تشخيص طبي بمعونه حاسوب

Computer Aided diagnosis -

 التشخيص الطبي بمعونة الحاسوب

التشخيص الطبي بمعونة الحاسوب

رشا مسعود

المبدأ الأساسي للـتشخيص الطبي بمعونة الحاسوب

التشخيص بمعونة الحاسوب والذكاء الصنعي

تطبيقات الـتشخيص بمعونة الحاسوب

تقييم أداء أنظمة التشخيص بمعونة الحاسوب CAD والآفاق المستقبلية

تؤدي الصور الطبية في الوقت الحاضر دوراً أساسياً في كشف العديد من الأمراض وتشخيصها، وهذه الصور متنوعة جداً، منها ما يعطي معلومات تشريحية، ومنها ما يبين الأنشطة الوظيفية، كما أن بعضها يظهر التعبير الجزيئي أو الخلوي للأنسجة. تقدم الصور الطبية رؤية مباشرة للأجزاء الداخلية لجسم الإنسان، وتمكن من مراقبة التغيرات التشريحية الدقيقة والعمليات الحيوية. وبسبب غنى الصور الطبية بالمعلومات فإن تفسيرها الصحيح يعتمد على مدى خبرة الطبيب. وعملية التفسير هذه ليست سهلة دوماً، فهي تتعلق بالشخص نفسه في كثير من الأحيان، وقد تحدث بعض الأخطاء الطبية في الحالات الصعبة، وتقدر نسبة حدوث مثل هذه الأخطاء من 1-20%. ومن الشائع أن يعطي بعض الأطباء تفسيرات مختلفة للصورة الطبية؛ مما يؤدي إلى تشخيصٍ مختلف. علاوة على ذلك يمكن أن يعطي الطبيب ذاته تفسيرات مختلفة لمجموعة الصور الطبية نفسها في أزمنة مختلفة. وفي الوقت الحالي غدت مهمة طبيب الأشعة أكثر صعوبة، بسبب تطور أجهزة التصوير وتقنياته، وزيادة تعقيد الصور وعددها. وما زال حجم المعلومات المستقاة من الصورة الواحدة يتزايد باستمرار، حتى صار تفسير الصور الطبية يتطلب الاعتماد على تقنيات حديثة.

وللحصول على تشخيص أكثر وثوقية ودقة طُورت مؤخراً طرائق الكشف والتشخيص بمعونة الحاسوب Computer-Aided Detection and Diagnosis (CAD) من أجل تفسير الصور الطبية. وتعدّ تقنية CAD متعددة المجالات، تضم كلاً من الذكاء الصنعي والإبصار الحاسوبي ومعالجة الصورة الشعاعية والمرضية. ويرمز عادة لأنظمة الكشف بمعونة الحاسوب بالحروف CADe، ومهمتها تحديد البنى والأجزاء المهمة في الصورة، في حين يرمز لأنظمة التشخيص بمعونة الحاسوب بالرمز CADx، ومهمتها تقييم البنى المهمة في الصورة والتشخيص المرضي.

ثمة أربعة أنواع على الأقل من هذه التقنية، ويشار إليها بالأرقام الرومانية من I حتى IV، حيث يستخدم النوع I للمساعدة على الكشف البصري والتحليل النوعي والتحليل الكمي التفاعلي لعناصر الصورة التي هي محط الاهتمام، وذلك عن طريق تعزيز السمات البارزة لتلك العناصر، أو تقليل التشويش في خلفية الصورة. في حين يساعد النوع الثاني II على استخراج سمات العناصر المهمة في الصورة من أجل المزيد من التحليلات الكمية، وذلك باستخدام تقنيات مختلفة، مثل: تحديد الحواف، وإعادة بناء الهيكل الشجري، وتتبع الألياف، وتحليل نسيج الصورة وغير ذلك. أما النوع الثالث III فيستخدم للكشف المؤتمت وتصنيف عناصر الصورة محط الاهتمام، وذلك من خلال دمج كل من التقنيات الثلاث: التنقيب عن البيانات، وتحليل الصورة الطبية، ومعالجة الإشارة. وأما ما يختص بالنوع الرابع IV فيشتمل على دراسة الخصائص التشريحية والوظيفية للأنسجة التي لا تظهر بشكل واضح في الصورة، وذلك باستخدام النمذجة الرياضية.

وفي الوقت الراهن ثمة ثلاثة مجالات متداخلة يمكن أن يكون للـتشخيص بمعونة الحاسوب تأثير كبير في تشخيص الأمراض:

1- يزيد CAD من فعالية المهام التشخيصية الروتينية والمملة، والتي تتطلب دقة عالية، كإيجاد النقائل metastases في أقسام العقد اللمفاوية، حيث تستطيع خوارزمية CAD كشف النقائل أتماتياً تماماً، وأن تخفف هذه المهمة المملة على الأطباء، وتزيد في دقة التشخيص فعلياً.

2- تزيد خوارزمية CAD في دقة تحديد بعض درجات الإصابة، كمقياس غليسون Gleason scoring لسرطان الموثة (البروستات) على سبيل المثال، حيث يمكن أن يكون CAD بديلاً قوياً لقياس التغيرات في النسج التي ترتبط ارتباطاً وثيقاً بدرجة الورم بدقة وموثوقيّة.

3- يمكن أن يقدم CAD معلومات تساعد على التشخيص diagnosis وتوقعات سير المرض prognosis، التي لا يمكن للعين البشرية أو العقل البشري أن يميزها أو يقدرها.

يقدم CAD للطبيب المعالج تصوراً ثانياً في عمليات التشخيص والكشف عن المرض، ويعد جزءاً من أنظمة دعم القرار الطبي، حيث يختص أطباء الأشعة بقراءة الصور واقتراح القرار. وقد أظهرت الدراسات الحديثة أن استخدام أنظمة CAD يزيد في دقة تشخيص الأطباء الحديثي العهد إلى درجة مساوية لخبرة الطبيب المختص والمجرّب، ويبين الشكل (1) مخططاً لنظام CAD.

الشكل (1) مخطط توضيحي لنظام CAD.

المبدأ الأساسي للـتشخيص الطبي بمعونة الحاسوب

يقوم CAD بمعالجة الصورة الطبية رقمياً، ويحدّد المناطق المهمة في الصورة، ومن ثم يجزئ منطقة المرض ويستخلص السمات اللافتة للنظر ويصنفها بحسب سماتها، ويؤدي هذا إلى الكشف عن المناطق المرضية في الصورة. ويبين الشكل (2) مراحل نظام CAD، وأهم الخوارزميات المستخدمة في كل مرحلة.

الشكل (2) مراحل نظام CAD، وأهم الخوارزميات المستخدمة في كل مرحلة. حيث: CT: التصوير المقطعي المحوسب Computed Tomography. X- ray: الأشعة السينية SPECT: التصوير المقطعي بالإصدار أحادي الفوتون Single-Photon Emission computed Tomography MRI: التصوير بالرنين المغنطيسي Magnetic Resonance Imaging PET: التصوير المقطعي بالإصدار البوزيتروني Positron Emission tomography Ultrasound: التصوير فوق الصوتي

تشمل معالجة الصورة مرحلة أولية، الغرض منها تغيير حجم الصورة الأصلية إلى الحجم القياسي، بحيث يمكن تطبيق خوارزمية معالجة الصورة على الصور المختلفة، ومن ثم استخراج المنطقة محط الاهتمام (ROI) Region of Interest ، كما يتم في هذه المرحلة الحد من التشويش في خلفية الصورة، ومن ثم تنفيذ عمليات الترشيح الخطي وتحسين الصورة، كما يمكن تطبيق تحويل المويجات wavelet، أو غيره من عمليات المعالجة الأخرى للصورة.

في المرحلة الثانية يجري تحديد العناصر محط الاهتمام في الصورة. وتستعمل هنا تقنيات معالجة الصورة التقليدية، مثل التباين وزيادة نسبة الإشارة إلى التشويش والتدرج اللوني. أما المرحلة الثالثة فتشتمل على تجزئة العنصر محط الاهتمام واستخلاصه من خلفية الصورة، وذلك باستخدام تقنيات: مثل التعتيب وإنماء المناطق region growing وكشف الحواف ونموذج الحافة الفعالة active contour model وضبط المستوى والحاجز المائي watershed وغيرها من طرائق تجزئة الصورة. وأما المرحلة الرابعة فيتم فيها استخلاص سمات العنصر محط الاهتمام. ومن أهم هذه السمات: السمات الشكلية morphological features، وتتضمن الشكل والحجم والحواف وخشونة السطح وأشواكه، وسمات المستوى الرمادي (كالتباين والكثافة)، والسمات النسيجية (كالأنماط والتجانس والتدرج)، إضافة إلى السمات المستخرجة من تحويل المويجات.

يمكن استخراج سمات كثيرة للعناصر محط الاهتمام، لكن بعضها قد يكون غير متعلق بالحالة المرضية، بل يعد عبئاً على خوارزمية CAD، وبالتالي لا بد من مرحلة خامسة، هي اختيار السمات الخاصة (الخصائص)، حيث يتم فيها اختيار السمات المهمة من أجل التصنيف لاحقاً، كما يتم فيها تخفيض أبعاد فضاء السمات، وتقليل حجم العينة المعالجة. وهناك العديد من خوارزميات اختيار السمات، مثل خوارزمية تحليل المركبات الأساسية Principal Computer Analysis (PCA)، والخوارزمية الجينية Genetic Algorithm (GA)، والبحث الشامل Exhaustive Search (ES)، وخوارزميات الأمثَلة.

وأما المرحلة السادسة فتتضمن استخدام السمات المختارة للعنصر محط الاهتمام في التصنيفclassification ، وهنالك ثلاث غايات للتصنيف هي:

1- الكشف detection: يستخدم لكشف الآفة الحقيقية عن البنية التشريحية الطبيعية وتمييزها.

2- التمييز characterization: ويستخدم من أجل التفريق بين الآفات الخبيثة والحميدة.

3- التصنيف متعدد الفئات multi-class classification: ويستخدم للتفريق بين النسيج الطبيعي وكل من الآفات الخبيثة والحميدة.

وقد أثبتت المصنفات اللاخطية فعاليتها في التصنيف، كالمصنف التربيعي quadratic classifier، ومصنف بايز Bayesian classifier، والشبكات العصبونية neural networks، وآلة شعاع الدعم Support Vector Machine (SVM)، وخوارزمية العنقدة K-means clustering وغيرها.

التشخيص بمعونة الحاسوب والذكاء الصنعي

إن وجود تقنيات الذكاء الصنعي (AI) Artificial Intelligence جنباً إلى جنب مع تقنيات تحليل الصورة ومعالجتها، وتقنيات إدارة المعلومات وتمييز الأنماط يزيد من فعالية نظام CAD ويجعله أكثر وثوقية.

وقد استخدمت العديد من تقنيات الذكاء الصنعي في أنظمة CAD، وأهمها: آلة شعاع الدعم (SVM) التي استخدمت في أغلب أنظمة تصنيف الصور الطبية، والمنطق العائم (الضبابي) Fuzzy Logic (FL)، والجار الأقرب ((K-NN K-Nearest Neighbour التي أثبتت أنها أدوات مفيدة وخصوصاً في تجزئة صورة الدماغ، والشبكات العصبونية Neural Networks (NN) بأنواعها المختلفة، والتي تشمل التعلم الموجه وغير الموجه. وقد استخدمت كلها استخداماً متكرراً في تحليل صور الثدي mammogram، والرنين المغنطيسي للدماغ، وتحليل صور العظام، ودراسة الشبكية، إلى جانب الخوارزميات الهجينة التي تجمع بين أكثر من نوع من التقنيات، مثل خوارزمية العنقدة الضبابية والوسطاء المتعددين Fuzzy C-means clustering، إضافة إلى الخوارزمية الجينية Genetic Algorithm (GA)، وخوارزمية سرب الطيور (العناصر) Particle Swarm Optimization (PSO)، وكان جل استعمالها إما في عمليات تجزئة الصورة لتمييز الآفة وإما في استخلاص السمات واختيارها.

وقد انبثقت من تطور خوارزميات تعلم الآلة حديثاً تقنيات جديدة لتدريب الطبقات العميقة في الشبكات العصبونية، هي: تقنية التعلم العميق deep learning التي أظهرت أداءً عالياً في محاكاة الإنسان في مجالات مختلفة. ومن المتوقع أن تحدث تطوراً كبيراً في أنظمة التشخيص بمعونة الحاسوب. وقد استخدمت دراسة حديثة في هولندا نوعاً من خوارزميات التعلم العميق يسمى الشبكات العصبونية الالتفافية Convolution Neural Network (CNN) التي تم تدريبها على قاعدة بيانات ضخمة لنحو 45000 صورة ثدي. وعند مقارنتها مع أحدث نظام لتشخيص صور الماموغرام mammogram بمعونة الحاسوب أظهرت هذه الخوارزمية تفوقاً واضحاً وزيادة في النوعية specificity، حيث تتضمن خوارزمية CNN مجموعة من أربع وسبعين سمة تم تصنيفها إلى سمات التباين وسمات النسيج وسمات هندسية وسمات في مستوى البيكسل pixel وسمات المريض. كما قام الباحثون بقياس أداء هذه الخوارزمية مع ثلاثة أطباء أشعة خبراء ومعتمدين، وتبين عدم وجود أي فرق له أهمية في النتائج.

تطبيقات الـتشخيص بمعونة الحاسوب

تستخدم أنظمة التشخيص بمعونة الحاسوب في تشخيص العديد من الأمراض، منها:

- سرطان الثدي: يستخدم نظام CAD لقراءة صور الثدي بالأشعة من أجل الكشف المبكر عن المرض، حيث يساعد النظام على تحديد مناطق الورم وتصنيفه إلى خبيث وحميد، وهو نظام يستخدم لمعونة أطباء الأشعة في اتخاذ قرار التشخيص. وتتوفر بعض الأنظمة التجارية في هذا المجال إضافة إلى الأنظمة البحثية، ولقد تم استخدام الآلاف من هذه الأنظمة حول العالم والخاصة بالكشف عن سرطان الثدي بعد أن حققت ازدياداً في نسبة الكشف المبكر بمقدار 20%، إلا أنها ما تزال تعاني انخفاض النوعية.

- سرطان الرئة: يتم تشخيص هذا المرض عن طريق التصوير المقطعي المحوسب CT، وتستخدم أنظمة CAD خاصة ثلاثية الأبعاد لتعطي رأياً ثانياً يساعد الطبيب المشخص، تستطيع هذه الأنظمة الخاصة كشف الآفات المدورة، مثل سرطان الرئة أو النقائل، أو التغيرات الحميدة أيضاً ابتداء من 1مم. وتكمن أهمية التشخيص المبكر لسرطان الرئة في زيادة معدل النجاة من المرض؛ لذلك قام الباحثون بتطوير العديد من أنظمة CAD التي تستخدم صور الصدر بالأشعة السينية للكشف المبكر عن العقيدات الرئوية، والتفريق بين الخبيث والحميد منها، وقد بينت الدراسات أن أنظمة CAD حسنت من أداء طبيب الأشعة في الكشف عن العقيدات الرئوية وتشخيصها في صور CT، وأدى هذا إلى توفر بعض الأنظمة التجارية.

- سرطان القولون: يساعد نظام CAD على الكشف عن السلائل (البوليبات) القولونية المستقيمة في صور CT، حيث يستطيع CAD تمييزها من جدار القولون الطبيعي، والكشف عن السلائل التي ربما لا يتمكن الطبيب من كشفها من دون استخدام النظام.

- أمراض الشريان التاجي: توجد بعض الدراسات التي استخدمت CAD للكشف المؤتمت عن أمراض الشريان التاجي في الصور المقطعية للأوعية التاجية، وقد حققت أداء جيداً.

- أمراض العين: بدأت أبحاث كشف أمراض العين وتشخيصها بمعونة الحاسوب منذ ثمانينيات القرن المنصرم، وتطور التصوير العيني منذ ذلك الحين تطوراً سريعاً، وتطورت معه طرائق معالجة الصورة العينية ممهدة بذلك لتطور أنظمة التشخيص المؤتمت للعديد من أمراض العين، كاعتلال الشبكية السكري diabetic retinopathy، والتنكس البقعي المرتبط بالعمر age-related macular degeneration، والزرق glaucoma والساد cataract وقصر النظر المرضي pathological myopia، لكن البرامج التجارية المرافقة لأجهزة التصوير العينية مازالت بحاجة إلى تطوير لتتواكب مع الأبحاث المنجزة في هذا المجال.

- مرض القلب الخلقي: إن الكشف المبكر عن هذا المرض يمكن أن ينقذ حياة المريض، حيث تستخدم سماعة الطبيب الرقمية مع برنامج مخصص (التسمع بمعونة الحاسوب) لسماع نفخات القلب أو الأصوات القلبية الشاذة الناجمة عن مرور الدم خلال القلب المريض. وقد أثبتت هذه الأنظمة فعاليتها، لكنها تحتاج إلى بيئة خالية من الضجيج حتى تعمل عملاً دقيقاً.

- الكشف عن أمراض الدماغ: تميزت أبحاث CAD في هذا المجال باستخدام تحويل المويجة المتقطع (DWT) Discrete Wavelet Transform لاستخراج سمات الصورة وتنوع طرائق الأمثلة المستخدمة إما لتخفيض السمات وإما لتحسين التصنيف.

- استخدم CAD للتشخيص في العديد من الأمراض، كمرض ألزهايمر ومرض باركنسون والأمراض الجلدية وطب الأسنان والكشف المحوسب عن العمر العظمي، إضافة إلى مجال الطب النووي.

تقييم أداء أنظمة التشخيص بمعونة الحاسوب CAD والآفاق المستقبلية

يمكن تقييم نظام CAD بعدة طرائق:

1- مقارنة نتائج نظام CAD بحالات تم التأكد تماماً من ثبوت إصابتها أو من سلامتها: وأسهل طرائق التقييم وأكثرها شيوعاً في أنظمة التشخيص التي تؤكد وجود مرض ما أو تنفيه هي طريقة منحني الخاصية العملياتية للمستقبل Receiver Operating Characteristic (ROC). إذ يمكن رسم منحني هذه الخاصية عن طريق حساب درجة الحساسية sensitivity، وهي نسبة عدد الحالات المرضية الصحيحة (TP) True Positives التي استطاع نظام CAD كشفها إلى عدد الحالات المرضية الفعلية (TPR) والنوعية specificity، التي ترتبط بعلاقة عكسية بنسبة عدد الحالات السليمة التي صنفها النظام مرضية (FP) False Positive ، إلى عدد الحالات السليمة الفعلية (FPR).

يستخدم نموذج الاستجابة الحرة free-response paradigm استخداماً واسعاً في أنظمة CAD التي تحدد مكان المرض إضافة إلى درجته، حيث تحدد كل منطقة في الصورة فيما إذا كانت مرضية Lesion Localization (LL) أم لا (NL) Non-lesion Localization، وتتطلب عملية التصنيف هذه معياراً لتحديد درجة قرب المنطقة المرضية المصنفة من منطقة المرض الفعلية، ومن ثم يتم رسم منحنٍ يسمى Free-response Receiver Operating Characteristic (FROC)، حيث يكون محوراه العمودي والأفقي هما نسبة LL إلى العدد الكلي للمناطق المريضة، ونسبة NL إلى العدد الكلي للصور.

2- دراسة التحسن في كشف المرض عند استخدام نظام الـCAD: يشارك في هذا النوع من التقييم عدد من أطباء الأشعة الخبراء، حيث يتولى قسم منهم قراءة مجموعة الصور الطبية وتصنيفها أولاً من دون معونة CAD، ومن ثم يعيدون التصنيف بمعونة CAD، في حين يقوم القسم الآخر منهم بتقييم الحساسية ومعدل الاستدعاء الريبي لكل من القراءتين بمعونة CAD ومن دونه، وتحديد درجة التحسن في كشف المرض نتيجة استخدام CAD.

3- تقييم أنظمة الـ CAD في أثناء الممارسة السريرية الفعلية: يمكن عد هذه الطريقة الطريقة الفضلى في تقييم نجاح نظام الـ CAD أو إخفاقه ضمن بيئة سريرية حقيقية، حيث يمكن تحديد تأثير نظام الـCAD في الكشف عن المرض وعن معدل الاستدعاء، وهذا التقييم طبعاً يكون خاصاً ببيئة سريرية معينة، إلا أنه وكأي بحث سريري يحدد مجموع التقارير التي يتم تجميعها من بيئات سريرية مختلفة مدى أهمية نظام الـ CAD في هذا المجال. تتم في البداية قراءة الصورة من دون الاستعانة بنظام الـ CAD، وبعدها تتم مرة أخرى مع الاستعانة به، وتتحدد أهمية الـCAD عن طريقة معرفة التغير الحاصل في الكشف عن المرض وعدد المراجعات عند استخدام النظام.

وعلى الرغم من الاهتمام المتزايد في أبحاث CAD، فإنه لم يُبحث في الكثير من التطبيقات الممكنة والمهمة إلى اليوم. ومع اطراد استخدام أنظمة CAD سوف تزداد إنتاجية أطباء التشخيص وتقل أخطاء التشخيص لديهم؛ لأنه سوف يتاح لهم وقت أطول للتفكير في تفسير نتائجه، وسوف يستفيدون منها ويفيدون المريض. ويتوقع مستقبلاً أن يزداد الاعتماد على أنظمة CAD في التشخيص، وخصوصاً أنها أثبتت قدرتها على تحسين أداء الطبيب في كثير من المجالات. وسوف يزداد إقبال الأطباء على استخدام هذه الأنظمة مع ازدياد قدرتها على التكامل مع سير العمل ضمن البيئة السريرية وازدياد وثوقيتها، وسوف تتوفر تجارياً على نطاق واسع من دون زيادة باهظة في التكلفة.

مراجع للاستزادة: - T. Kooi, G. Litjens, B. van Ginneken, et al., Large scale deep learning for computer aided detection of mammographic lesions, Med Image Anal 2017. - Q. Li, R. M. Nishikawa, Computer-Aided Detection and Diagnosis in Medical Imaging, CRC Press, Taylor & Francis Group, USA 2015. - J. Van der Laak, Computer-aided Diagnosis: The Tipping Point for Digital Pathology, Blog, Digital Pathology Association, 2017.

---

- التصنيف : كهرباء وحاسوب - النوع : كهرباء وحاسوب - المجلد : المجلد الثامن مشاركة :