DeepLab V3+ متعدد المستويات بالانتباه مع EfficientNetB0 لتجزئة أعضاء القناة الهضمية في مسوحات الرنين المغناطيسي

تصويب أدق نحو الأورام

عندما يعالج الأطباء سرطانات الجهاز الهضمي بالإشعاع، يواجهون توازناً دقيقاً: استهداف الورم بشدة مع الحفاظ على الأنسجة السليمة المجاورة مثل المعدة والأمعاء. اليوم، رسم هذه الأعضاء يدوياً على كل مسح بالرنين المغناطيسي قد يستغرق حتى ساعة لكل مريض يومياً. تقدم هذه الدراسة نظام رؤية حاسوبية يتتبع هذه الأعضاء تلقائياً في صور الرنين المغناطيسي، ما يبشر بتخطيط علاج أسرع وأكثر دقة وتقليل الآثار الجانبية للمرضى.

لماذا يهم ترسيم الجهاز الهضمي

تعد سرطانات القناة الهضمية شائعة وغالباً ما تكون مميتة، مع معدلات بقاء إجمالية تقارب 30 في المئة. العلاج الإشعاعي هو ركيزة أساسية للعلاج، لكن الجهاز الهضمي مضغوط داخل البطن، ويمكن للأعضاء السليمة أن تتحرك قليلاً من يوم لآخر. لتجنب إتلاف المعدة والأمعاء الدقيقة والغليظة، يحتاج الأخصائيون إلى معرفة موقعها بدقة قبل كل جلسة علاج. الرسم اليدوي بطيء وعرضة للاختلاف بين الخبراء. طريقة آلية وموثوقة لرسم هذه الحدود قد تقصر المواعيد، تمكن الأطباء من علاج المزيد من المرضى، وتحسن سلامة ودرجة دقة جرعات الإشعاع.

تعليم الحواسيب قراءة صور الرنين المغناطيسي

بنَى الباحثون نموذج ذكاء اصطناعي يتعلم تمييز ثلاثة أعضاء هضمية رئيسية على مسوحات الرنين المغناطيسي: المعدة، الأمعاء الدقيقة، والأمعاء الغليظة. درَّبوه على مجموعة بيانات UW–Madison GI Tract، وهي المجموعة العامة الوحيدة التي تحتوي على حدود مفصلة للأعضاء في صور البطن بالرنين المغناطيسي. تشمل هذه المجموعة 38,496 صورة من 85 مريضاً، مع تسميات مُعدة بعناية تشير إلى مكان ظهور كل عضو — أو عدم وجود عضو. للاستفادة القصوى من هذا العينة الصغيرة نسبياً، قسّم الفريق البيانات حسب المريض (حتى لا يرى النموذج نفس الشخص في التدريب والاختبار) ووسّعوا مجموعة البيانات عبر قلب الصور، تدويرها، زيادة السطوع، وتشويهها بلطف. تساعد هذه التغييرات المضبوطة النظام على التعامل مع تباينات العالم الواقعي في وضعية المريض وسطوع الصورة والاختلافات الشكلية الطفيفة.

كيف يرى النموذج الجديد الأنماط

داخل النموذج، تُجمَع عدة أفكار من تعرف الصور الحديث لصقل «بصره» التشريحي. أولاً، شبكة مدمجة تسمى EfficientNet B0 تمسح كل صورة وتبني طبقات من الميزات البصرية — من الحواف البسيطة إلى أشكال الأعضاء المعقدة — مع الحفاظ على متطلبات حسابية متواضعة. بعد ذلك، بنية تُعرف باسم DeepLab V3+ تنظر إلى الصورة بمقاييس متعددة، كأنك تكبّر وتقلّل لفهم التفاصيل الدقيقة والسياق العام معاً. فوق ذلك، أضاف المؤلفون آلية «انتباه» على مستويات متعددة من التفاصيل. ببساطة، يساعد الانتباه النظام على تقرير أي أجزاء الصورة وأي الإشارات الداخلية تستحق وزنًا أكبر، فيتمكن من التركيز على دلائل دقيقة ومهمة تميز، على سبيل المثال، المعدة عن حلقات الأمعاء الدقيقة. أخيراً، مرحلة فك الترميز تجمع هذه الدلائل معاً لتنتج قناعاً نظيفاً بالحجم الكامل يظهر الأعضاء الثلاثة.

اختبار الدقة والكفاءة

ضبط الفريق بشكل منهجي كيفية تدريب النظام — مجربين أساليب تحسين مختلفة، أعداد دورات تدريب، وطرق تقسيم البيانات للتحقق. أفضل إعداد لديهم استخدم محسنًا يُدعى RMSprop، والتحقق المتقاطع بأربعة أقسام، و30 جولة تدريب. على مرضى الاختبار المحتفظ بهم، وصف النموذج أكثر من 99 بالمئة من البكسلات بشكل صحيح إجمالاً وأظهر تراكباً قوياً مع الحدود المرسومة من الخبراء. مقياس التراكب المستخدم على نطاق واسع، قيمة Dice، بلغ حوالي 94 بالمئة في المتوسط عبر الأعضاء الثلاثة، بينما بلغ مقياس مرتبط، التقاطع على الاتحاد (IoU)، حوالي 92 بالمئة. وبقدر أهمية ذلك للاستخدام في المستشفيات، النظام خفيف نسبياً: لديه نحو 8.3 مليون معلمة قابلة للتدريب ويمكنه معالجة شريحة رنين مغناطيسي نموذجية بحجم 224×224 في نحو 31 ميلي ثانية، سرعة كافية للدعم شبه الفوري أثناء تخطيط العلاج اليومي.

ماذا قد يعني ذلك للمرضى

بعبارات يومية، تُظهر هذه الدراسة أن ذكاءً اصطناعياً مصمماً بعناية يمكنه رسم المعدة والأمعاء على صور الرنين المغناطيسي بثبات، مع مباراة أداء الخبراء بينما يعمل بسرعة وتناسق أكبر بكثير. قد تساعد هذه القدرة أطباء الأورام الإشعاعية على ضبط الحزم بدقة أكبر حول أنسجة حساسة، مما يقلل الضرر والآثار الجانبية غير المرغوب فيها أثناء العلاج. بينما تم تدريب النموذج الحالي على مسوحات من مركز واحد وعلى تشريح سليم في معظمه، فإنه يوفر أساساً قوياً للأنظمة المستقبلية التي تشمل أعضاء مريضة وبيانات من عدة مستشفيات. مع مزيد من الاختبارات والتحسين، قد تصبح أدوات مثل هذه مساعدين روتينيين في غرفة تخطيط الإشعاع، يضمنون بهدوء أن أشعة العلاج الحيوية تهبط بالضبط حيث تكون مطلوبة أكثر.

الاستشهاد: Sharma, N., Gupta, S., Al-Yarimi, F.A.M. et al. Multi-level attention DeepLab V3+ with EfficientNetB0 for GI tract organ segmentation in MRI scans. Sci Rep 16, 7546 (2026). https://doi.org/10.1038/s41598-026-38247-7

الكلمات المفتاحية: سرطان الجهاز الهضمي, تجزئة الرنين المغناطيسي, تخطيط العلاج الإشعاعي, التعلم العميق في الطب, تحليل الصور الطبية