إطار تعلم عميق لتشخيص سرطان الثدي باستخدام Swin Transformer وشبكة دمج متعددة المقاييس ذات انتباه مزدوج

لماذا هذا مهم للمرضى والأطباء

يعد سرطان الثدي من أكثر السرطانات شيوعًا لدى النساء، والماموغرام هو الأداة الرئيسية لاكتشافه مبكرًا. ومع ذلك، قراءة هذه الصور الشعاعية صعبة حتى بالنسبة للخبراء، وقد تُفوّت علامات تحذيرية صغيرة. تعرض هذه الدراسة نظام ذكاء اصطناعي جديدًا مصممًا لمساعدة أطباء الأشعة على اكتشاف سرطان الثدي بشكل أكثر موثوقية من خلال دمج طريقتين قويتين "للنظر" إلى الماموغرام: واحدة تراعي الصورة الكلية والأخرى تركز على التفاصيل الدقيقة.

تحدي رؤية الغابة والأشجار معًا

تساعد أنظمة الذكاء الاصطناعي الحديثة بالفعل في قراءة الصور الطبية، لكن معظمها يعتمد على نوع واحد من النماذج. الشبكات العصبية الالتفافية جيدة في الكشف عن الأنماط المحلية، مثل الحواف الحادة أو البقع الصغيرة المضيئة. نماذج المحول البصرية، وهي عائلة أحدث من النماذج، تتفوق في فهم العلاقات عبر الصورة بأكملها. ومع ذلك تتطلب الماموغرامات كلا القدرتين معًا: قد يظهر السرطان كحبيبات تكلس دقيقة أو تشوّهات طفيفة في النسيج، لكن معنى هذه العلامات يعتمد على كيفية اندماجها في البنية العامة للثدي. في الوقت نفسه، مجموعات بيانات الماموغرام الواقعية صغيرة نسبيًا وغالبًا ما تكون غير متوازنة، مع حالات سرطان أقل بكثير من الفحوصات الطبيعية، مما يسهل انسياق أنظمة الذكاء الاصطناعي إلى الإفراط في التكيّف أو التحيّز.

ذكاء اصطناعي ذو مسارين: رؤية واسعة وتكبير عميق

يعرض المؤلفون نموذجًا هجينًا سموه Swin‑DAMFN، مصممًا صراحة لدمج الرؤية العالمية والمحلية. يستند أحد الفروع إلى Swin Transformer، الذي يقسم الماموغرام إلى نوافذ ويستخدم آلية انتباه لالتقاط السياق بعيد المدى — كيف ترتبط أجزاء الثدي المختلفة ببعضها. الفرع الثاني هو شبكة تلافيفية مخصصة تُسمى شبكة الدمج متعددة المقاييس ذات الانتباه المزدوج (DAMFN). تم ضبط هذا الفرع لالتقاط تفاصيل دقيقة للغاية مثل الميكروتكلسات والتشوهات الطفيفة في النسيج. داخلها، تحلل كتل متخصصة الصورة على مقاييس واتجاهات متعددة، ثم تستخدم وحدات الانتباه لتسليط الضوء على المناطق ذات الأهمية السريرية مع تقليل تأثير نسيج الخلفية.

تدريب النظام بصور أكثر وأغنى

نظرًا لأن مجموعات بيانات الماموغرام الحقيقية محدودة ومائلة نحو الحالات غير السرطانية، عزز الباحثون بيانات التدريب بطريقتين تكميليتين. أولًا، استخدموا نوعًا من النماذج المولدة يسمى GAN الشرطي لتوليد رقع ماموغرام واقعية، خاصة للفئات الخبيثة الممثلة تمثيلًا ناقصًا. تساعد هذه الصور المولدة على موازنة الفئات وتعريف النموذج على مزيد من تنوع مظاهر المرض. ثانيًا، طبقوا تغييرات ضوئية — تعديلات عشوائية صغيرة في السطوع والتباين والحدة — على الصور الحقيقية والمولدة على حد سواء. يجبر هذا الذكاء الاصطناعي على التركيز على الأنماط التشريحية الحقيقية بدلًا من الإضاءة السطحية أو الضوضاء، مما يحسّن قدرته على التعميم إلى فحوصات جديدة.

كيف تتكامل الأجزاء أثناء التشخيص

أثناء التحليل، تُغذى صورة ماموغرام ما بعد المعالجة في الفرعين في آن واحد. ينتج Swin Transformer ملخصًا مضغوطًا للبنية العالمية، بينما يُنتج DAMFN خريطة غنية للميزات المحلية. ثم تُنسق هذه المخرجات من حيث الحجم وتُدمج في تمثيل واحد. تعمل كتلة "الانتباه الثلاثي" الخفيفة لاحقًا على تحسين هذا الاندماج من خلال التحقق المتقاطع بين القنوات والأبعاد المكانية، موجهة تركيز النموذج نحو المناطق الأكثر احتمالًا للاحتواء على مرض. أخيرًا، يقوم رأس تصنيف بسيط بمتوسط المعلومات وإصدار تنبؤ عبر عدة فئات، مثل النسيج الطبيعي، أو نتائج حميدة، أو أنواع مختلفة من الآفات الخبيثة.

ماذا تعني النتائج في الممارسة العملية

اختبر الفريق Swin‑DAMFN على مجموعتي بيانات عامتين على نطاق واسع، CBIS‑DDSM وMIAS، وقارنوها بالعديد من نماذج التعلم العميق الشائعة. حقق نظامهم حوالي 99% دقة على CBIS‑DDSM وقريبًا 99% على MIAS، مع حساسية وخصوصية عالية بالمثل (القدرة على كشف السرطانات وتجنّب الإنذارات الكاذبة). أظهرت دراسات الإقصاء الدقيقة أن كل مكوّن — الفروع المزدوجة، واندماج القائم على الانتباه، واستراتيجية تعزيز البيانات — ساهم في هذه المكاسب. بينما يشير المؤلفون إلى أن الاختبار الأوسع على بيانات مستشفيات متنوعة لا يزال ضروريًا، تقترح النتائج أن أنظمة الذكاء الاصطناعي الهجينة مثل Swin‑DAMFN قد تصبح مساعدين قيمين في فحص سرطان الثدي، بمساعدة أطباء الأشعة على اكتشاف الآفات الخطرة مبكرًا وبشكل أكثر اتساقًا مع تقليل عبء العمل وعدم اليقين.

الاستشهاد: Aldawsari, M.A., Aldosari, S.J., Ismail, A. et al. A deep learning framework for breast cancer diagnosis using Swin Transformer and Dual-Attention Multi-scale Fusion Network. Sci Rep 16, 8941 (2026). https://doi.org/10.1038/s41598-026-37969-y

الكلمات المفتاحية: سرطان الثدي, تصوير الثدي الشعاعي (الماموغرام), التعلم العميق, نماذج المحول (ترانسفورمر), الذكاء الاصطناعي في التصوير الطبي