ابتكار نماذج تعلم الآلة الكمية للصور الطبية في بيئات الرعاية الصحية ذات الموارد المنخفضة

يعتبر الذكاء الاصطناعي أحد العناصر الأساسية في تطوير تقنيات طبّ الصور، لاسيما عندما يتعلق الأمر بتحليل الصور الطبية. لكن التحديات التي تواجه تنفيذ نماذج التعلم العميق في بيئات رعاية صحية ذات موارد محدودة لا تزال قائمة بسبب القيود على القدرة الحاسوبية والذاكرة والطاقة.

أظهر بحث جديد ملامح إطار عمل مبتكر يركز على تصنيف الأورام الدماغية باستخدام صور الرنين المغناطيسي (MRI)، حيث تم إدخال استراتيجيات متعددة للضغط على النماذج. تضمن هذا الإطار تدريباً واعياً على الكمي، واستخدام تقنيات استخراج المعرفة من نموذج DenseNet-101 إلى نموذج مدمج أصغر هو DenseNet-32، بالإضافة إلى تطبيق تقنية الكمي بعد التدريب باستخدام Float16 على نموذج خفيف MobileNetV2.

تمارين التجربة استخدمت مجموعة بيانات من صور الرنين المغناطيسي لأورام دماغية تشمل glioma وmeningioma وأورام الغدة النخامية وأيضاً بيانات عن الأفراد الأصحاء. استطاع الفريق البحثي تحقيق معدل دقة يصل إلى 82.37% باستخدام النموذج الكمّي، مما يعكس دقة قريبة جداً من 82.20% للنموذج الأصلي الكامل، مع تقليل حجم النموذج من 35.34 ميغابايت إلى 5.76 ميغابايت.

تعزز هذه النتائج قدرة النماذج الخفيفة والكمية على تقديم فحص موثوق للأورام الدماغية في أسواق الرعاية الصحية التي تعاني من نقص الموارد، وهو ما قد يفتح آفاقاً جديدة في تحسين جودة الرعاية الطبية في المناطق النائية.

إن هذا الابتكار يعكس أهمية تكامل التكنولوجيا والتقنيات الحديثة في تقديم حلول عملية لتحديات قائمة في القطاع الصحي، ويدعو المجتمع العلمي لمواصلة تطوير هذه الاستراتيجيات.