الذكاء الاصطناعي في الأمراض الجلدية

ما هو الذكاء الاصطناعي؟

يستخدم الذكاء الاصطناعي (AI) أنظمة الكمبيوتر لأداء المهام التي تتطلب عادةً ذكاءً بشريًا ، مثل التعرف على الكلام والإدراك البصري. يعتمد الذكاء الاصطناعي على التقنيات والخوارزميات مثل الروبوتات والتعلم الآلي والإنترنت لتقليد عمل الدماغ البشري. مع قوة حسابية وسعة تخزين غير محدودة ، يتمتع الذكاء الاصطناعي بإمكانية التفوق على البشر.

في الطب ، تمتلك خوارزميات رؤية الكمبيوتر القدرة على التعرف على التشوهات والأمراض من خلال تقييم اللون والشكل والأنماط [1].

تتضمن أمثلة تطبيقات الذكاء الاصطناعي ما يلي:

• تقنية لتمكين السيارات ذاتية القيادة
• خوارزميات التعرف على الكلام للتفاعل مع البشر ، مثل SIRI من Apple و Alexa من Amazon و Google Assistant
• خوارزميات ترجمة اللغة
• تحديد سلالات الكلاب (تم الإبلاغ عن أن خوارزمية واحدة حققت دقة تزيد عن 96٪)
• توقع تفضيلات المستخدم مثل قائمة الأفلام أو الإعلانات المستهدفة
• توقع فترات ارتفاع الطلب على سيارة أجرة أو قوة عاملة مرنة [2،3].

كيف يتم استخدام الذكاء الاصطناعي والتعلم العميق في الطب؟

تعتمد خوارزميات الكمبيوتر للتعلم العميق على الشبكات العصبية التلافيفية. تعتمد الشبكات العصبية على نموذج حسابي مستوحى من طريقة عمل الدماغ البيولوجي. عدد كبير من العقد المتصلة تسمى الخلايا العصبية الاصطناعية تشبه الخلايا العصبية البيولوجية في الدماغ. تتعلم هذه الأنظمة ميزات الكائن من خلال تقييم البيانات المصنفة يدويًا ، مثل "كلب" أو "لا يوجد كلب". يمكن بعد ذلك استخدام الميزات المكتسبة لاستنتاج طبيعة الصورة الجديدة.

تستخدم الصور على نطاق واسع لتشخيص الإصابة والمرض وفي دراسات علم التشريح ووظائف الأعضاء البشرية . تشمل تقنيات التصوير الطبي المتقدمة التصوير بالرنين المغناطيسي ( MRI ) ، وقياس امتصاص الأشعة السينية ثنائي الطاقة ، والتصوير بالموجات فوق الصوتية ، والتصوير المقطعي المحوسب ( CT ) [4-10].

في التصوير الطبي ، تُستخدم الشبكات العصبية التلافيفية لتحديد "غير طبيعي" أو "طبيعي". إنهم يتدربون على قواعد بيانات كبيرة معنونة للصور الطبية ويطابقون أو يتجاوزون الرؤية البشرية للكشف عن الأشياء في الصور في مناطق مثل:

• سرطان الثدي
• ورم في المخ
• سرطان الجلد
• مرض الزهايمر

ستكون خوارزميات الكمبيوتر هذه قابلة للتطوير لتناسب العديد من الأجهزة والأنظمة الأساسية وأنظمة التشغيل ، مما يقلل من تكلفتها ويزيد من توفرها للتشخيص والبحث. أدركت الجامعات والحكومات ووكالات تمويل الأبحاث الفرص المتاحة لتحسين التشخيص المبكر للأمراض ، مثل السرطان وأمراض القلب والسكري والخرف ، وتستثمر بكثافة في هذا القطاع.

تتضمن تقنيات الذكاء الاصطناعي المعتمدة من قبل إدارة الغذاء والدواء الأمريكية (FDA) للاستخدام السريري بحلول سبتمبر 2018 منتجات من أجل:

• التعرف على علامات اعتلال الشبكية السكري في صور الشبكية
• تعرف على علامات السكتة الدماغية في التصوير المقطعي المحوسب
• تصور تدفق الدم في القلب
• اكتشف سرطان الجلد من الصور السريرية التي تم التقاطها باستخدام تطبيق الهاتف المحمول.

كيف يتم استخدام الذكاء الاصطناعي في تشخيص سرطان الجلد؟

وفقًا لمؤسسة سرطان الجلد الأمريكية ، يتم تشخيص المزيد من الأشخاص المصابين بسرطان الجلد سنويًا في الولايات المتحدة أكثر من جميع أنواع السرطان الأخرى مجتمعة [13]. تصنف سرطانات الجلد شيوعا باسم ميلانوما سرطان أو سرطان الجلد غير الجلد (و keratinocytic السرطان ، القاعدية خلية سرطان ، و الحرشفية سرطان الخلايا ). قد يكون من الصعب تمييز سرطانات الجلد عن الآفات الجلدية الحميدة الشائعة ، كما أن مظهر الورم الميلانيني متغير بشكل خاص. هذا يعني ذاك:

• يمكن تفويت سرطانات الجلد لأنه يعتقد أنها غير ضارة
• يتم استئصال عدد كبير من الآفات غير الضارة جراحيًا دون داعٍ حتى لا يفوتك سرطان يحتمل أن يكون خطيرًا.

يقوم أطباء الجلدية بفحص الآفات الجلدية عن طريق الفحص البصري وتنظير الجلد . يستخدمون خبرتهم في التعرف على الأنماط لتحديد الآفات الجلدية التي يجب استئصالها للتشخيص أو العلاج. في السنوات الأخيرة ، كان هناك اهتمام كبير باستخدام خوارزميات الذكاء الاصطناعي للمساعدة في تشخيص الآفات . هناك عدد من مجموعات البيانات الخاصة بآفات الجلد المتاحة للجمهور للمساعدة في أبحاث الذكاء الاصطناعي.

أجرى الباحثون في جامعة ستانفورد تصنيفًا على مستوى أطباء الأمراض الجلدية لسرطانات الجلد باستخدام خوارزمية التعلم العميق على مجموعة بيانات من 129450 صورة سريرية تضمنت 2032 مرضًا جلديًا [14]. قاموا أيضًا باختبار الخوارزمية الخاصة بهم مقابل 21 طبيب أمراض جلدية معتمدين من مجلس الإدارة ووجدوا أن أداء الخوارزمية في التصنيف كان على قدم المساواة مع خبرائهم.

يقدم التعاون الدولي لتصوير الجلد (ISIC) مجموعة بيانات عامة واسعة النطاق والتي في سبتمبر 2018 بها 23906 صور رقمية بالمنظار الجلدي لأكثر من 18 نوعًا من الآفات الجلدية. منذ عام 2016 ، أجرى ISIC أيضًا تحديًا سنويًا بعنوان "تحليل الآفات الجلدية من أجل الكشف عن سرطان الجلد". حقق الفائز في تحديهم لعام 2017 دقة تزيد عن 98٪ في التمييز بين الأورام الميلانينية والشامات الحميدة [15]. ثم شملت ISIC أكثر فئات الآفات الجلدية في التحدي عام 2018، مثل سرطان الخلايا القاعدية و الشعاعي قرت . يمكننا أن نتوقع تحسين الدقة والمزيد من فئات الآفات الجلدية التي سيتم إضافتها إلى المسابقة كل عام.

خوارزميات التعلم الآلي للآفات الجلدية

لإنشاء خوارزمية جديدة للتعلم الآلي لسرطان الجلد ، يتم تخصيص فصل دراسي لكل نوع من أنواع الآفات الجلدية. في أبسط صورها ، قد يكون هناك فئتان فقط ؛ على سبيل المثال ، "حميدة" و " خبيثة " أو " حمة " و "سرطان الجلد". يمكن للخوارزميات الأكثر تعقيدًا تقييم فئات متعددة.

قبل اختبار الخوارزمية باستخدام صورة جديدة ، يتم تدريب خوارزميات التعلم العميق على عدد كبير من الصور في كل فصل. تتضمن العملية ثلاث مراحل رئيسية (الشكل 1).

المرحلة 1

في المرحلة 1، ويتم تغذية الخوارزمية مع الرقمية العيانية الصور أو dermoscopic المسمى مع 'الحقيقة على الارض ". (الحقيقة الأساسية في هذا السياق هي تشخيص الآفة ، الذي يتم تعيينه من قبل طبيب أمراض جلدية خبير أو نتيجة فحص الأنسجة المرضية .)

المرحلة الثانية

في المرحلة 2 ، تقوم الطبقات التلافيفية (سلسلة من المرشحات المطبقة على الإدخال ، مثل صورة) باستخراج خريطة المعالم من الصور. تمثل خريطة المعالم بيانات ذات مستويات متعددة من التجريد.

• تستخرج الطبقات التلافيفية الأولية ميزات منخفضة المستوى مثل الحواف والزوايا والأشكال.
• تستخرج الطبقات التلافيفية اللاحقة ميزات عالية المستوى لاكتشاف نوع الآفة الجلدية 

في المرحلة 3 ، يتم استخدام خرائط الميزات بواسطة مصنف التعلم الآلي للتعرف على الأنماط لفئات مختلفة من الآفات الجلدية. يمكن الآن استخدام خوارزمية التعلم العميق لتصنيف صورة جديدة (الشكل 3).

معايير ABCD

معايير ABCD السريرية المستخدمة من قبل غير الخبراء لفحص الآفات الجلدية المصطبغة هي التناظر A ، وعدم انتظام الترتيب B ، والاختلاف C olour ، و D iameter الذي يزيد عن 6 مم (الشكل 4). انظر  ABCDEs من الورم الميلانيني ، والتي تتضمن "E" من أجل E volution.

ج: تتحقق خاصية عدم التناسق مما إذا كان نصفي الآفة الجلدية يتطابقان (أم لا) من حيث اللون والشكل. يتم تقسيم الآفات إلى نصفين على أساس المحور الطويل وتقسم مرة أخرى على أساس المحور القصير. من المحتمل أن يكون للورم الميلاني مظهر غير متماثل .

ب: تحدد خاصية الحدود ما إذا كانت حواف الآفة الجلدية ناعمة ومحددة جيدًا أم لا. تميل سرطانات الجلد إلى أن يكون لها حدود غير منتظمة.

ج: تقيم خاصية اللون عدد وتنوع الألوان في جميع أنحاء آفة الجلد. سرطان الجلد والمصطبغة سرطان الخلايا القاعدية وغالبا ما تشمل ظلال 3-6 الألوان (الأسود، تان، البني الداكن، والرمادي والأزرق والأحمر، والأبيض)، في حين الشامات و النمش تميل إلى أن تكون واحدة فقط أو اثنين من الألوان، والتي يتم توزيعها بشكل متناظر.

D: خاصية القطر تقيس القطر التقريبي لآفة الجلد. قطر الآفات الجلدية الخبيثة بشكل عام أكبر من 6 مم (حجم ممحاة القلم الرصاص).

اقترح يانغ وزملاؤه اعتماد قاعدة ABCD لمعالجة الصور وخوارزميات التعلم الآلي [16]. في عملهم ، قارنوا أداء نظامهم مع الأطباء (عام ، مبتدئ ، وخبير) وخوارزميات التعلم العميق لتشخيص مجموعة بيانات اختبار الآفات الجلدية (الجدول 1). ودعوا طبيبين من كل فئة لأداء هذه المهمة.

قاموا بتدريب نظامهم على مجموعة بيانات SD-198 الخاصة بأمراض الجلد الخاصة بهم والتي تتكون من 6584 صورة سريرية من 198 فئة مختلفة من الآفات ، واستخلصوا ميزات منخفضة المستوى من ثلاثة مكونات بصرية: الملمس والألوان والحدود. كان أداء نظام يانغ بمساعدة الكمبيوتر (CAD) أفضل من خوارزمية التعلم العميق VGG-Net و ResNet وكان مشابهًا لأداء الأطباء المبتدئين. ومع ذلك ، فإن خبراء الأمراض الجلدية كانوا متفوقين بشكل كبير على نظام CAD.

أبحاث التعلم الآلي الأخرى حول سرطان الجلد

تعمل IBM أيضًا على أداة AI تسمى Watson لتحليل صور الآفات الجلدية للكشف عن سرطان الجلد. يستخدم أجهزتهم ست نقاط رئيسية لتحليل وتحديد احتمالية الإصابة بسرطان الجلد: اللون ، وعدم انتظام الحدود ، ومستوى عدم التناسق ، والكريات الأرضية والشبكة ، والتشابه مع صور الآفات الجلدية في قاعدة البيانات الخاصة بهم ، ودرجة سرطان الجلد ؛ هذه المعايير مشابهة لمعايير ABCD [17].

أطلقت شركة MetaOptima Technology Inc. منصة DermEngine لتقديم خدمة الأمراض الجلدية عن بعد. تقارن أداة البحث المرئية الخاصة بهم بين صورة أرسلها المستخدم بصور مماثلة في قاعدة بيانات تضم آلاف الصور التي تحمل علامات الأمراض والتي تم جمعها من أطباء الجلد الخبراء في جميع أنحاء العالم. تُستخدم تقنيات التعلم العميق للبحث عن الصور ذات الصلة بناءً على الميزات المرئية مثل اللون والشكل والنمط [18].

ما هو مستقبل الذكاء الاصطناعي وتشخيص سرطان الجلد؟

تحرز الأبحاث التي تشمل الذكاء الاصطناعي تقدمًا مشجعًا في تشخيص الآفات الجلدية. ومع ذلك ، لن يحل الذكاء الاصطناعي محل الخبراء الطبيين في المستقبل القريب. في المقام الأول ، هناك حاجة إلى الإنسان لاختيار الآفة المناسبة للتقييم – غالبًا من بين مئات الآفات غير المهمة.

يعتمد التشخيص الطبي على أخذ التاريخ الطبي الدقيق والاطلاع على سجلات المريض. وهي تأخذ في الاعتبار المريض العرق والجلد و الشعر ولون العين، الاحتلال ، والمرض، والأدوية، و أضرار أشعة الشمس الموجودة ، وعدد من ميلانية الوحمات ، وأسلوب الحياة والعادات (مثل التعرض لأشعة الشمس ، التدخين ، و تناول الكحول ). السلوك والعلاج السابق للآفة هي أيضًا أدلة على التشخيص.

يمكن أن يقدم الذكاء الاصطناعي رأيًا ثانيًا ويمكن استخدامه لحجب آفة حميدة تمامًا ، مثل السذاجة الصباغية المتماثلة في اللون والبنية.

ستتطور هذه الخوارزميات حتماً بدقة محسنة في الكشف عن الآفات الجلدية الخبيثة المحتملة ، حيث تتوسع قواعد البيانات لتشمل المزيد من الصور والمزيد من الملصقات الخاصة بالمرضى والآفات