الاندماج التعاوني المتبادل مع بوابات بين SqueezeNet و ShuffleNetV2 لاكتشاف سرطان الثدي في صور النسيج المرضي

مساعدة أذكى لتشخيص سرطان الثدي

عندما يُكتشف كتلة في الثدي، يعتمد الأطباء غالبًا على شرائح رقيقة من النسيج مصبوغة ومشاهدة تحت المجهر لتقرير ما إذا كانت الخلايا حميدة أم سرطانية. يُعد هذا الفحص الدقيق المعيار الذهبي للتشخيص، لكنه بطيء ويتطلب جهداً كبيراً وقد يختلف من مختص لآخر. تقدم الدراسة الموصوفة هنا أداة حاسوبية تحلل صور المجهر هذه باستخدام الذكاء الاصطناعي، بهدف دعم أطباء الأمراض بتقييمات ثانية سريعة ومتسقة وعالية الدقة مع إبقاء تكلفة الحوسبة منخفضة بما يكفي للاستخدام اليومي في المستشفيات.

تحدي قراءة صور الأنسجة

سرطان الثدي هو أحد أكثر أنواع السرطان شيوعاً على مستوى العالم، مسؤول عن مئات الآلاف من الوفيات سنوياً. المفتاح لتحسين النتائج هو اكتشاف وتصنيف الأورام مبكراً، وهو ما يزال يعتمد بدرجة كبيرة على النسيج المرضي: فحص شرائح النسيج الملونة تحت المجهر. لكن العديد من أنماط النسيج تتشابه بشكل مبهم. قد تشترك العينات الطبيعية والحميدة (غير الخطرة) في تراكيب مشابهة، بينما قد تتداخل سرطانات المراحل المبكرة مع السرطانات الغازية. علاوة على ذلك، الاختلافات في الأصباغ والإضاءة وتباين الصورة من مختبر لآخر يمكن أن تجعل نفس المرض يبدو مختلفاً. البرامج التقليدية تكافح مع هذه الفوارق الدقيقة، والعديد من أنظمة التعلم العميق الحديثة التي تؤدي بشكل أفضل تكون كبيرة ومستهلكة للطاقة بحيث يصعب نشرها خارج مراكز الأبحاث المتقدمة.

شبكتان مدمجتان خفيفتان تعملان كفريق

لمواجهة هذه المشكلة، يجمع المؤلفون شبكتين عصبيتين خفيفتين موجودتين مسبقاً، تعرفان باسم SqueezeNet و ShuffleNetV2. صُممت هذه النماذج أصلاً للتعرف على الأشياء اليومية في الصور مع استخدام عدد أقل بكثير من العمليات الحسابية مقارنة بالأنظمة الثقيلة مثل المحولات أو الشبكات العميقة جداً. في هذا العمل، أعيد تدريبها للتعرف على الأنماط في صور نسيج الثدي. كل شبكة تنظر إلى نفس الصورة المجهرية وتتعلم انتقاء دلائل بصرية مختلفة—تباينات دقيقة في أشكال الخلايا، نسيج الأنسجة، وتركيبات الألوان. كل نموذج بمفرده يؤدي جيداً، لكن الابتكار الحقيقي يكمن في طريقة دمج نقاط القوة بينهما.

آلية بوابات تصفي الضوضاء

الفكرة الأساسية في الدراسة هي وحدة جديدة تُسمى «البوابات التعاونية المتبادلة» التي تتيح للشبكتين التواصل مع بعضهما واتخاذ قرار بشأن أي أجزاء من إشاراتهما الداخلية مفيدة حقاً. بدلاً من مجرد تكديس المخرجات أو حساب متوسطها، تقيس آلية البوابة كمية المعلومات التي يحملها كل قناة ومدى تكرارها مقارنة بما رآه الشريك بالفعل. تُضخَّم القنوات التي تضيف تفاصيل جديدة ومفيدة، بينما تُخفف تلك التي تكرر المعلومات أو تضيف ضوضاء. يحدث هذا التعديل ذهاباً وإياباً في كلا الاتجاهين، بحيث تعمل SqueezeNet على صقل ميزات ShuffleNetV2 والعكس صحيح. النتيجة تمثيل موحّد ومندمج لكل صورة أكثر ثراءً ونقاءً وتركيزاً على الفوارق الدقيقة التي تميز تشخيصاً عن آخر.

دقة عالية مع حوسبة خفيفة

عند الاختبار على مجموعتين شائعتين من صور سرطان الثدي، ICIAR‑2018 و BreakHis، يظهر النظام المدمج أداءً مبشراً. في مهمة التصنيف بأربعة أصناف—تمييز النسيج الطبيعي، التغيرات الحميدة، السرطان الموضعي المبكر، والسرطان الغازي— يصنف النظام الصور بشكل صحيح بنسبة 97 بالمئة. وعندما تُبسط المهمة إلى فصل الأنسجة السرطانية عن غير السرطانية، ترتفع الدقة إلى 99 بالمئة على ICIAR‑2018 وحوالي 99.7 بالمئة على BreakHis. هذه النتائج أعلى من العديد من الطرق الأكثر تعقيداً المبلغ عنها في الأدبيات، رغم أن النموذج الجديد يستخدم عدداً نسبياً قليلاً من المعلمات وطاقة حوسبة معتدلة، ما يترجم إلى تنبؤات أسرع ومتطلبات أجهزة أقل.

ماذا يعني هذا للمرضى والعيادات

بعبارة بسيطة، بنى المؤلفون مساعداً نحيفاً لكنه قوياً يمكنه فرز صور المجهر لأنسجة الثدي ووضع تسميات لها بمستوى موثوقية يقارب الخبراء. وبما أن التصميم فعال، فهو أنسب للبيئات الواقعية مثل المستشفيات الإقليمية أو مراكز الفحص التي قد لا تتوفر لها خوادم عالية المواصفات. وبينما لا يحل هذا النظام مكان أطباء الأمراض، يمكنه إبراز المناطق المشتبه بها، وتقديم آراء ثانية متسقة، وربما تسريع التشخيص. يشير العمل أيضاً إلى توجه أوسع: من خلال دمج نماذج ذكاء اصطناعي أصغر بذكاء وتعليمها التعاون بدلاً من التنافس، يمكن تحقيق دقة من الطراز الأول دون التكلفة العالية والتعقيد الذي غالباً ما يعيق تطبيقات الذكاء الاصطناعي الطبية العملية.

الاستشهاد: Khati, B., Mukherjee, S., Sinitca, A. et al. Reciprocal cooperative gating fusion of SqueezeNet and ShuffleNetV2 for breast cancer detection in histopathology images. Sci Rep 16, 5904 (2026). https://doi.org/10.1038/s41598-026-36375-8

الكلمات المفتاحية: سرطان الثدي, النسيج المرضي, ذكاء اصطناعي في التصوير الطبي, شبكة عصبية خفيفة الوزن, التشخيص بمساعدة الحاسوب