التحليل المتقدم والكشف عن سرطان عنق الرحم باستخدام NASNetLarge

لماذا هذا مهم لصحة النساء

يعد سرطان عنق الرحم واحدًا من الأسباب الرئيسية لوفيات السرطان بين النساء حول العالم، مع أنه قابل للعلاج بدرجة كبيرة إذا اكتُشف مبكرًا. يعتمد الفحص التقليدي على فحص خبراء لشرائح فحص باب بصريًا، وهي مهمة دقيقة قد تغفل إشارات تحذيرية دقيقة. تستكشف هذه الدراسة كيف يمكن لشكل حديث من الذكاء الاصطناعي تحويل صور فحص باب إلى أنماط منظمة يمكن للحاسوب قراءتها، بهدف كشف تغيّرات الخلايا الخطرة بشكل أكثر ثباتًا وسرعة من العين البشرية وحدها.

نظرة جديدة على صور فحص باب

يركز الباحثون على صور فحص باب من مجموعة بيانات عامة تضم 300 عينة، مقسمة بالتساوي إلى خمسة أنواع من خلايا عنق الرحم تتراوح من الطبيعية إلى الشاذة بوضوح. بدلًا من إدخال هذه الصور مباشرة إلى نظام تعرف صور قياسي، يحولون أولًا كل شريحة إلى خريطة من المناطق الصغيرة وعلاقاتها. في هذه الخريطة، تصبح كل منطقة شبيهة بالخلية نقطة وتصبح الروابط المكانية بين المناطق خطوطًا موصلة. تلتقط هذه الصورة ذات الأسلوب الرسومي ليس فقط مظهر الخلايا، بل أيضًا كيفية ترتيبها، وهو ما يحمل في كثير من الأحيان دلائل مهمة حول المرض.

كيف يتعلم النموذج الذكي من الأنماط

لقراءة هذه الصور المستندة إلى الرسوم البيانية، استخدمت الفريق NASNetLarge، وهو نموذج تعلم عميق قوي تدرب أصلاً على ملايين الصور اليومية. من خلال تقنية تُسمى التعلم بالنقل، يحتفظون بقدرة النموذج المدمجة على التعرف على الأنماط البصرية المعقدة لكن يعيدون تدريب طبقاته النهائية لتمييز بين فئات الخلايا الخمس لعنق الرحم. كما يزيدون من مجموعة البيانات الصغيرة عبر إنشاء نسخ متنوعة من كل صورة باستخدام الانعكاسات والدورات والتكبيرات والتحولات. تساعد هذه العملية النموذج على رؤية العديد من الأمثلة المعقولة، مما يقلل من خطر أن يحفظ النموذج بيانات التدريب بدلًا من تعلم قواعد عامة.

رؤية ما يولي الحاسوب اهتمامه

بعيدًا عن الدقة الخام، تسأل الدراسة ما إذا كان النموذج ينظر إلى أجزاء الصورة الصحيحة. يستخدم المؤلفون طريقة تصويرية تُبرز المناطق الأكثر مسؤولية عن كل قرار، بتمثيل ألوان شبيهة بخريطة حرارية فوق صور الرسم البياني. تُظهر هذه العروض أن النموذج يركز على التجمعات والحدود التي يعتبرها الأطباء المرضيون مهمة أيضًا. يجعل هذا سلوكه أسهل لتفسيره ومنحه ثقة سريرية، ويشير إلى أن التمثيل القائم على الرسم البياني يلتقط بنية ذات معنى بدلًا من ضوضاء عشوائية.

كيف أدّى النظام

بعد التدريب على صور فحص باب المحوّلة إلى رسوم بيانية، بلغ أداء NASNetLarge نحو 94% دقة على بيانات التدريب و98.33% دقة على بيانات التحقق المحتجزة، مع درجات عالية للدقة والاستدعاء وF1 عبر جميع أنواع الخلايا الخمسة. تُظهر دراسة نزع المكونات أن تخطي خطوة تحويل الرسم البياني يخفض الدقة إلى نحو 83%، مما يؤكد قيمة ترميز علاقات الخلايا. كما اختُبر النموذج على مجموعة صور منظار عنق الرحم منفصلة وحقق مرة أخرى دقة عالية جدًا، مما يوحي بأن النهج يمكن أن يعمّم خارج مجموعة البيانات الأصلية مع بقائه عمليًا للتشغيل على أجهزة متواضعة العتاد.

ما الذي قد يعنيه هذا للفحص المستقبلي

بكلمات بسيطة، تُظهر الدراسة أن تحويل صور فحص باب إلى خرائط منسقة وتحليلها بنموذج تعلم عميق مُفصل يمكن أن يصنّف خلايا عنق الرحم بدقة قوية ومعدلات خطأ منخفضة. وبينما لا تزال الحاجة قائمة إلى مجموعات بيانات أكبر وأكثر تنوعًا قبل الاستخدام في العيادات اليومية، فإنها تشير إلى أدوات قد تدعم الأطباء عبر تمييز الشرائح المشبوهة، وتوحيد الجودة، وتمديد إمكانيات الفحص بمستوى خبير إلى مناطق تفتقر إلى الأخصائيين. وبالنسبة للمرضى، قد يترجم ذلك في النهاية إلى اكتشاف مبكر وعلاج أكثر توقيتًا لسرطان عنق الرحم.

الاستشهاد: Bilgaiyan, S., Swain, A., Das, S. et al. Advanced analysis and detection of cervical cancer using NASNetLarge. Sci Rep 16, 14875 (2026). https://doi.org/10.1038/s41598-026-38341-w

الكلمات المفتاحية: سرطان عنق الرحم, فحص باب, التعلم العميق, التصوير الطبي, فرز بالذكاء الاصطناعي