في خطوة متقدمة نحو تحسين القياسات الفقرية بعد العمليات الجراحية، قدمت دراسة جديدة إطار عمل ذكاء اصطناعي مبتكر يُعرف باسم Restore, Segment, and Measure (RSM). يهدف هذا الإطار إلى قياس المعايير الفقرية بشكل آلي على الأشعة السينية، مع التركيز على التعامل مع التحديات الناجمة عن وجود زرعات في الهيكل الفقري.

تستند هذه التقنية الجديدة إلى شبكة لإزالة العيوب (Artifact Removal Network) تقوم بمعالجة الصور من خلال تقنيات التعلم العميق، بما في ذلك نموذج Autoencoding وInpainting. وقد تم تقييم أداء النموذج باستخدام مجموعة من الأشعة السينية الناتجة عن مؤسستين، مما أظهر تحسنًا ملحوظًا في دقة القياسات.

عند دمج تقنية ARNAI مع نموذج فحص آخر قائم على Transformer يسمى FCBFormer، ارتفعت قيمة مؤشر DSC (Dice Similarity Coefficient) من 0.814 إلى 0.870، مما يعبر عن تحسن كبير في قدرة النموذج على القيام بعملية الفصل والقياس.

النتائج أظهرت أن متوسط خطأ زاوية Cobb للفقرات بين L4 وL5 انخفض بشكل كبير من 15.6-16.2 درجة إلى 4.7 درجة، ليصل بذلك إلى تخفيض في الخطأ بنسبة تصل إلى 70%. كما تحسنت القيم لأبعاد أخرى مثل ميل الحوض (pelvic tilt) والحدبات القطنية (lumbar lordosis) بشكل يتجاوز 0.70، مما يدل على أن العملية ليست فعالة فقط من حيث الزمني ولكن أيضًا من حيث الدقة.

في الختام، يُعتبر نظام RSM خطوة محورية في استخدام الذكاء الاصطناعي لتحسين قياسات الفقرات لدى المرضى الذين تم تركيب زراعة لهم، حيث أثبت فعاليته في تحسين دقة القياسات وتقليل الأخطاء بشكل كبير، مما يمكن أن يكون له تأثير عميق على مجال التصوير الطبي والرعاية الصحية بشكل عام.