تشخيص سرطان الثدي باستخدام BI-RADS مختلف عبر MobileNetV1 ومحولات الرؤية اعتمادًا على الذكاء الاصطناعي القابل للتفسير (XAI)

رؤية خطر السرطان في وقت أبكر

يكون سرطان الثدي أكثر قابلية للعلاج عندما يُكتشف مبكرًا، ومع ذلك فإن قراءة صور الماموغرام عمل صعب وتحت ضغط زمني. تصف هذه الدراسة نظام ذكاء اصطناعي جديدًا مصممًا ليس فقط لاكتشاف علامات السرطان في الماموغرام بدقة عالية جدًا، بل أيضًا لإظهار المناطق المحددة في صورة الثدي التي أثرت في قراراته للأطباء. من خلال دمج تقنيتين حديثتين لتحليل الصور بطريقة ذكية، يهدف النظام إلى دعم أطباء الأشعة بآراء ثانية سريعة وموثوقة وشفافة.

لماذا قراءة الماموغرام صعبة جدًا

الماموغرام صور أشعة سينية للثدي تُستخدم للبحث عن علامات مبكرة للسرطان. يعين أطباء الأشعة لكل فحص درجة BI‑RADS، وهي مقياس موحد يتراوح من نتائج طبيعية إلى حالات واضحة السرطان. في الثدي الكثيف، حيث توجد أنسجة غدية كثيرة، قد تختبئ البقع المشبوهة أو تبدو مشابهة لتركيبات غير ضارة. العديد من الأدوات الحاسوبية السابقة إما ركزت فقط على قرار بسيط بنعم أو لا للسرطان، أو واجهت صعوبة مع الطيف الكامل لفئات BI‑RADS، أو عملت كصندوق أسود، مما ترك الأطباء غير متأكدين من سبب اتخاذ قرار معين.

مزج طريقتين "لنظر" إلى الصورة

بنَى الباحثون إطارًا هجينًا للذكاء الاصطناعي يحاكي كيفية مسح القارئ البشري الدقيق للماموغرام: أولًا بفحص التفاصيل الصغيرة، ثم بالنظر للصورة الكاملة. جزء من النظام، قائم على شبكة مدمجة اسمها MobileNetV1، يركز على التفاصيل المحلية مثل التكلسات الصغيرة وحدود الآفة الحادة. جزء ثانٍ، وهو محول رؤية، يقسم الصورة إلى رقع ويحلل كيف ترتبط الأنماط عبر الثدي بأكمله، ملتقطًا بنية النسيج العامة والتشوهات الطفيفة. تُدمج الميزات من هذين "التدفقين" بعدها في وصف واحد غني لكل صورة.

تنظيف، موازنة، وتبسيط البيانات

قبل دخول الصور إلى خط أنابيب الذكاء الاصطناعي، تمر بعدة خطوات تحضيرية. يحسن الفريق التباين باستخدام طريقة تُبرز البنى الطفيفة دون مبالغة الضوضاء، مما يجعل البقع الخافتة أسهل للرؤية. تُعاد تحجيم الصور وتطبيعها حتى يراها النظام بطريقة متسقة. لمواجهة حقيقة أن بعض فئات BI‑RADS، مثل الحالات الخبيثة الواضحة، نادرة نسبيًا، يستخدم المؤلفون حيلًا لزيادة البيانات مثل دورانات صغيرة وعمليات قلب ويطبقون تدريبًا واعيًا بالفئات حتى تظل للفئات الأقل شيوعًا تأثير أثناء التعلم. بعد أن يستخرج التدفقان الميزات، يضغط أداة رياضية تسمى تحليل المكونات الرئيسية هذه المعلومات، محتفظةً بما يهم أكثر مع تقليل التعقيد.

من الميزات إلى درجات الخطر، مع تفسيرات

في الخطوة النهائية، بدلًا من الاعتماد على مُصنف شبكة عصبية ثقيل وغير شفاف، يستخدم المؤلفون العديد من نماذج الانحدار اللوجستي البسيطة المجمعة في هيئة "تجميع" (bagging). يقدم كل نموذج طريقة مباشرة لربط ميزات الصورة بمستويات خطر BI‑RADS، وتصويت الأغلبية بينها يوفر استقرارًا ومقاومة للإفراط في التكيف على مجموعة بيانات متواضعة نسبيًا. عند اختبارها على أكثر من 6000 ماموغرام من مجموعة بيانات سرطان الثدي بجامعة الملك عبدالعزيز، حقق النظام الهجين دقة وحساسية ونوعية تزيد عن 99% عبر فئات BI‑RADS الأربع الأساسية التي استهدفها: طبيعي، ربما حميد، مريب، وخبيث.

إتاحة رؤية ما تراه الآلة للأطباء

لجعل قراراته مفهومة، يوظف النظام تقنيات الذكاء الاصطناعي القابل للتفسير المعروفة باسم Grad‑CAM وGrad‑CAM++. تنتج هذه الخوارزميات خرائط حرارية ملونة تُركب فوق الماموغرام، مبرزةً المناطق التي أثرت أكثر في درجة BI‑RADS المتوقعة. في الحالات الخبيثة، تتماشى المناطق المميزة عادةً مع كتل أو تجمعات من التكلسات التي لاحظها أطباء الأشعة الخبراء؛ وفي الصور الطبيعية يكون هناك تنشيط قليل أو معدوم المركز. تساعد هذه الملاحظات البصرية الأطباء على الحكم فيما إذا كان النموذج يولي اهتمامًا لميزات ذات مغزى طبي، ويمكن أن تكشف لماذا بعض الحالات الحدّية — مثل النسيج الكثيف الذي يحاكي آفة — صعبة حتى على الخبراء.

ماذا قد يعني ذلك للمرضى

تُظهر الدراسة أنه، على مجموعة بيانات سريرية واحدة، يمكن لهذا النظام الثنائي التدفق والقابل للتفسير تصنيف الماموغرام إلى مستويات خطر متعددة بدقة تقارن، وفي بعض النواحي تتفوق على، العديد من الطرق السابقة. مع أنه لا يزال بحاجة للاختبار على مجموعات سكانية ومستشفيات أكثر تنوعًا، تشير المقاربة إلى أدوات ذكاء اصطناعي ليست دقيقة فحسب، بل سريعة بما يكفي للعيادات المزدحمة وشفافة بما يكفي لكسب ثقة أطباء الأشعة والمرضى. عمليًا، يمكن لمثل هذه الأنظمة أن تعمل كزوج إضافي من العيون الخبيرة — مميزةً النتائج الطفيفة، موجِّلةً تقليل حالات السرطانات المفقودة، وداعمةً لمحادثات أوضح وأكثر ثقة حول خطر سرطان الثدي.

الاستشهاد: Abdelsabour, I., Elgarayhi, A., Sallah, M. et al. Different BI-RADS breast cancer diagnosis using MobileNetV1 and vision transformer based on explainable artificial intelligence (XAI). Sci Rep 16, 7190 (2026). https://doi.org/10.1038/s41598-026-37199-2

الكلمات المفتاحية: سرطان الثدي, تصوير الثدي الشعاعي, الذكاء الاصطناعي, محول الرؤية, الذكاء الاصطناعي القابل للتفسير