شبكة عصبية عميقة هجينة مع تحسين ميزات مستند إلى تحليل المكونات الرئيسية لتعزيز تصنيف أورام الدماغ

لماذا يهم اكتشاف أورام الدماغ مبكراً

تُعد أورام الدماغ من أكثر السرطانات إثارة للقلق لأنها تنمو داخل مركز قيادة الجسم، وغالباً ما تتطور بصمت حتى تظهر أعراض خطيرة. يعتمد الأطباء على صور الرنين المغناطيسي للكشف عن هذه الأورام ومتابعتها، لكن أجهزة المسح الحديثة تنتج آلاف الصور التفصيلية لكل مريض. وبغض النظر عن مهارة الفاحص البشري، قد يواجه صعوبة في فرز كل هذه البيانات بسرعة وباستمرارية. تصف هذه الدراسة نظاماً حاسوبياً يساعد بقراءة مسوحات الدماغ وتصنيفها إلى أربع فئات — ورم دبقي، ورم سحائي، ورم الغدة النخامية، أو لا ورم — بدقة تضاهي أو تتجاوز العديد من الطرق السابقة.

تحويل المسوحات المعقدة إلى صور أوضح

في صلب العمل توجد محاولة للسيطرة على فيضان البيانات البصرية القادمة من أجهزة الرنين المغناطيسي. يبني المؤلفون على شبكة قوية للتعرف على الصور تُدعى DenseNet121، كانت مدرَّبة أصلاً على صور يومية، ويعيدون تدريبها للتعرّف على الأنماط في مسوحات الدماغ. قبل أن تصل الصور إلى هذه الشبكة يتم إعدادها بعناية: تُوحَّد أحجامها، ويُنعَّم التباين ويُعزَّز، وتُعزل المناطق الأوسع احتمالاً لاحتوائها على أورام باستخدام طريقة تجميع تقسم البكسلات المتشابهة معاً. تساعد هذه الخطوات الحاسوب على التركيز على نسيج الدماغ الأكثر أهمية وتقليل التشويش الناتج عن الضوضاء أو البنى الخلفية.

دمج عدة طرق لرؤية الورم

بدلاً من الاعتماد فقط على ما تتعلمه الشبكة العميقة وحدها، يحسب النظام أيضاً واصفات صور تقليدية استخدمها الأطباء والمهندسون لسنوات. مجموعة واحدة تلتقط كيفية ترتيب البقع الفاتحة والداكنة بجانب بعضها البعض، مبرزةً النسيج والحواف. تركز مجموعة أخرى على أنماط محلية صغيرة جداً في شدة البكسل، والتي يمكن أن تكشف عن حبيبات دقيقة في الأنسجة. والثالثة تتتبع كيفية تجمع الشدات المماثلة عبر مساحات أكبر، مؤكدةً ما إذا كانت المنطقة ناعمة وموحدة أو مُرقّطة وغير منتظمة. من خلال دمج هذه الوجهات الثلاث في مجموعة ميزات واحدة، يحصل النموذج على وصف أغنى لكل ورم مشتبه به مقارنة بالتعلم العميق وحده.

جعل البيانات قابلة للإدارة وموثوقة

الوصف المجمَّع لكل مسح ذو بعدية عالية للغاية، مما قد يُربك خوارزمية التعلم ويؤدي إلى فرط التخصيص — حيث يحفظ النموذج صور التدريب بدلاً من تعلم قواعد عامة. لتجنب ذلك، يستخدم المؤلفون أداة رياضية تُسمى تحليل المكونات الرئيسية لضغط المعلومات إلى عدد أصغر من المركبات المعلومة قبل إدخالها في شبكة التصنيف. ومن المهم أن جميع هذه الخطوات مبنية لتقليد الاستخدام السريري الحقيقي: تُحتفظ المسوحات لكل مريض إما في مجموعة التدريب أو مجموعة الاختبار، وليس في الاثنين معاً، حتى لا يتمكن النموذج من الغش برؤية نفس البنية مرتين. تتضمن الشبكة نفسها طبقات إسقاط وعميات خلط للبيانات، تقنيات تضيف عشوائية مقصودة خلال التدريب لجعل النظام النهائي أكثر صلابة أمام حالات جديدة.

مدى قدرة النظام على التعرف على الأورام المختلفة

يختبر الباحثون طريقتهم على أكثر من سبعة آلاف صورة رنين مغناطيسي من مجموعة عامة مستخدمة على نطاق واسع. تغطي المسوحات أربع فئات: ورم دبقي، ورم سحائي، ورم الغدة النخامية، والدماغ الطبيعي. باستخدام التصميم الهجين يصلون إلى دقة إجمالية تبلغ نحو 95.9٪. تظل دقة الاسترجاع ومعدل الاستدعاء ومقياس F1 المركب — وهي مقاييس معيارية لعدد الحالات المصنفة بشكل صحيح وعدد الأخطاء — كلها حول 94٪. يُظهر النموذج قوة خاصة في تحديد أورام الغدة النخامية والدماغ الطبيعي، ونادراً ما يخلط بين الأورام الدبقية والورم السحائي، التي قد تبدو متشابهة عند حدودها. تُظهر منحنيات التعلم أن الأداء على صور التدريب والصور المرجعية غير المرئية يرتفعان معاً دون فجوات كبيرة، ما يشير إلى أن الشبكة تجنبت فخ فرط التخصيص الشائع.

ماذا قد يعني هذا للمرضى والأطباء

بالنسبة لغير المتخصص، الرسالة الرئيسية هي أن دمج عدة طرق لوصف الصورة مع شبكة تعلم عميق حديثة يمكن أن يحوّل مسوحات الرنين المغناطيسي الخام إلى اقتراحات آلية موثوقة حول نوع الورم. النظام ليس مخصصاً لاستبدال أخصائيي الأشعة، بل ليعمل كزوج ثانٍ من العيون يعمل بسرعة وبثبات عبر أعداد كبيرة من المسوحات. مع المزيد من الاختبارات على بيانات من مستشفيات وأجهزة مسح مختلفة، وتحسينات مستقبلية في كيفية تحديد محيط الأورام واختيار الميزات، قد تساعد أدوات مثل هذه على اكتشاف النموات الخطرة مبكراً، وتقليل الأخطاء في التصنيف، ودعم اتخاذ قرارات علاجية في وقت أنسب.

الاستشهاد: Pandey, B.K., Pandey, D., Lee, TF. et al. Hybrid deep neural network with PCA based features optimization for enhancing brain tumor classification. Sci Rep 16, 9968 (2026). https://doi.org/10.1038/s41598-026-39154-7

الكلمات المفتاحية: تصوير الرنين المغناطيسي لأورام الدماغ, تشخيص التعلم العميق, تحليل الصور الطبية, تصنيف الأورام, الكشف بمساعدة الحاسوب