18 يناير 2022 - 05:06
46 مشاهدات
الشبكات العصبية في الأمراض الجلدية
  • A
  • A
  • A

الشبكات العصبية التلافيفية في الأمراض الجلدية

المؤلف: الدكتور رامز برسوم ، طبيب مقيم ، مستشفى الأميرة ألكسندرا ، بريزبين ، كوينزلاند ، أستراليا. رئيس تحرير DermNet NZ: الأستاذ المساعد أماندا أوكلي ، أخصائية الأمراض الجلدية ، هاميلتون ، نيوزيلندا. تم تحرير النسخة بواسطة جوس ميتشل / ماريا ماكجيفيرن. سبتمبر 2018.

ما هي الشبكة العصبية التلافيفية ؟

الشبكة العصبية التلافيفية (CNN) هي نوع من الشبكات العصبية للذكاء الاصطناعي العميقة المستخدمة في معالجة الصور [1]. تأخذ الشبكة صورة إدخال واستخدام كتالوج للصور الموجودة ينتج مخرجات تطابق صورة الإدخال. تعتمد الشبكة العصبية على أوجه التشابه من الخلايا العصبية  البيولوجية المترابطة ويتم تنظيمها بطريقة للتعلم وتحسين أدائها ، بناءً على عدد الصور التي تراها CNN ومقدار التلافيف (المدخلات المجمعة لصورتين ، واحدة جديدة وصورة مفهرسة حالية ، لإنشاء ناتج ثالث) تولده شبكة سي إن إن. 

يُنظر إلى CNNs على أنها أداة جديدة مفيدة لأطباء الأمراض الجلدية للمساعدة في تشخيص الآفات بشكل أفضل . إن العمل الذي تقوم به CNN لإنتاج نتيجة تشخيصية من صورة مشابه لكيفية استخدام طبيب الأمراض الجلدية لتدريبه ومعرفته: يشتمل تشخيص الآفات من قبل طبيب الأمراض الجلدية بشكل عام على صورة إدخال ( لآفة جلدية ) يتم تغذيتها من خلال شبكة معالجة ( مهارات ومعرفة طبيب الأمراض الجلدية الذي يقوم بتحليلها وتوليف المعلومات المتاحة) لإخراج "فئة" (أو تشخيص) أو "احتمالية الفئات" ( التشخيص التفريقي ) [2].

تفسح الطبيعة البصرية للأمراض الجلدية نفسها بشكل جيد لتصوير الآفات الرقمية ، ولدى شبكات CNN إمكانات هائلة لتغيير الممارسة. إنها وسيلة متعددة الأوجه لتحليل البيانات التي تتضمن رياضيات معقدة وتتطلب قوة حسابية هائلة للجمع بين علم الأحياء والرياضيات وعلوم الكمبيوتر.  

من يستخدم الشبكات العصبية التلافيفية؟

تم استخدام شبكات CNN في التطبيقات العسكرية والمدنية ، بما في ذلك المركبات الجوية بدون طيار وقطاع التكنولوجيا والتجارة [3]. توجد في التطبيقات اليومية مثل منصات الوسائط الاجتماعية التي تتعرف تلقائيًا على الوجوه ، وفي معارض الصور ذاتية وضع العلامات ، وفي مواقع التسوق التي تقدم اقتراحات بناءً على عاداتك في تصفح الإنترنت.

في المجال الطبي ، استخدم الباحثون شبكات CNN لتشخيص مرض السكري في العين ، وعدم انتظام ضربات القلب ، وسرطان الجلد [3-5].

 المزيد عن الشبكات العصبية التلافيفية

أساس CNN هو طريقة كمبيوتر قادرة على التمييز بين فئات الصور المختلفة بناءً على ميزات فريدة يمكن استخدامها بشكل موثوق لتحديد فئة الصورة ، مثل الحواف والمنحنيات. يتم بعد ذلك توسيع هذه القاعدة مع إضافة المزيد من الميزات المجردة من خلال سلسلة من طبقات التجميع التلافيفية والمخرجات.

الخطوة 1: الطبقات التلافيفية

يتم إدخال الصورة في الكمبيوتر ومعالجتها كتنظيمات مختلفة من وحدات البكسل (النقاط) ، بناءً على لونها. تقوم هذه العملية بتحويل أجزاء من الصورة وفقًا لمرشح معين [2]. غالبًا ما تبدأ المرشحات في تحليل ميزات بسيطة مثل الخطوط المستقيمة أو الخطوط القطرية أو الخطوط المنحنية أو النقاط. في كل مرة يتم فيها تمرير مرشح فوق الصورة الأصلية ، يقوم بإنشاء نسخة جديدة أصغر من الصورة الأصلية. يتم تعيين قيمة موجبة لمطابقات المرشح الإيجابية ، ويتم تعيين قيمة أقل من 1. للمساحات غير المتطابقة. على سبيل المثال ، يتم تمرير مرشح ذو خط مستقيم فوق صورة لحمة أفقية بنمط ثلم موازي في تنظير الجلدسيظهر صورة التفاف إيجابية قوية. يمكن تكرار هذه الخطوة بمزيد من الميزات لتحقيق مخرجات أكثر دقة (أي التشخيص أو التشخيص التفريقي).

الخطوة 2: طبقة التجميع

إذا كانت الصورة الناتجة كبيرة ، فقد تحتاج طبقات الشبكات العصبية إلى "تجميعها" بين التلافيف اللاحقة ، وتحديد منطقة ذات أهمية في الصورة وإزالة المعلمات حول تلك المنطقة [2]. هناك أنواع مختلفة من التجميع ، ولكن النوع الأكثر شيوعًا هو أسلوب التجميع الأقصى 

غالبًا ما تكون هناك خطوة تطبيع إضافية ، وهي تقنية شائعة لتحسين أداء واستقرار الشبكة العصبية. يعمل هذا من خلال توحيد المدخلات التي تم تحليلها بواسطة الشبكة العصبية ، من أجل ضمان أن كل مدخلات لها نفس المقياس تقريبًا . وبالتالي ، لن تحدد الشبكة العصبية أهمية غير ضرورية لمرشح إدخال واحد على آخر بسيط بسبب اختلاف في الحجم. تزيد هذه العملية بشكل كبير من معدل التعلم للشبكة العصبية.

الخطوة 3: طبقة الإخراج

لإنشاء تشخيص تفاضلي ناتج للآفة المشتبه بها ، تحتاج الشبكة المحايدة إلى تطبيق طبقة متصلة بالكامل بناءً على جميع الطبقات التي عالجتها سابقًا. هذا يشبه إلى طبيب الأمراض الجلدية توليف القرائن المختلفة في التشخيص المؤقت مع مجموعة من التفاضلات.

يمكن الآن تدريب CNN باستخدام وظائف إضافية لتحسين الدقة و "تعليم" نفسها كيفية التعرف على الآفات الجديدة (مثل التكاثر العكسي ، الذي يعلم الشبكة عندما تختار نتيجة خاطئة لتغيير الوزن المخصص للسمات عند اختيار الناتج الفئة 1].

ما هي فوائد الشبكات العصبية التلافيفية؟

تشمل فوائد شبكات CNN في تشخيص الآفات الجلدية الدقة والسرعة والتكلفة المنخفضة.

  • تعتمد دقة التشخيص السريري للورم الميلاني على خبرة الطبيب الفاحص وتدريبه ؛ كانت شبكات CNN قادرة على الأداء بالإضافة إلى أطباء الأمراض الجلدية المعتمدين من قبل مجلس الإدارة في ظروف محدودة ، وستستمر دقتها في التحسن في المستقبل [6،7].
  • تستغرق شبكات CNN حاليًا من ثوانٍ إلى دقائق للوصول إلى التشخيص عند مواجهة صورة آفة جلدية. يمكن تنفيذ المدخلات والخوارزميات والمخرجات خارج ساعات العمل ويمكن لأي شخص الوصول إلى الإنترنت الوصول إليها. قارن هذا الوقت القصير بأوقات الانتظار والسفر المرتبطة بمواعيد طبيب الأمراض الجلدية ، والتي غالبًا ما تكون عدة أشهر في المستقبل أو أكثر.
  • يمكن أن تكون الخوارزميات قابلة للتكيف ويمكنها التعلم من إضافة صور جديدة بمرور الوقت.
  • من المتوقع أن تكون شبكات CNN قادرة على تشخيص الآفات مقابل جزء بسيط من تكلفة زيارة طبيب الأمراض الجلدية.

ما هي عيوب الشبكات العصبية التلافيفية؟

تتضمن التحذيرات حول استخدام شبكات CNN التوقعات غير الواقعية للمرضى والممارسين الصحيين ، وقضايا الأمان والخصوصية ، والمساءلة القانونية الطبية.

  • هناك قدر كبير من الإثارة المحيطة بتكنولوجيا CNN ، لكن المزايا ستستغرق وقتًا حتى تتحقق. كميات هائلة من البيانات والمدخلات مطلوبة "لتدريب" شبكات CNN. هناك حاجة إلى البشر لاختيار الآفات التي يجب تصويرها وفحصها بواسطة CNN ، ويحتاج هؤلاء المهنيين الصحيين المشاركين أيضًا إلى التدريب.
  • ستحتاج شبكات CNN وأي أدوات تقدم الدعم التشخيصي إلى الموافقة رسميًا كأجهزة طبية ، ثم إعادة الموافقة عليها مع توسع الخوارزميات الخاصة بهم [8].
  • من المحتمل أن تكون شبكات CNN متصلة بالإنترنت بالكامل ، باستخدام التخزين السحابي ، وستحتاج إلى أنظمة أمان إلكتروني ممتازة لضمان النسخ الاحتياطي في حالة فشل قاعدة البيانات أو الخادم ، وعمليات المصادقة لمنع الوصول غير المصرح به. (يلزم وجود بروتوكولات التشفير والنقل الآمن لتخزين البيانات الصحية الشخصية ، ويجب أن تستخدم الأبحاث البيانات مجهولة المصدر فقط).
  • سيحتاج المهنيون الصحيون الذين يستخدمون CNN إلى فهم أن الأداء باستخدام مجموعة بيانات واحدة لا ينطبق بالضرورة على مجموعة أخرى ؛ سيكون هناك تشخيصات غير صحيحة بما في ذلك الإيجابيات الكاذبة (التشخيص المفرط للآفات الحميدة على أنها خبيثة ) والسلبيات الكاذبة (على سبيل المثال ، التشخيص الفائت للسرطان ).
  • تتطلب المساءلة القانونية للمهني الصحي الذي يعتمد على شبكات CNN توضيحًا ، حيث لا توجد أسبقية ملحوظة. هل يمكن تحميل خوارزمية الكمبيوتر المسؤولية عن التشخيص الخاطئ أو التشخيص الفائت؟

قد يهمك

18 يناير 2022 - 05:29
سبب تشقق الكعب