التقسيم الآلي والتصنيف المعتمد على التعلم العميق لاكتشاف سرطان عنق الرحم باستخدام U-Net محسن وطرق التجميع

لماذا لا تزال اختبارات باب بحاجة إلى مساعدة رقمية

يُعد سرطان عنق الرحم من بين أنواع السرطان التي يمكن الوقاية منها بدرجة كبيرة عند اكتشافها مبكراً، ومع ذلك لا تزال العديد من النساء يمتن لأن تغيّرات الخلايا الخطرة تُفوت أو تُكتشف متأخرة. اختبار باب الشائع ينقذ الأرواح بالفعل، لكن قراءة آلاف صور الخلايا بالعين مهمة بطيئة ومرهِقة وحتى الخبراء قد يختلفون في التقييم. تستعرض هذه الورقة كيف يمكن للذكاء الاصطناعي الحديث أن يعمل كمساعد لا يكل، يكتشف ويصنف خلايا عنق الرحم في صور مسحات باب تلقائياً لمساعدة الأطباء على رصد علامات التحذير المبكرة بسرعة وثبات أكبر.

تعليم الحواسيب رؤية الخلايا المشكوك فيها

سعى الباحثون لبناء نظام حاسوبي يقوم بوظيفتين أساسيتين: أولاً فصل كل خلية عنق رحم عن خلفية صورة المسحة، وثانياً تحديد ما إذا كانت الخلية تبدو طبيعية أم تظهر علامات مرتبطة بالسرطان. لتحقيق ذلك استخدموا التعلم العميق، شكل من أشكال الذكاء الاصطناعي الذي يتعلم الأنماط مباشرة من أعداد كبيرة من الصور التجريبية بدلاً من الاعتماد على قواعد مكتوبة يدوياً. يركز نظامهم على الخلية بأكملها—المركز الداكن (النواة) والمواد المحيطة بها (السيتوبلازم)—لأن التغيرات في الحجم والشكل والملمس عبر الخلية كلها قد تدل على المرض.

طريقة أذكى لرسم حدود الخلايا

في قلب النظام نسخة محسنة من نموذج مشهور في التصوير الطبي يُدعى U-Net، وهو بارع خصوصاً في رسم حدود دقيقة للأجسام داخل الصور. عدل المؤلفون U-Net بحيث يستطيع النظر إلى تفاصيل الصورة على مقاييس متعددة في وقت واحد والبقاء مستقراً حتى عند التدريب على دفعات صغيرة من البيانات، وهي قيد شائع في العمل الطبي. يتعلم هذا الشبك المحسّن رسم قناع بسيط فوق كل صورة: أبيض حيث توجد خلية، وأسود للخلفية. من خلال عزل مناطق الخلايا فقط، يمكن للخطوات اللاحقة في السلسلة التركيز على ما يهم بدلاً من التشتت بواسطة البقع أو الحطام أو المساحات الفارغة.

خلق مزيد من أمثلة التدريب من العدم

تُعد قلة الصور المعلَّمة عالية الجودة وتكلفتها العالية تحدياً كبيراً في المجال الطبي. لمواجهة هذا، استخدم الفريق نموذجاً مولّداً يُدعى RES_DCGAN، يتعلم إنشاء صور مسحة باب اصطناعية واقعية بالاعتماد على الصور الحقيقية. تُدمج هذه الصور الإضافية «المصنوعة لكن المقنعة» في عملية التدريب، سواء قبل خطوة رسم حدود الخلايا أو بعدها في خطوة التصنيف. بمواجهة تنويعات أكثر من الخلايا—بما في ذلك الأنماط النادرة والدقيقة—يصير الذكاء الاصطناعي أكثر صلابة وأقل عرضة للازدواج الزائد على مجموعة محدودة من المرضى أو ظروف التصوير.

من الملصقات إلى الإنذارات المبكرة

بعد تقسيم الخلايا، تتولى مجموعة ثانية من نماذج التعلم العميق مهمة تصنيف كل خلية كخلايا طبيعية أو إلى فئات غير طبيعية مختلفة. استخدم المؤلفون نموذج تمييز صور قوي يُدعى ResNet50V2 وجمعوه مع عدة شبكات معروفة أخرى في «تجميع» حيث تصوت نماذج متعددة معاً لاتخاذ القرار النهائي. اختبروا ستة مسارات معالجة مختلفة على ثلاث مجموعات بيانات من بولندا (بوميرانيا)، والدنمارك (هيرلف)، واليونان (SIPaKMeD)، شاملة مهام بسيطة ثنائية (طبيعي مقابل غير طبيعي) ومشكلات متعددة الفئات الأكثر تفصيلاً. عبر هذه الاختبارات، كان لتقسيم الخلايا أولاً أثر ثابت في تحسين دقة التصنيف، وأضافت الصور الاصطناعية عموماً دفعة في الأداء، لا سيما في رسم حدود الخلايا.

ما مدى أداء المساعد الرقمي؟

حقق النظام نتائج عالية جداً. في مهمة رسم حدود الخلايا وصلت الدقة إلى نحو 99.5% على مجموعة بيانات واحدة وحوالي 98% على أخرى، متفوقاً بسهولة على U-Net القياسي. أما في تحديد نوع الخلية، فقد صنفت مجموعة النماذج بشكل صحيح حوالي 95–96% من الخلايا في المهام الأكثر تعقيداً وحتى 99% في قرارات المخاطرة البسيطة بنعم/لا. تتوافق هذه النتائج أو تتجاوز كثيراً دراسات سابقة، فيما تُظهر أيضاً أن خط أنابيب موحّداً واحداً يمكن أن يعمل عبر مختبرات ومصادر بيانات مختلفة. كانت المكاسب أقل على مجموعة بيانات ذات تنوع كبير، مما يبرز أن التنوع في العالم الحقيقي لا يزال يمثل تحدياً.

ماذا يعني هذا للمرضى والأطباء

بعبارات عملية، تُظهر هذه الدراسة أن مساعداً ذكياً يمكنه تعلّم تتبع خلايا عنق الرحم بدقة وتصنيفها إلى مجموعات مخاطرة باتساق ملحوظ. لا يحل هذا النظام محل أخصائي علم الأمراض، لكنه قادر على فحص الشرائح تمهيدياً، وتسليط الضوء على الخلايا المريبة، وتقليل احتمال تفويت علامات مبكرة في العيادات المزدحمة أو في المناطق القليلة الأخصائيين. مع مزيد من الاختبارات على عينات أكبر وأكثر تعقيداً وأقنعة مُتحقق من صحتها بواسطة خبراء، يمكن لأنظمة من هذا النوع أن تساعد في توسيع فحص سرطان عنق الرحم الموثوق إلى المزيد من النساء حول العالم، مما يساهم في اكتشاف التغيرات الخطرة مبكراً وزيادة فرص نجاح العلاج.

الاستشهاد: Wubineh, B.Z., Rusiecki, A. & Halawa, K. Deep learning-based automatic segmentation and classification for cervical cancer detection using an improved U-Net and ensemble methods. Sci Rep 16, 5184 (2026). https://doi.org/10.1038/s41598-026-35299-7

الكلمات المفتاحية: فحص سرطان عنق الرحم, صور مسحة بابانيكولاو (Pap), التعلم العميق, تقسيم الصور الطبية, التشخيص بمساعدة الحاسوب