تصنيف الالتهاب الرئوي متعدد الأصناف بنظام شبه مراقب باستخدام إطار عمل شبكات عصبية التلافيف + غابة متسلسلة

لماذا تهم فحوصات الالتهاب الرئوي الأكثر ذكاءً

لا يزال الالتهاب الرئوي واحداً من الأسباب الرئيسية للوفاة على مستوى العالم، ومع ذلك تعتمد العديد من المستشفيات — خاصة تلك التي تفتقر إلى أخصائيين — على فحص الأطباء المزدحمين لأشعة الصدر السينية أو المقطعية بصرياً. هذا يجعل من الصعب ليس فقط اكتشاف الالتهاب الرئوي، بل أيضاً تمييز نوعه: بكتيري، فيروسي، فطري، أو صورة التهابية عامة. تصف هذه المقالة نظام ذكاء اصطناعي جديد مصمّم للمساعدة. يستخدم كل من صور الأشعة السينية والأشعة المقطعية، ويتعلم حتى من الفحوصات التي لم يتم وسمها من قبل الخبراء، ويمكنه التمييز بين عدة أنواع فرعية من الالتهاب الرئوي بدقة لافتة.

من إجابة بنعم/لا إلى استجابات أغنى

تعمل معظم أدوات الذكاء الاصطناعي الحالية لالتهابات الرئة مثل كاشف الدخان البسيط: تُفيد بوجود «التهاب رئوي» أو «لا التهاب رئوي» وتكتفي بذلك. يحتاج الأطباء، مع ذلك، إلى مزيد من الدقة. فمسببات الالتهاب الرئوي المختلفة تستجيب لأدوية مختلفة، وتحمل مخاطر مختلفة، وغالباً ما تظهر فروقاً طفيفة في الصور. هدف الباحثون هو بناء نظام يمكنه فصل خمس فئات — بكتيري، فيروسي، فطري، التهاب رئوي عام، ورئتان طبيعيتان — بحيث تقدم الأدوات الآلية إرشاداً أقرب لما يقدمه أخصائي الأشعة المتمرس بدلاً من مجرد تنبيه أحمر بسيط.

مزاوجة نوعين من الفحوصات لصورة أكثر اكتمالاً

لتدريب واختبار طريقتهم، جمع الباحثون مجموعة بيانات مكونة من 4578 صورة صدر مأخوذة من مجموعات عامة: ساهم كل مريض بصورة سينية وصورة مقطعية تم التقاطهما خلال نفس الحلقة السريرية. الأشعة السينية سريعة ورخيصة لكنها ضبابية إلى حد ما؛ أما الأشعة المقطعية فبطئية وأكثر تكلفة لكنها تظهر تفاصيل بنيوية دقيقة. من خلال مطابقتهما بعناية على مستوى المريض وإزالة الحالات غير المتسقة أو المشكوك فيها، أنشأ الفريق مجموعة بيانات واقعية وغير متوازنة تعكس الممارسة اليومية: بعض أنواع الالتهاب الرئوي، مثل العدوى الفطرية، نادرة بكثير مقارنة بالأنواع الأخرى.

كيف يتعلم الذكاء الهجين من الفحوص الموسومة وغير الموسومة

النظام المقترح، المسمى غابة متسلسلة معززة بشبكة تلافيفية (CE‑Cascade)، يجمع بين نوعين من التعلم الآلي. أولاً، تقوم شبكة تلافيفية عميقة معروفة باسم ResNet بمعالجة كل صورة وتحويلها إلى بصمة عالية البُعد تلتقط القوام والأشكال والأنماط المرتبطة بالتهاب الرئة. بدلاً من التنبؤ بالتشخيص مباشرة، تُمرَّر هذه البصمات إلى «غابة متسلسلة»—طبقات متعددة من مجموعات أشجار القرار التي تقوم بتكرار تنقية الإشارة، مع التركيز على بقع محلية في الصورة وبناء أنماط أكثر تعقيداً في كل مرحلة. والأهم من ذلك، يضمّن المؤلفون هذا النموذج الهجين في إطار شبه مراقب: بعد تدريب نسخة أولية على الفحوص الموسومة من الخبراء، يُسمَح له بتعيين «ملصقات زائفة» للفحوص غير الموسومة، لكن فقط عندما يكون واثقاً للغاية. تُعاد تلك الحالات عالية الثقة بعد ذلك إلى التدريب، موسعةً مجموعة البيانات الفعّالة دون عمل بشري إضافي.

ماذا حقق النظام عملياً

باستخدام هذا النهج، حقق نموذج CE‑Cascade دقة تصنيف كلية بلغت 98.86 في المئة عبر الفئات الخمس، مع درجات عالية مماثلة على بيانات الأشعة السينية والمقطعية. لم يتفوق فقط على الشبكات العصبية الأبسط بل تفوّق أيضاً على منافسين أكثر تقدماً، بما في ذلك نماذج التلافيف العميقة ذات آليات الانتباه والأنظمة المبنية على المُحوّلات. أدّت إضافة الفحوص ذات الملصقات الزائفة إلى تحسين جودة التنبؤات بشكل متسق، مع رفع عدة مقاييس تقييم وجعل النموذج أكثر متانة عند قلة وسم الخبراء. كما عممت الطريقة جيداً عندما تُدرّب على نوع واحد وتُختبر على النوع الآخر، مما يشير إلى أنها تعلمت أنماطاً متعلقة بالمرض بدلاً من خصائص جهاز مسح بعينه.

من معيار مختبري إلى مساعد سريري

لغير الأخصائيين، الخلاصة هي أن هذا العمل يقرب تصوير الصدر المعزز بالذكاء الاصطناعي إلى شيء يمكن للأطباء استخدامه فعلياً. بدلاً من أداة صندوق أسود تقول ببساطة «التهاب رئوي: نعم أو لا»، يقدم إطار CE‑Cascade مخرجات مفصلة متعددة الأصناف ويفعل ذلك بكفاءة كافية للنشر الروتيني. من خلال التعلم من الفحوص الموسومة وغير الموسومة والاستفادة من المناظير التكميلية للأشعة السينية والمقطعية، يضع هذا النهج مستوى عالياً للأنظمة المستقبلية. وإذا تُرجِم إلى برنامج سريري وأُرفق بتوضيحات واضحة عن مناطق الصورة التي تقود قراراته، فمثل هذا النموذج قد يساعد الأطباء في فرز المرضى بسرعة أكبر، اختيار علاجات أكثر ملاءمة، ونشر تفسير صور بمستوى خبير إلى المستشفيات التي تفتقر إليه حالياً.

الاستشهاد: Muthukumaraswamy, P., Yuvaraj, T. & Krishnamoorthy, R. Semi-supervised multi-class pneumonia classification using a CNN-cascade forest framework. Sci Rep 16, 7448 (2026). https://doi.org/10.1038/s41598-026-38849-1

الكلمات المفتاحية: تصوير الالتهاب الرئوي, الذكاء الاصطناعي الطبي, أشعة الصدر السينية, الأشعة المقطعية, التعلم شبه المراقب