دنیای هوش مصنوعی و پزشکی در حال تجربه یک همگرایی شگرف است. در قلب این تحول، فناوری‌های پیشرفته‌ای قرار دارند که توانایی ماشین‌ها را در درک و تحلیل داده‌های پیچیده پزشکی، به‌ویژه تصاویر، متحول کرده‌اند. مقاله مروری «پیشرفت‌های اخیر در تحلیل تصاویر پزشکی مبتنی بر ترانسفورمر» (Recent Progress in Transformer-based Medical Image Analysis) به بررسی یکی از مهم‌ترین این فناوری‌ها، یعنی معماری ترانسفورمر (Transformer)، می‌پردازد.

اهمیت این مقاله در معرفی و جمع‌بندی یک گذار پارادایمی در حوزه بینایی کامپیوتر و تحلیل تصاویر پزشکی (MIA) نهفته است. برای سال‌ها، شبکه‌های عصبی کانولوشنی (CNNs) استاندارد طلایی برای تحلیل تصاویر بودند. اما این شبکه‌ها با تمرکز بر ویژگی‌های محلی، در درک روابط و زمینه‌های کلی در یک تصویر (وابستگی‌های دوربرد) با محدودیت‌هایی مواجه بودند. ترانسفورمرها که ابتدا در حوزه پردازش زبان طبیعی (NLP) انقلابی به پا کردند، با مکانیزم منحصربه‌فرد خود یعنی مکانیزم توجه (Attention Mechanism)، این محدودیت را برطرف کرده و راه را برای نسل جدیدی از مدل‌های هوشمند در پزشکی هموار ساخته‌اند. این مقاله به عنوان یک راهنمای جامع، آخرین دستاوردها، چالش‌ها و فرصت‌های این حوزه نوظهور را برای پژوهشگران و متخصصان ترسیم می‌کند.

این مقاله توسط گروهی از پژوهشگران برجسته به سرپرستی ژائوشان لیو (Zhaoshan Liu) و با همکاری کیوجی لو (Qiujie Lv)، زیدو یانگ (Ziduo Yang)، ییفان لی (Yifan Li)، چاو هانگ لی (Chau Hung Lee) و لی شِن (Lei Shen) به نگارش درآمده است. تخصص این نویسندگان در زمینه‌هایی چون بینایی کامپیوتر و بازشناسی الگو (Computer Vision and Pattern Recognition) و پردازش تصویر و ویدئو (Image and Video Processing) قرار دارد. تمرکز اصلی آن‌ها بر کاربرد الگوریتم‌های پیشرفته یادگیری عمیق در تحلیل تصاویر پزشکی است که نشان‌دهنده ماهیت میان‌رشته‌ای و کاربردی این پژوهش است. این مقاله مروری، دانش عمیق آن‌ها را در تلفیق مهندسی کامپیوتر با نیازهای دنیای پزشکی به نمایش می‌گذارد.

مقاله حاضر یک بررسی جامع از کاربرد رو به رشد معماری ترانسفورمر در حوزه تحلیل تصاویر پزشکی ارائه می‌دهد. نویسندگان ابتدا به تشریح مؤلفه‌های اصلی ترانسفورمر، به‌ویژه مکانیزم توجه، می‌پردازند و ساختار دقیق آن را بازگو می‌کنند. این مکانیزم به مدل اجازه می‌دهد تا اهمیت نسبی بخش‌های مختلف یک تصویر را درک کرده و روابط پیچیده میان آن‌ها را مدل‌سازی کند.

سپس، مقاله به طبقه‌بندی و بررسی پیشرفت‌های اخیر بر اساس وظایف مختلف در تحلیل تصاویر پزشکی می‌پردازد. این طبقه‌بندی شامل طیف وسیعی از کاربردهاست:

• طبقه‌بندی (Classification)
• تقسیم‌بندی (Segmentation)
• تولید کپشن یا گزارش خودکار (Captioning)
• انطباق و ثبت تصاویر (Registration)
• تشخیص ناهنجاری (Detection)
• بهبود کیفیت تصویر (Enhancement)
• مکان‌یابی (Localization)
• سنتز و تولید تصویر (Synthesis)

در ادامه، برای وظایف کلیدی مانند طبقه‌بندی و تقسیم‌بندی، پژوهش‌ها بر اساس نوع مدالیته تصویربرداری پزشکی (مانند MRI، CT-Scan، X-ray، ماموگرافی و سونوگرافی) نیز دسته‌بندی شده‌اند. مقاله با استناد به نتایج آزمایش‌های متعدد نشان می‌دهد که روش‌های مبتنی بر ترانسفورمر در بسیاری از موارد، با استفاده از معیارهای ارزیابی گوناگون، عملکرد بهتری نسبت به روش‌های پیشین داشته‌اند. در نهایت، نویسندگان به بحث در مورد چالش‌های باز و فرصت‌های آینده در این حوزه می‌پردازند و این مقاله را به منبعی ارزشمند برای جامعه علمی تحلیل تصاویر پزشکی تبدیل می‌کنند.

این مقاله یک پژوهش مروری (Review) است و روش‌شناسی آن بر پایه گردآوری، تحلیل و طبقه‌بندی نظام‌مند مقالات و پژوهش‌های منتشر شده در زمینه کاربرد ترانسفورمر در تصاویر پزشکی استوار است. نویسندگان دو محور اصلی را برای سازمان‌دهی محتوای خود برگزیده‌اند:

۱. تشریح معماری بنیادین: مقاله با توضیح مفهوم مکانیزم توجه به عنوان قلب تپنده ترانسفورمرها آغاز می‌شود. برخلاف شبکه‌های CNN که اطلاعات را از طریق فیلترهای محلی پردازش می‌کنند، مکانیزم توجه به هر بخش از تصویر (که به صورت پچ یا تکه در نظر گرفته می‌شود) اجازه می‌دهد تا با تمام بخش‌های دیگر تعامل داشته باشد. این مدل می‌تواند “بفهمد” که کدام بخش از تصویر برای تصمیم‌گیری نهایی مهم‌تر است. برای مثال، در یک اسکن مغزی، ارتباط بین یک تومور در یک ناحیه و اثرات آن بر نواحی دوردست مغز را به طور همزمان در نظر می‌گیرد. این توانایی در مدل‌سازی وابستگی‌های سراسری (Global Dependencies)، مزیت رقابتی اصلی ترانسفورمرهاست.

۲. طبقه‌بندی بر اساس وظیفه و مدالیته: نویسندگان با یک رویکرد سیستماتیک، صدها مقاله را بر اساس وظیفه‌ای که انجام می‌دهند (مانند تقسیم‌بندی تومور یا طبقه‌بندی بیماری) دسته‌بندی کرده‌اند. این ساختار به خواننده کمک می‌کند تا به سرعت پژوهش‌های مرتبط با حوزه مورد علاقه خود را پیدا کند. علاوه بر این، تفکیک پژوهش‌ها بر اساس مدالیته تصویربرداری (مثلاً کاربردهای ترانسفورمر در تصاویر MRI در مقابل تصاویر آسیب‌شناسی دیجیتال) عمق بیشتری به تحلیل‌ها بخشیده و آن را کاربردی‌تر کرده است.

یافته اصلی و تکرارشونده در سراسر این مقاله مروری، برتری عملکردی مدل‌های مبتنی بر ترانسفورمر در مقایسه با روش‌های سنتی مبتنی بر CNN در اکثر وظایف تحلیل تصاویر پزشکی است. این برتری در معیارهای مختلفی مانند دقت، حساسیت و شاخص دایس (Dice Score) برای تقسیم‌بندی، به وضوح مشهود است.

برخی از یافته‌های برجسته در وظایف مختلف عبارتند از:

• تقسیم‌بندی (Segmentation): در کارهایی مانند جداسازی دقیق مرزهای تومور مغزی از بافت سالم در تصاویر MRI یا مشخص کردن ارگان‌های حیاتی در تصاویر CT برای برنامه‌ریزی پرتودرمانی، مدل‌هایی مانند TransUNet (ترکیبی از ترانسفورمر و U-Net) به نتایج پیشگامانه‌ای دست یافته‌اند.
• طبقه‌بندی (Classification): در تشخیص بیماری‌هایی مانند کووید-۱۹ از روی تصاویر X-ray قفسه سینه یا تفکیک انواع سلول‌های سرطانی در تصاویر پاتولوژی، مدل‌های Vision Transformer (ViT) توانسته‌اند با دقت بالاتری نسبت به رقبای خود عمل کنند.
• سنتز و تولید تصویر (Image Synthesis): ترانسفورمرها در تولید تصاویر پزشکی واقع‌گرایانه نیز موفق بوده‌اند. برای مثال، می‌توان از یک تصویر MRI برای تولید یک تصویر CT مصنوعی استفاده کرد. این کار به کاهش قرار گرفتن بیمار در معرض اشعه و همچنین افزایش داده‌های آموزشی برای سایر مدل‌ها کمک می‌کند.
• تولید گزارش خودکار (Captioning): مدل‌های ترانسفورمر قادرند با تحلیل یک تصویر رادیولوژی، یک گزارش متنی اولیه تولید کنند که یافته‌های اصلی را توصیف می‌کند. این ابزار می‌تواند به عنوان یک دستیار هوشمند برای رادیولوژیست‌ها عمل کرده و سرعت گزارش‌دهی را افزایش دهد.

این موفقیت‌ها عمدتاً به دلیل توانایی ترانسفورمرها در یادگیری ویژگی‌های جامع و زمینه‌مند از تصاویر است که به درک عمیق‌تری از ساختارهای آناتومیک و پاتولوژیک منجر می‌شود.

دستاورد‌های بررسی شده در این مقاله، کاربردهای عملی گسترده‌ای در آینده پزشکی دارند. این فناوری‌ها می‌توانند به توسعه ابزارهای تشخیصی خودکار، سیستم‌های پشتیبان تصمیم‌گیری بالینی، و روش‌های نوین برای برنامه‌ریزی درمان منجر شوند. به عنوان مثال، یک سیستم مبتنی بر ترانسفورمر می‌تواند به رادیولوژیست در تشخیص زودهنگام تومورهای کوچک که ممکن است با چشم غیرمسلح نادیده گرفته شوند، کمک کند.

با این حال، این مسیر بدون چالش نیست. نویسندگان به درستی به برخی از موانع اصلی اشاره می‌کنند:

• نیاز به داده‌های عظیم: ترانسفورمرها برای یادگیری مؤثر به مجموعه داده‌های بسیار بزرگ و برچسب‌گذاری‌شده نیاز دارند که تهیه آن‌ها در حوزه پزشکی هزینه‌بر و زمان‌بر است.
• هزینه محاسباتی بالا: آموزش این مدل‌های پیچیده نیازمند منابع سخت‌افزاری قدرتمند (GPU) است که دسترسی به آن برای همه مراکز تحقیقاتی ممکن نیست.
• مشکل تفسیرپذیری: درک اینکه مدل دقیقاً بر اساس کدام ویژگی‌ها در تصویر تصمیم خود را گرفته است (جعبه سیاه هوش مصنوعی)، یک چالش مهم است، به‌ویژه در کاربردهای حساس پزشکی که اعتماد پزشک به سیستم حیاتی است.

فرصت‌های آینده شامل توسعه مدل‌های ترکیبی (Hybrid) که از نقاط قوت CNNها (برای استخراج ویژگی‌های محلی) و ترانسفورمرها (برای درک زمینه کلی) به طور همزمان بهره می‌برند، و همچنین طراحی معماری‌های سبک‌تر و کارآمدتر است.

مقاله “پیشرفت‌های اخیر در تحلیل تصاویر پزشکی مبتنی بر ترانسفورمر” یک منبع علمی ارزشمند و به‌روز است که به طور جامع، ظهور و تأثیرگذاری معماری ترانسفورمر را در یکی از حیاتی‌ترین حوزه‌های کاربردی هوش مصنوعی مستند می‌کند. این مقاله نه تنها نشان می‌دهد که ترانسفورمرها یک پیشرفت تدریجی نیستند، بلکه یک تغییر بنیادین در نحوه تحلیل محاسباتی تصاویر پزشکی به شمار می‌روند.

نویسندگان با ارائه یک نقشه راه دقیق از پژوهش‌های انجام شده، طبقه‌بندی آن‌ها بر اساس وظایف و مدالیته‌ها، و برجسته کردن یافته‌های کلیدی، به محققان و توسعه‌دهندگان کمک می‌کنند تا به سرعت در جریان آخرین تحولات قرار گیرند. در نهایت، این مقاله با ترسیم چشم‌انداز آینده و اشاره به چالش‌های موجود، الهام‌بخش پژوهش‌های آتی برای ساختن ابزارهای هوشمندتر، دقیق‌تر و قابل اعتمادتر برای بهبود سلامت انسان خواهد بود.