تصنيف أورام المخ من صور الرنين المغناطيسي باستخدام شبكة عصبية بقناة انتباه متعددة المقاييس مدمجة مع آلة ناقل الدعم

فحوصات أذكى لرعاية أورام المخ

عندما ينظر الأطباء إلى فحوصات المخ لتقرير ما إذا كان المريض مصابًا بورم — ونوعه — فإنهم يواجهون مهمة مرهقة وتحمل حساسية زمنية. تستكشف هذه الدراسة نوعًا جديدًا من المساعدات الحاسوبية التي تتعلم قراءة صور الرنين المغناطيسي بدقة وثبات أكبر من العديد من الأساليب الحالية. من خلال دمج نهجين قويين من الذكاء الاصطناعي، يهدف النظام إلى دعم أخصائيي الأشعة بآراء ثانية أسرع وأكثر موثوقية، مما قد يؤدي إلى تشخيص مبكر وتخطيط علاج أفضل.

لماذا تصنيف أورام المخ صعب للغاية

صور الرنين المغناطيسي للمخ غنية ومعقدة. قد تختلف الأورام كثيرًا في الشكل والحجم والملمس، والهياكل الدماغية الطبيعية معقدة أصلاً. يمكن أن يختلف خبراء البشر في التقييم، خاصة في الحالات الدقيقة. البرامج التقليدية تعتمد إما على مقاييس مصممة يدويًا أو على نماذج تعلم عميق قياسية لا تلتقط دائمًا كل التفاصيل الحاسمة. قد تكافح هذه الأنظمة القديمة في موازنة الحساسية (اكتشاف الأورام الحقيقية) والخصوصية (تجنّب الإنذارات الكاذبة)، وقد تصبح غير موثوقة عند مواجهة مرضى جدد تختلف صورهم قليلًا عن بيانات التدريب.

ذكاء اصطناعي من جزأين ينظر إلى الصور بطرق متعددة

صمّم الباحثون نظامًا هجينيًا يسمى MCACNN‑SVM يقسم المهمة إلى مرحلتين: الرؤية والقرار. أولًا، يفحص شبكة تعلم عميق متخصصة كل شريحة من صور الرنين عبر عدة «عدسات» في آن واحد — نوافذ عرض صغيرة ومتوسطة وكبيرة. يُمكّن هذا التصميم متعدد المقاييس النموذج من التقاط الحواف الدقيقة والبنى الأوسع، مثل حدود الأورام الطفيفة والشكل العام. ثم يتعلّم مكوّن «الاهتمام» المدمج أي قنوات الصورة تحتوي على المعلومات الأكثر فائدة ويعزز تلك الإشارات، مع تقليل تأثير الأنماط الخلفية الأقل صلة.

التدريب على صور مستمدة من المستشفيات الحقيقية

لاختبار مقاربتهم، استخدم المؤلفون مجموعة بيانات عامة تضم أكثر من 7000 شريحة رنين مغناطيسي جُمعت من مستشفيات صينية. كانت كل صورة مجهولة الهوية ومُنقّاة، وموسومة كواحدة من أربع مجموعات: ورم دبقي (غليوما)، ورم سحائي، ورم غدّي (نخامية)، أو لا ورم. عُيّنت أحجام الصور وتمت عمليات تحويل خفيفة — تدوير، قلب، وتكبير — لمحاكاة التنوع المرصود في الممارسة السريرية، مما يساعد النموذج على تجنّب الإفراط في التكيّف مع مجموعة أمثلة ضيقة. أثناء التدريب عدّل الفريق بعناية سرعة تعلم الشبكة من خلال تدوير معدّل التعلم صعودًا وهبوطًا بنمط ناعم يشبه الموجة. يساعد هذا الجدول الزمني «إعادة التشغيل الدافئة» النموذج على الخروج من حلول فرعية سيئة والاستقرار في حالة أكثر موثوقية، بينما قام بحث شبكي بضبط الإعدادات الأساسية لآلة ناقل الدعم النهائية لتمكينها من إجراء أوضح تمييز ممكن بين أنواع الأورام.

مدى أداء النظام

على الصور الاختبارية غير المرئية سابقًا، صنّف النموذج الهجين فحوصات المخ بشكل صحيح بحوالي 98% من الوقت، مع أداء قوي بشكل خاص في التعرف على أورام الغدة النخامية والفحوصات التي لا تحتوي على ورم على الإطلاق. أظهر تحليل تفصيلي دقة واستدعاء عالية عبر الفئات، ودرجات شبه كاملة على مقياس ملخص شائع يسمى ROC‑AUC، الذي يتتبع مدى قدرة النظام على فصل الحالات الإيجابية عن السلبية.

ماذا يمكن أن يعني ذلك للمرضى

بعبارات بسيطة، تثبت هذه الدراسة أن السماح لذكاء اصطناعي بالتخصص في «الرؤية» وآخر في «القرار» يمكن أن يولد مساعدًا أذكى لقراءة صور رنين المخ. بينما النظام ليس بديلًا لأخصائيي الأشعة، فإنه قد يعمل كقارئ ثانٍ عالي الجودة، يشير إلى مناطق مشبوهة ويساعد في التمييز بين أنواع الأورام ويقلل من احتمالات التشخيصات الفائتة أو الخاطئة. يلاحظ المؤلفون أنه لا يزال هناك حاجة لمزيد من الاختبار على مستشفيات متنوعة وأجهزة ومساحات جودة صور مختلفة، وأن الإصدارات المستقبلية ستسعى لأن تكون أخفّ وأنسب لمجالات أوسع. ومع ذلك، تشير الدراسة إلى أدوات ذكاء اصطناعي دقيقة ومرنة وعملية بما يكفي لدعم رعاية أورام المخ في العالم الحقيقي.

الاستشهاد: Ke, L., Hu, G., Zhao, M. et al. Brain tumor classification from MRI images using a multi-scale channel attention CNN integrated with SVM. Sci Rep 16, 6297 (2026). https://doi.org/10.1038/s41598-026-36164-3

الكلمات المفتاحية: تصوير بالرنين المغناطيسي لأورام المخ, الذكاء الاصطناعي في التصوير الطبي, التعلّم العميق, آلة ناقل الدعم, تصنيف الأورام