من الملاحظة البشرية إلى الاكتشاف الآلي: كيف تُغيّر خوارزميات الذكاء الاصطناعي مستقبل الأشعة التشخيصية؟ — مريم رضا السرعة الملخص يمثّل دمج الذكاء الاصطناعي في الأشعة التشخيصية أحد أبرز التطورات التكنولوجية في التصوير الطبي الحديث. فقد اعتمد تفسير الصور الشعاعية تقليديًا على الخبرة البصرية والمهارة السريرية لاختصاصيي الأشعة في تحديد التغيرات التشريحية، واكتشاف الآفات المرضية، ودعم القرارات الطبية. ومع التطور المتسارع في تقنيات التعلم الآلي، ولا سيما التعلم العميق، أصبحت الأنظمة الحاسوبية قادرة على تحليل الصور الطبية، والتعرّف على الأنماط المعقدة، وتحديد المناطق التي قد تشير إلى وجود تغيرات مرضية. وقد أسهم ذلك في توسيع تطبيقات الذكاء الاصطناعي في التصوير الشعاعي التقليدي، والتصوير المقطعي المحوسب، والتصوير بالرنين المغناطيسي، وتصوير الثدي. تتيح الأنظمة المدعومة بالذكاء الاصطناعي إمكانات واعدة للكشف عن العقيدات الرئوية، والنزف داخل القحف، والكسور العظمية، وغيرها من الموجودات الشعاعية، فضلًا عن تحسين كفاءة سير العمل وإجراء القياسات الكمية للصور. ومع ذلك، تعتمد القيمة السريرية لهذه التقنيات على موثوقيتها التشخيصية، وقدرتها على العمل في بيئات سريرية مختلفة، وقابلية تفسير نتائجها، ومدى تكاملها مع الممارسة الطبية اليومية. تستعرض هذه المقالة التطور التاريخي للذكاء الاصطناعي في الأشعة التشخيصية، وأبرز تطبيقاته، وفوائده المحتملة، والتحديات العلمية والأخلاقية المرتبطة باستخدامه، مع التأكيد على أن الذكاء الاصطناعي ينبغي أن يكون أداة داعمة للخبرة الطبية، وليس بديلًا عن الحكم السريري المتخصص. الكلمات المفتاحية: الذكاء الاصطناعي، الأشعة التشخيصية، التعلم العميق، التصوير الطبي، الكشف بمساعدة الحاسوب، التشخيص الشعاعي، الشبكات العصبية الالتفافية. 1. المقدمة يشكّل التصوير الطبي أحد الأعمدة الأساسية للرعاية الصحية الحديثة، إذ يوفر معلومات مهمة تساعد على اكتشاف الأمراض وتشخيصها، وتخطيط العلاج، ومتابعة تطور الحالات المرضية. ويعتمد تفسير الصور الشعاعية على قدرة الاختصاصي على تمييز التغيرات التشريحية الدقيقة، والتفريق بين البنى الطبيعية والآفات المرضية، وربط النتائج الشعاعية بالمعطيات السريرية للمريض. إلا أن الزيادة المستمرة في أعداد الفحوصات الطبية وتعقيد الصور الناتجة عنها أوجدت تحديات جديدة تتعلق بسرعة التفسير ودقته واتساقه. وفي هذا السياق، ظهر الذكاء الاصطناعي بوصفه أحد الاتجاهات التقنية الواعدة التي تسعى إلى تعزيز قدرات تحليل الصور الطبية. وعلى خلاف بعض تقنيات معالجة الصور التقليدية التي تعتمد على قواعد محددة مسبقًا، تستطيع خوارزميات الذكاء الاصطناعي الحديثة تعلّم الأنماط البصرية من مجموعات كبيرة من الصور الطبية المصنفة. ويُعد التعلم العميق، وهو أحد فروع التعلم الآلي، من أهم التقنيات المستخدمة في هذا المجال؛ إذ يسمح للنماذج الحاسوبية باستخلاص خصائص متعددة المستويات من الصور، بدءًا من الحواف والأنسجة وصولًا إلى الأنماط الأكثر تعقيدًا المرتبطة ببعض الموجودات المرضية [1، 2]. وقد تطورت تطبيقات الذكاء الاصطناعي من أنظمة الكشف بمساعدة الحاسوب إلى أدوات أكثر تنوعًا تشمل تحديد مواقع الآفات، وتقسيم الأنسجة، وتصنيف الموجودات، وإجراء القياسات الكمية، وترتيب الفحوصات بحسب درجة الاستعجال. ومع ذلك، فإن التقدم التقني لا يعني بالضرورة تحسن النتائج الصحية بصورة تلقائية؛ إذ ينبغي تقييم كل نظام وفقًا للمهمة التشخيصية التي صُمم من أجلها، والبيانات التي تدرب عليها، والبيئة السريرية التي سيُستخدم فيها. 2. من الأشعة التقليدية إلى الذكاء الاصطناعي اعتمد التشخيص الشعاعي تاريخيًا على التفسير البصري المباشر للصور من قبل اختصاصيي الأشعة. وقد أسهم ظهور التصوير الرقمي وأنظمة أرشفة الصور الطبية ونقلها (PACS) في تحسين حفظ الصور واسترجاعها ومشاركتها، فضلًا عن تطوير آليات العمل داخل المؤسسات الصحية. ومثّل ظهور أنظمة الكشف والتشخيص بمساعدة الحاسوب (CAD) مرحلة انتقالية مهمة نحو تحليل الصور بصورة آلية. فقد اعتمدت الأنظمة الأولى على خصائص مصممة يدويًا وقواعد محددة لتحديد المناطق المشبوهة. وعلى الرغم من دورها في تطوير المجال، فإن قدرتها على التعامل مع التعقيد التشريحي والتباين الكبير بين الصور كانت محدودة في بعض التطبيقات. لاحقًا، أتاح التعلم الآلي إمكانية بناء نماذج تتعرف على العلاقات الإحصائية بين خصائص الصور والتصنيفات التشخيصية. ثم أحدث التعلم العميق تطورًا إضافيًا، من خلال تمكين الشبكات العصبية من تعلّم تمثيلات معقدة للصور مباشرةً من البيانات التدريبية [1]. وأصبحت الشبكات العصبية الالتفافية (CNNs) من التقنيات المهمة في تحليل الصور الطبية؛ لقدرتها على استخلاص الخصائص المكانية والتعرّف على الأنماط التشريحية.