بقلم: يوسف | محرر أدوات الذكاء الاصطناعي · صوت تحريري بإشراف بشري
معظم أجهزة الموجات فوق الصوتية الطبية تعتمد على خط إنتاج تقليدي مُصمم منذ عقود يضغط قياسات المستشعرات الخام الثرية إلى صورة نهائية مع تبسيط الفيزياء، خاصة افتراض سرعة ثابتة للصوت عبر الجسم. هذا ما يُحاول NV-Raw2Insights-US كسره من خلال التعلم مباشرة من البيانات الخام قبل إعادة التكوين، مما يحفظ المعلومات التي تُفقد عادة.
طور المهندسون في NVIDIA بالتعاون مع باحثين من Siemens Healthineers نموذجاً يبدأ من الإشارات الأصلية الملتقطة بواسطة مسبار الموجات فوق الصوتية – وهي أقرب تمثيل لكيفية تفاعل الصوت مع الجسم حقيقياً. بدلاً من معالجة الصور المُكتملة، يستمع النموذج بعناية أكبر ويفهم كيف يُشكل كل مريض الموجات الصوتية بشكل فريد.
التحدي التقني الأساسي يكمن في الوصول إلى البيانات الخام أصلاً. أجهزة المسح الطبية التجارية عادة لا تتيح الوصول إلى بيانات القنوات الخام بسبب النطاق الترددي العالي المطلوب (وفقاً لـ NVIDIA Blog). حل NVIDIA هذه المشكلة بتطوير Holoscan Sensor Bridge (HSB)، وهو IP مفتوح المصدر لـ FPGA يسمح بنقل البيانات عالية النطاق ومنخفضة التأخير إلى وحدة معالجة الرسوميات.
العملية تتطلب أجهزة متخصصة: مجموعة تطوير Altera Agilex-7 FPGA مُقترنة مع NVIDIA Holoscan Sensor Bridge تُتيح تدفق بيانات القنوات الخام من مخرجات DisplayPort لماسح ACUSON Sequoia. يُطلق الفريق على هذه التقنية اسم “البيانات عبر DisplayPort”. بعدها يُقسم NVIDIA HSB البيانات ويُرسلها عبر Ethernet إلى NVIDIA IGX لجمع البيانات واستنتاج الذكاء الاصطناعي.
- استخراج الإشارات الخام: النظام يلتقط البيانات مباشرة من مخرجات DisplayPort للماسح دون تعديل الأجهزة الطبية الموجودة
- التدفق عالي السرعة: تقنية RDMA over Converged Ethernet تنقل البيانات بأقل تأخير ممكن إلى وحدة معالجة الرسوميات
- معالجة الذكاء الاصطناعي: بمجرد وصول البيانات لذاكرة GPU، يُشغل NV-Raw2Insights-US الاستنتاج المُسرع على وحدة معالجة رسوميات من فئة Blackwell
- تقدير السرعة الشخصي: النموذج ينتج خريطة مُخصصة لسرعة الصوت لكل مريض بناء على تشريحه الفريد
- تطبيق التصحيح الفوري: هذا التقدير يُعاد للماسح لتحسين تركيز الصورة في الوقت الفعلي
- التكامل السلس: العملية كاملة تحدث في تمريرة واحدة بدلاً من الحوسبة المعقدة التقليدية
النشر العملي يتم عبر منصة NVIDIA Holoscan، المُصممة للأحمال عالية الأداء والوقت الفعلي على أنظمة مثل NVIDIA IGX Thor وNVIDIA DGX Spark. البنية التوضيحية توفر مرونة عبر التطوير والنشر بثلاث طرق: التكامل البرمجي فقط للأجهزة الموجودة، المقاربة المُعرفة بالبرمجيات للتحسين المستمر، والتوسع المعياري لدمج نماذج ذكاء اصطناعي إضافية.
التطبيق الأول لـ Raw2Insights يركز على تقدير سرعة الصوت للتركيز التكيفي. بينما تفترض الأنظمة التقليدية سرعة ثابتة للصوت عبر الجسم، ينتج النموذج خريطة مُفصلة تُراعي الاختلافات الطبيعية في كثافة الأنسجة ونوعها. النتيجة صور أوضح وأكثر دقة، خاصة في المناطق التي تختلف فيها خصائص الأنسجة بشكل كبير.
المشروع يُمثل تعاوناً وثيقاً مع Siemens Healthineers، بمشاركة مباشرة من Ismayil Guracar وRickard Loftman من مجموعة الذكاء الاصطناعي والمنصات المتقدمة. التقنية حالياً تحت التطوير التحقيقي وغير مُعتمدة أو متاحة للبيع في الولايات المتحدة أو البلدان الأخرى، وتوفرها المستقبلي غير مضمون.
انتقال ذكاء الموجات فوق الصوتية من الخوارزميات المُصممة يدوياً إلى خط إنتاج Raw2Insights المدفوع بالذكاء الاصطناعي يفتح مساراً قابلاً للتطوير نحو التصوير الأصلي للذكاء الاصطناعي. بالتعلم مباشرة من بيانات القنوات الخام بدلاً من الصور المُعاد تكوينها، يقلل النموذج الأخطاء المُدخلة بواسطة الافتراضات التقليدية ويتكيف بفعالية مع كل مريض.
التحديات العملية تبقى كبيرة: التعقيد التقني للتنفيذ، التكلفة العالية لأجهزة NVIDIA المتخصصة، والحاجة لخبرة تقنية متقدمة قد تُحد من الانتشار الواسع. معظم المستشفيات، خاصة في الأسواق الناشئة، تُشغل أجهزة موجات فوق صوتية أقل تطوراً ولن تستطيع تحمل تكاليف الترقية المطلوبة. السؤال المفتوح: هل ستُترجم الفوائد التشخيصية إلى تحسن سريري ملموس يُبرر هذا الاستثمار الضخم؟
