعم كفاءة أطباء الأشعة في الممارسة اليومية. فيما يلي نظرة عامة على مراحل تطوير النموذج:
- إنشاء قاعدة البيانات: تبدأ العملية بجمع عدد كبير من صور الأشعة السينية، تتضمن حالات مصابة بالكسور وأخرى سليمة.
- الشرح والتوصيف الطبي: يقوم أطباء أشعة مختصون بترميز الكسور وتحديد مواقعها بدقة في الصور، لتكون مرجعًا موثوقًا للتدريب.
- تدريب النموذج: يتعلم النموذج من البيانات الموصوفة كيفية التمييز بين الأنماط المختلفة للكسور من خلال تكرار العمليات وتحسين الأداء تدريجيًا.
- التحقق والتقييم: يتم اختبار النموذج باستخدام صور جديدة أو لم تُستخدم من قبل، للتحقّق من دقته وكفاءته في التطبيق العملي.
مزايا استخدام الذكاء الاصطناعي في اكتشاف الكسور
يعتمد نظام AZtrauma على خوارزميات متقدمة لتحليل صور الأشعة، مما يعزز دقة اكتشاف الكسور الدقيقة، ويقلّل من معدلات التشخيصات الخاطئة، سواء الإيجابية أو السلبية الكاذبة. ويتميز النظام بقدرته العالية على توفير قراءات متّسقة وسريعة، ما يُمكّن من تحديد الحالات الحرجة بشكل فوري، وتقليص أوقات الانتظار، وتسريع بدء العلاج في الوقت المناسب.
كما يُخفف AZtrauma من عبء المهام المتكررة عبر تنفيذها بشكل آلي، مما يمكّن أطباء الأشعة من التركيز على الحالات المعقدة، وبالتالي تقليل الإرهاق المهني وتحسين كفاءة الأداء داخل أقسام التصوير الطبي.
خلال مؤتمر RSNA لعام 2023، عرض الدكتور شون راج (Sean Raj)، مدير الابتكار في SimonMed، دراسة لتقييم أداء الذكاء الاصطناعي Rayvolve®3 .وشملت الدراسة مقارنة بين بيانات الفحوصات لعام 2022 (من دون استخدام الذكاء الاصطناعي) وعام 2023 (مع استخدامه)، حيث تم تحليل ما مجموعه 159,601 فحصًا في 2022 و170,703 فحصًا في 2023.
أبرز النتائج:
- ارتفعت نسبة اكتشاف الكسور من 10.4% بدون الذكاء الاصطناعي إلى 11.8% عند استخدامه.
- تم تقليص متوسط زمن إعداد التقرير للحالات الإيجابية للكسور من 48 ساعة إلى 8.3 ساعات فقط باستخدام الذكاء الاصطناعي — أي بانخفاض قدره 39 ساعة في المتوسط.
تطبيق الحلول المعتمدة على الذكاء الاصطناعي في المؤسسات الصحية
تعتمد AZmed نهجًا شاملًا في تدريب العاملين في القطاع الصحي، يشمل تقديم أساسيات الذكاء الاصطناعي، والتدريب العملي على استخدام برنامج AZtrauma، بالإضافة إلى إرشادات حول كيفية قراءة تقارير التشخيص المدعومة بالذكاء الاصطناعي وتوظيفها بشكل فعّال في اتخاذ القرار الطبي.
ولأن كل منشأة صحية لها متطلباتها الخاصة من حيث البنية التحتية ومتطلبات الأمان، توفر AZmed ثلاث نماذج مختلفة للتكامل: على الخوادم المحلية (On-Premise)، عبر الشبكات الخاصة الافتراضية (VPN)، أو مزيج بين الاثنين (On-premise & VPN). وقد تم تصميم هذه النماذج بعناية لضمان حماية بيانات المرضى، ومنع تسربها، مع توفير حلول آمنة لإدارة الشبكات وتخزين البيانات. تمنح هذه المرونة المؤسسات الصحية القدرة على اختيار النموذج الأنسب لاحتياجاتها وسياساتها الأمنية القائمة.
التكامل مع أنظمة التصوير الطبي القائمة
يُدمج نظام AZtrauma بسلاسة ضمن سير العمل في المستشفيات، حيث يتصل مباشرة بأنظمة التصوير الطبي لتقديم دعم تشخيصي مدعوم بالذكاء الاصطناعي:
خطوة الربط التقني
التفاصيل
الاتصال بنظام PACS (نظام أرشفة الصور والاتصالات)
يتصل نظام الذكاء الاصطناعي بنظام أرشفة الصور والاتصالات بالمستشفى
معالجة الصور
يقوم النظام تلقائيًا بمعالجة صور الأشعة الجديدة
عرض النتائج
يُبرز الكسور المحتملة ليراجعها اختصاصي الأشعة
عملية تحديد الكسور بشكل فوري
عند التقاط صورة أشعة جديدة:
- يستقبل نظام الذكاء الاصطناعي الصورة على الفور
- يقوم النموذج المدرب بتحليل الصورة لاكتشاف أنماط الكسور
- تُعرض النتائج خلال ثوانٍ مع إبراز مواضع الكسور المحتملة
- يقوم اختصاصي الأشعة بمراجعة النتائج المدعومة بالذكاء الاصطناعي خلال العرض الثانوي للصورة لإجراء التفسير النهائي
خاتمة
باستخدام خوارزميات التعلم العميق التي تم تدريبها على مجموعات بيانات ضخمة، يقوم نظام AZtrauma بتحليل الأشعة السينية خلال ثوانٍ لاكتشاف كسور العظام التي قد يكون من الصعب أحيانًا تفسيرها. فوائد هذه التقنية واضحة، حيث توفر دقة تشخيص أفضل، نتائج أسرع، وفرصًا أكبر لتوفير التكاليف على أنظمة الرعاية الصحية.
على الرغم من الإمكانيات الواعدة للذكاء الاصطناعي في اكتشاف الكسور، إلا أن التغلب على التحديات المتعلقة بجودة البيانات، والتحيّز في الخوارزميات، ودمج هذه التقنية بسلاسة ضمن الأنظمة الصحية الحالية يُعد أمرًا حيويًا وضروريًا. تلتزم AZmed بمواجهة هذه التحديات للحفاظ على أداء AZtrauma العالي و موثوقيته أثناء الاستخدامات السريرية .مع استمرار البحث والتطوير، من المتوقع أن تقوم التقنيات الحديثة والمستقبلية بتحسين أداء الذكاء الاصطناعي في تشخيص الكسور، وتوسيع نطاق استخدامه، وتعزيز جودة رعاية المرضى بشكل أكبر.
للاطلاع على مزيد من المعلومات حول حل AZtrauma، يمكنكم مراجعة الدراسات السريرية المتاحة هنا.
حالياً، تم اعتماد نظام AZtrauma في مراكز SimonMed Imaging، ويمكنكم متابعة المقابلة الكاملة التي أجراها "JT Radiologue" خلال مؤتمر RSNA 2024.
- Erik L. Ridley. خوارزمية الذكاء الاصطناعي تساعد في اكتشاف الكسور التي قد تُغفل. RSNA. 2023
- AZmed. NHS ستستخدم تكنولوجيا الذكاء الاصطناعي للكشف الأسرع والأدق عن الكسور. موقع AZmed. 2024
- Will Morton. الذكاء الاصطناعي يقلل وقت تقارير الكسور للأشعة السينية لدى أخصائيي الأشعة. RSNA. 2023
الولايات المتحدة الأمريكية
تصنيف الجهاز الطبي: الفئة الثانية (Class II) وفقًا لموافقة 510(k).
يُعدّ Rayvolve برنامجًا لمساعدة الكشف والتشخيص (CAD) يهدف إلى دعم أطباء الأشعة وأطباء الطوارئ في اكتشاف الكسور أثناء مراجعة صور الأشعة للجهاز العضلي الهيكلي. يُستخدم الجهاز لكل من البالغين والأطفال (من عمر سنتين فما فوق).
الاتحاد الأوروبي
تصنيف الجهاز الطبي: الفئة الثانية أ (Class IIa) في أوروبا (CE 2797) ووفقًا للوائح الأجهزة الطبية (2017/745).
يُعتبر Rayvolve أداة تشخيص بمساعدة الحاسوب، تهدف إلى مساعدة أطباء الأشعة وأطباء الطوارئ في اكتشاف وتحديد مواقع التغيرات غير الطبيعية في صور الأشعة التقليدية.
الأدلة السريرية
تقييم إمكانات أداة التعلم العميق لتحسين اكتشاف الكسور من قبل أطباء الأشعة وأطباء الطوارئ على صور الأشعة للأطراف
الهدف
تقييم الأداء المستقل لأداة تعتمد على الذكاء الاصطناعي وتقنيات التعلم العميق في اكتشاف الكسور على صور الأشعة للأطراف، بالإضافة إلى تقييم أداء أطباء الأشعة وأطباء الطوارئ في التعرف على الكسور في الأطراف مع الاستعانة بالأداة وبدونها.
الطرق
تم تطوير أداة الذكاء الاصطناعي سابقًا باستخدام 132,000 صورة أشعة لجهاز الهيكل العظمي الطرفي، مقسمة إلى 87% تدريب، 11% تحقق، و2% مجموعة اختبار. تم تقييم الأداء المستقل للأداة على 2626 صورة أشعة مجهولة الهوية من مؤسسة واحدة في ولاية أوهايو، شملت على الأقل 140 فحصًا لكل منطقة من مناطق الجسم .استند التقييم إلى قرار موحّد من ثلاثة أطباء أشعة عضلية هيكلية (MSK) أمريكيين معتمدين كمعيار مرجعي. أُجريت دراسة استعادية شارك فيها عدة خبراء تقييم شملت 24 مشاركًا (ثمانية أطباء طوارئ، وثمانية أطباء أشعة غير متخصصين في MSK، وثمانية أطباء أشعة متخصصين في MSK) حيث قاموا بتحديد الكسور في 186 حالة خلال جلستين مستقلتين مع وبدون مساعدة الذكاء الاصطناعي، مع فترة استراحة قدرها شهر بين الجلستين. تم مقارنة الدقة (الممثلة بمساحة تحت منحنى الاستقبال والتشغيل)، الحساسية، الخصوصية التشخيصي, ووقت القراءة مع وبدون مساعدة النموذج.
النتائج
حقق النموذج دقة مستقلة بلغت 0.986، حساسية بنسبة 0.987، وخصوصية بلغت 0.885، مع دقة عالية (> 0.95) عبر تصنيفات حسب جزء الجسم، العمر، الجنس، زوايا الأشعة، ونوع الجهاز المستخدم. باستخدام مساعدة الذكاء الاصطناعي، ارتفعت دقة القارئ بمقدار 0.047 (فاصل ثقة 95%: 0.034 إلى 0.061؛ القيمة الاحتمالية p = 0.004)، وتحسنت الحساسية بشكل ملحوظ من 0.865 (فاصل ثقة 95%: 0.848 إلى 0.881) إلى 0.955 (فاصل ثقة 95%: 0.944 إلى 0.964). كما تم تقليل متوسط زمن القراءة بمقدار 7.1 ثوانٍ (27%) لكل فحص. وعند التصنيف حسب نوع الطبيب، كانت هذه التحسينات أكثر وضوحًا لدى أطباء الطوارئ وأطباء الأشعة غير المتخصصين في MSK.
الخاتمة
أظهرت الأداة الذكية دقة عالية مستقلة، وساعدت في رفع دقة التشخيص لدى الأطباء، كما قلّلت من زمن قراءة الصور.
للمزيد من التفاصيل: منشور في مجلة Academic Radiology
التقييم الخارجي لخوارزمية التعلم العميق المتوفرة تجاريًا لاكتشاف الكسور عند الأطفال
الهدف
هدف هذه الدراسة هو اجراء تحقق خارجي لخوارزمية تقييم الكسور المعتمدة على التعلم العميق (Rayvolve®) باستخدام صور الأشعة الرقمية لمجموعة واقعية من الأطفال الذين يتوجهون بشكل روتيني إلى قسم الطوارئ.
الطرق
أُجريت هذه الدراسة الاستعادية على 2634 مجموعة صور أشعة (5865 صورة) لـ 2549 طفلاً (1459 ذكور، 1090 إناث؛ متوسط العمر 8.5 ± 4.5 سنة؛ النطاق العمري: من 0 إلى 17 سنة) تم تحويلهم من قسم الطوارئ للأطفال بسبب الإصابات. تم تسجيل لكل مجموعة ما إذا تم العثور على كسر واحد أو أكثر، وعدد الكسور، ومواقعها كما حدّدها أطباء الأشعة الكبار والخوارزمية. باستخدام تشخيص أطباء الأشعة الكبار كمرجع أساسي، تم حساب أداء خوارزمية التعلم العميق (Rayvolve®) من خلال ثلاث طرق مختلفة: طريقة الكشف (وجود أو عدم وجود كسر كمتغير ثنائي)، طريقة العد (العدد الدقيق للكسور المكتشفة)، وطريقة التمركز (تقييم ما إذا كانت الكسور المكتشفة محددة الموقع بشكل صحيح). كما أُجريت تحليلات فرعية بناءً على وجود الجبيرة أو عدمها، الفئة العمرية (0–4 سنوات مقابل 5–18 سنة)، والمنطقة التشريحية.
النتائج
فيما يتعلق بطريقة الكشف، أظهرت خوارزمية التعلم العميق حساسية بنسبة 95.7% (فاصل ثقة 95%: 94.0–96.9)، خصوصية بنسبة 91.2% (فاصل ثقة 95%: 89.8–92.5)، ودقة بنسبة 92.6% (فاصل ثقة 95%: 91.5–93.6). فيما يخص طريقتي العد والتمركز، حققت الخوارزمية حساسية بنسبة 94.1% (فاصل ثقة 95%: 92.1–95.6)، خصوصية بنسبة 88.8% (فاصل ثقة 95%: 87.3–90.2)، ودقة بنسبة 90.4% (فاصل ثقة 95%: 89.2–91.5) لكلا الطريقتين.
بالنسبة للتحليلات الفرعية حسب العمر، أظهرت الخوارزمية حساسية وقيمة تنبؤية سلبية أعلى في فئة الأطفال من 5 إلى 18 سنة مقارنة بفئة 0–4 سنوات في طريقة الكشف (P < 0.001 وP = 0.002 على التوالي) وكذلك في طريقتي العد والتمركز (P = 0.012 وP = 0.028). كانت القيمة التنبؤية السلبية العالية ثابتة في جميع التحليلات الفرعية، ما عدا المرضى الذين لديهم جبائر (P = 0.001 لطريقة الكشف وP < 0.001 لطريقتي العد والتمركز).
الخاتمة
تُعد خوارزمية التعلم العميق Rayvolve® موثوقة جدًا في اكتشاف الكسور لدى الأطفال، وخصوصًا لدى الأطفال الأكبر من 4 سنوات والذين لا يحملون جبائر.
الأسئلة الشائعة
هل يمكن للذكاء الاصطناعي اكتشاف الكسور؟
نعم، يمكن للذكاء الاصطناعي اكتشاف الكسور من الصور الطبية، بما في ذلك صور الأشعة السينية. بعض الحلول المعتمدة على الذكاء الاصطناعي مثل AZtrauma مبنية على نماذج تعلم عميق تم تدريبها على كميات ضخمة من البيانات للتعرف على الكسور، والخلوع، و الانصبابات المفصلية. وأظهرت الدراسات التي عُرضت في مؤتمر RSNA لهذا العام أن الذكاء الاصطناعي قادر على اكتشاف الكسور بدقة أعلى من الطرق التقليدية، مما يساعد في تقليل التشخيصات الفائتة.
كيف يُستخدم الذكاء الاصطناعي في التصوير الشعاعي؟
يساعد الذكاء الاصطناعي أطباء الأشعة من خلال المساعدة في تحليل صور الأشعة السينية لاكتشاف التغيرات غير الطبيعية مثل الكسور. يتم ذلك عبر خوارزميات ذكاء اصطناعي تم تدريبها على التعرف على أنماط ملايين الصور المشروحة، مثل الكسور والحالات الحرجة، بالإضافة إلى تقديم رؤى تشخيصية محتملة خلال ثوانٍ باستخدام Rayvolve®. يساهم ذلك في زيادة كفاءة سير العمل، تقليل معدلات الأخطاء التشخيصية، ودعم اتخاذ القرار السريري.
هل سيحل الذكاء الاصطناعي محل أطباء الأشعة؟
لا، لن يحل الذكاء الاصطناعي محل أطباء الأشعة. بل يعمل كأداة مساعدة تعزز اليقين التشخيصي وتخفف من عبء العمل، خاصة في بيئات العمل ذات الكثافة العالية. يستطيع الذكاء الاصطناعي اكتشاف الكسور وغيرها من التغيرات غير الطبيعية بسرعة، لكن التفسيرات والقرارات النهائية تبقى من اختصاص الأطباء.
هل الذكاء الاصطناعي أدق من أطباء الأشعة؟
أظهرت الأبحاث أن استخدام الذكاء الاصطناعي يزيد من فرص اكتشاف الكسور التي قد تُفوت عادةً. كشفت الدراسات في RSNA أن أطباء الأشعة الذين يستخدمون الذكاء الاصطناعي حققوا دقة أعلى مقارنة بأطباء الأشعة الذين يعملون بمفردهم. وأظهرت دراسة من SimonMed Imaging أن معدل اكتشاف الكسور ارتفع من 10.4% (بدون AI) إلى 11.8% (مع AI)، كما انخفض متوسط زمن إصدار التقرير من 48 ساعة إلى 8.3 ساعات بمساعدة الذكاء الاصطناعي. مع ذلك، أفضل أداء كان عند الجمع بين الذكاء الاصطناعي وأطباء الأشعة، وليس استبدالهم.
ما الذي يميز AZtrauma عن حلول اكتشاف الكسور الأخرى المعتمدة على الذكاء الاصطناعي؟
تتميز AZtrauma بكونها تقنية مثبتة طبّيًا من خلال دراسات سريرية، حيث حصلت على موافقة إدارة الغذاء والدواء الأمريكية (FDA) وشهادة المطابقة الأوروبية (CE)، مما يؤكد مطابقتها للمعايير التنظيمية المطلوبة. تم تدريبها على واحدة من أكبر مجموعات بيانات صور الأشعة السينية، مع توضيحات دقيقة من خبراء في الأشعة. بينما تركز بعض نماذج الذكاء الاصطناعي فقط على الكسور، تقوم AZtrauma أيضًا بالكشف عن الخلع و الانصبابات المفصلية، مما يجعلها حلًا تشخيصيًا أكثر دقة. كما أنها متكاملة بسلاسة مع أنظمة التصوير الطبي الحالية لضمان عملها بشكل متوافق مع سير عمل أطباء الأشعة. وفي بيئات الحياة الواقعية، مثل مراكز SimonMed Imaging، ثبت أنها تقلل من زمن الاستجابة وتزيد من معدلات الاكتشاف، مما يعزز من موثوقيتها.
