انضم إلى نشراتنا الإخبارية اليومية والأسبوعية للحصول على آخر التحديثات والمحتوى الحصري حول تغطية الذكاء الاصطناعي الرائدة في الصناعة. يتعلم أكثر
صور التصوير بالرنين المغناطيسي معقدة بشكل مفهوم وغنية بالبيانات.
ولهذا السبب، اضطر المطورون الذين يدربون نماذج لغوية كبيرة (LLMs) لتحليل التصوير بالرنين المغناطيسي إلى قص الصور الملتقطة ثنائية الأبعاد. لكن هذا يؤدي إلى تقريب الصورة الأصلية، مما يحد من قدرة النموذج على تحليل الهياكل التشريحية المعقدة. وهذا يخلق تحديات في الحالات المعقدة التي تنطوي على أورام المخ أو اضطرابات الهيكل العظمي أو أمراض القلب والأوعية الدموية.
أيضًا جنرال إلكتريك للرعاية الصحية يبدو أنها تغلبت على هذه العقبة الضخمة، حيث قدمت أول نموذج مؤسسة لأبحاث التصوير بالرنين المغناطيسي ثلاثي الأبعاد لكامل الجسم (FM) هذا العام. إعادة AWS: اخترع. لأول مرة، يمكن للعارضات استخدام صور ثلاثية الأبعاد كاملة للجسم بأكمله.
تم إنشاء FM الخاص بشركة GE Healthcare من الصفر على AWS – هناك عدد قليل جدًا من النماذج المصممة خصيصًا للتصوير الطبي مثل التصوير بالرنين المغناطيسي – ويعتمد على أكثر من 173000 صورة من أكثر من 19000 دراسة. يقول المطورون إنهم قادرون على تدريب النموذج بحسابات أقل بخمس مرات مما كان مطلوبًا في السابق.
لم تقم شركة GE Healthcare بتسويق نموذج الأساس تجاريًا بعد؛ ولا يزال في مرحلة البحث التطوري. مقيم أولي, قداس الجنرال بريجهامعلى استعداد لبدء تجربته قريبًا.
وقال بيري بهاتيا، كبير مسؤولي الذكاء الاصطناعي في شركة GE Healthcare، لموقع VentureBeat: “تتمثل رؤيتنا في وضع هذه النماذج في أيدي الفرق الفنية العاملة في أنظمة الرعاية الصحية، ومنحهم أدوات قوية لتطوير الأبحاث والتطبيقات السريرية بشكل أسرع وأكثر فعالية من حيث التكلفة”.
تمكين التحليل في الوقت الحقيقي لبيانات التصوير بالرنين المغناطيسي ثلاثية الأبعاد المعقدة
في حين أن هذا يعد تطورًا رائدًا، إلا أن الذكاء الاصطناعي التوليدي وماجستير إدارة الأعمال ليسا مجالًا جديدًا للشركة. وأوضح بهاتيا أن الفريق يعمل بتقنيات متقدمة منذ أكثر من 10 سنوات.
هو أحد منتجاتها الرئيسية إير ريكون دي إلخوارزمية إعادة بناء قائمة على التعلم العميق تتيح لأخصائيي الأشعة الحصول على صور أكثر وضوحًا بسرعة أكبر. تعمل الخوارزمية على إزالة التشويش من الصور الأولية وتحسين نسبة الإشارة إلى التشويش، مما يقلل وقت المسح بنسبة تصل إلى 50%. منذ عام 2020، تم فحص 34 مليون مريض باستخدام AIR Recon DL.
بدأت شركة GE Healthcare العمل على MRI FM في أوائل عام 2024. نظرًا لأن النموذج متعدد الوسائط، فيمكنه إجراء بحث من صورة إلى نص، وربط الصور، وتقسيم الكلمات والأمراض وتصنيفها. وقال بهاتيا إن الهدف هو تزويد المتخصصين في الرعاية الصحية بمزيد من التفاصيل في فحص واحد أكثر من أي وقت مضى، مما يؤدي إلى تشخيص وعلاج أسرع وأكثر دقة.
قال دان شيران، المدير العام للرعاية الصحية وعلوم الحياة في AWS، لموقع VentureBeat: “يتمتع النموذج بإمكانيات كبيرة لتمكين التحليل في الوقت الفعلي لبيانات التصوير بالرنين المغناطيسي ثلاثي الأبعاد، والتي يمكن أن تحسن الإجراءات الطبية مثل الخزعات والعلاج الإشعاعي والجراحة الروبوتية”.
وقد تفوق بالفعل بالفعل على النماذج البحثية الأخرى المتاحة للجمهور في المهام بما في ذلك تصنيف سرطان البروستاتا ومرض الزهايمر. لقد أثبت دقة تصل إلى 30% في مطابقة فحوصات التصوير بالرنين المغناطيسي مع أوصاف النص في استرجاع الصور – وهو ما قد لا يبدو مثيرًا للإعجاب، ولكنه يمثل تحسنًا كبيرًا مقارنة بقدرة 3% التي أظهرتها نماذج مماثلة.
وقال بهاتيا: “لقد وصلنا إلى مرحلة تحقق فيها بالفعل بعض النتائج القوية”. “التداعيات ضخمة.”
القيام بالمزيد باستخدام البيانات (أقل بكثير).
وأوضح بهاتيا أن عملية التصوير بالرنين المغناطيسي تتطلب عدة أنواع مختلفة من مجموعات البيانات لدعم التقنيات المختلفة التي ترسم خريطة جسم الإنسان.
ما يعرف بتقنية التصوير الموزون T1، على سبيل المثال، يسلط الضوء على الأنسجة الدهنية ويقلل من إشارة الماء، في حين أن التصوير الموزون T2 يعزز إشارة الماء. الطريقتان متكاملتان وتخلقان صورة كاملة للدماغ لمساعدة الأطباء على اكتشاف التشوهات مثل الأورام أو الصدمات أو السرطان.
“تأتي صور التصوير بالرنين المغناطيسي بأشكال وأحجام مختلفة، تمامًا كما لو كان لديك كتب بأشكال وأحجام مختلفة، أليس كذلك؟” قال بهاتيا.
للتغلب على التحديات التي تمثلها مجموعات البيانات المختلفة، قدم المطورون استراتيجية “إعادة القياس والتكيف” حتى يتمكن النموذج من معالجة الاختلافات المختلفة والتفاعل معها. بالإضافة إلى ذلك، قد تكون البيانات مفقودة في بعض المناطق – على سبيل المثال، قد تكون الصورة غير مكتملة – لذلك قاموا بتعليم النموذج أن يتجاهل تلك الحالات ببساطة.
وقال بهاتيا: “بدلاً من التعثر، علمنا النموذج ترك الفجوات والتركيز على ما هو متاح. “فكر في الأمر على أنه حل لغز به بعض القطع المفقودة.”
استخدم المطورون أيضًا التعلم شبه الخاضع للإشراف بين الطلاب والمعلمين، وهو أمر مفيد بشكل خاص عندما تكون هناك بيانات محدودة. باستخدام هذه الطريقة، يتم تدريب شبكتين عصبيتين منفصلتين على البيانات المسماة وغير المسماة، حيث يقوم المعلم بإنشاء تسميات تساعد الطالب على التعلم والتنبؤ بالتسميات المستقبلية.
وقال بهاتيا: “نحن نستخدم الآن الكثير من تقنيات المراقبة الذاتية، والتي لا تتطلب كميات كبيرة من البيانات أو التصنيفات لتدريب النماذج الكبيرة”. “إنه يقلل من التبعية، حيث يمكنك أن تتعلم من هذه الصور الأولية أكثر مما كانت عليه في الماضي.”
وأوضح بهاتيا أن هذا يساعد على ضمان أداء النموذج بشكل جيد في المستشفيات ذات الموارد الأقل والآلات القديمة وأنواع مختلفة من مجموعات البيانات.
كما أكد على أهمية تعدد النماذج. وقال بهاتيا: “في الماضي، كانت الكثير من التكنولوجيا هي نفسها”. “سوف يرى فقط في الصورة، في النص. لكنها أصبحت الآن متعددة الوسائط، حيث يمكنها الانتقال من صورة إلى نص، ومن نص إلى صورة، بحيث يمكنك إحضار الكثير من الأشياء التي تم تنفيذها باستخدام نماذج منفصلة في الماضي ودمج سير العمل حقًا.
وشدد على أن الباحثين لا يستخدمون سوى مجموعات البيانات التي يحق لهم الحصول عليها؛ لدى GE Healthcare شركاء يرخصون مجموعات البيانات غير المحددة ويحرصون على الالتزام بمعايير وسياسات الامتثال.
استخدام AWS SageMaker لمواجهة تحديات الحوسبة والبيانات
مما لا شك فيه أن هناك العديد من التحديات عند إنشاء مثل هذه النماذج المتطورة، مثل القدرة الحسابية المحدودة للصور ثلاثية الأبعاد التي يبلغ حجمها غيغابايت.
وقال بهاتيا: “إنه حجم ضخم من البيانات ثلاثية الأبعاد”. “تحتاج إلى إدخالها في ذاكرة النموذج، وهي مشكلة معقدة حقًا.”
وللمساعدة في التغلب على هذه المشكلة، أنشأت جنرال إلكتريك الرعاية الصحية أمازون ساجيماكرالذي يوفر شبكات عالية السرعة وقدرات تدريب موزعة عبر وحدات معالجة الرسومات المتعددة ويستفيد من وحدات معالجة الرسوميات Nvidia A100 وTensor Core للتدريب على نطاق واسع.
وأوضح بهاتيا: “بسبب حجم البيانات وحجم النموذج، لا يمكنهم إرسالها إلى وحدة معالجة رسومات واحدة”. سمح لهم SageMaker بتخصيص العمليات وتوسيع نطاقها عبر وحدات معالجة الرسومات المتعددة التي يمكن أن تتفاعل مع بعضها البعض.
تستخدم أيضا من قبل المطورين أمازون إف إس إكس في أمازون إس 3 تخزين الكائنات، والذي يسمح بالقراءة والكتابة بسرعة لمجموعات البيانات.
وأشار بهاتيا إلى أن التحدي الآخر يتمثل في تحسين التكلفة؛ باستخدام Elastic Compute Cloud (EC2) من Amazon، تمكن المطورون من نقل البيانات غير المستخدمة أو المستخدمة بشكل غير متكرر إلى طبقة تخزين منخفضة التكلفة.
قال بهاتيا: “إن الاستفادة من SageMaker لتدريب هذه النماذج الكبيرة – في المقام الأول من أجل التدريب الفعال والموزع عبر مجموعات متعددة من وحدات معالجة الرسومات عالية الأداء – كان أحد المكونات المهمة التي ساعدتنا حقًا على المضي قدمًا بسرعة”.
وشدد على أنه تم إنشاء جميع المكونات من منظور سلامة البيانات والامتثال الذي أخذ في الاعتبار قانون HIPAA والقواعد والأطر التنظيمية الأخرى.
وفي نهاية المطاف، “يمكن لهذه التقنيات أن تبسط بالفعل، وتساعدنا على الابتكار بشكل أسرع، وتحسين الكفاءة التشغيلية الشاملة عن طريق تقليل العبء الإداري، وفي نهاية المطاف تقديم رعاية أفضل للمرضى – لأنك الآن تقدم رعاية أكثر تخصيصًا.”
بمثابة الأساس للنماذج المتخصصة الأخرى المضبوطة بدقة
في حين أن النموذج الحالي خاص بمجال التصوير بالرنين المغناطيسي، يرى الباحثون فرصًا كبيرة للتوسع في مجالات أخرى من الطب.
وأشار شيران إلى أن الذكاء الاصطناعي في التصوير الطبي، تاريخيًا، تعرض للعرقلة بسبب الحاجة إلى تطوير نماذج مخصصة لحالات معينة في أعضاء معينة، مما يتطلب شرحًا توضيحيًا من الخبراء لكل صورة مستخدمة في التدريب.
لكن هذا النهج “محدود بطبيعته” لأن الأمراض تظهر بطرق مختلفة بين الأفراد، وتمثل التعميمات تحديات.
وقال “نحن حقا بحاجة إلى الآلاف من هذه النماذج والقدرة على إنشاء نماذج جديدة بسرعة مع توفر معلومات جديدة”. تعد مجموعات البيانات المصنفة عالية الجودة ضرورية أيضًا لكل نموذج.
الآن مع الذكاء الاصطناعي التوليدي، بدلاً من تدريب نماذج منفصلة لكل مجموعة مرض/عضو، يمكن للمطورين التدريب المسبق لنموذج أساسي واحد يمكن أن يكون بمثابة الأساس لنماذج متخصصة أخرى مضبوطة بدقة.
على سبيل المثال، يمكن توسيع نموذج GE Healthcare ليشمل مجالات مثل العلاج الإشعاعي، حيث يقضي أخصائيو الأشعة وقتًا كبيرًا في وضع علامة يدويًا على الأعضاء التي قد تكون معرضة للخطر. وقال بهاتيا إنه يمكن أن يساعد أيضًا في تقليل أوقات الفحص أثناء الأشعة السينية والإجراءات الأخرى التي تتطلب من المرضى الجلوس في الجهاز لفترات طويلة من الزمن.
وتعجبت شيران قائلة: “نحن لا نقوم فقط بتوسيع الوصول إلى بيانات التصوير الطبي من خلال الأدوات المستندة إلى السحابة؛ نحن نعمل على تغيير كيفية استخدام البيانات لدفع تقدم الذكاء الاصطناعي في مجال الرعاية الصحية.
