اكتشاف الالتهاب الرئوي من صور الأشعة الصدرية المعززة استنادًا إلى نموذج Double SGAN

لماذا يهم اكتشاف الالتهاب الرئوي مبكرًا

الالتهاب الرئوي هو عدوى رئوية يمكن أن تصبح مهددة للحياة بسرعة، لا سيما لدى الأطفال وكبار السن. يعتمد الأطباء غالبًا على صور الأشعة السينية للصدر لمعرفة ما إذا كانت الرئتان صافية أم معتمة بالعدوى. لكن قراءة آلاف الأشعات بالعين البشرية بطيئة وذاتية، وتفتقر العديد من العيادات إلى أخصائيي أشعة. تستكشف هذه الدراسة كيف يمكن للرؤية الحاسوبية المتقدمة أن تساعد: فهي تصف طريقة جديدة لتدريب الذكاء الاصطناعي ليكتشف الالتهاب الرئوي على الأشعة بدقة أكبر، حتى عندما تكون صور المرضى الأصحاء أقل بكثير من صور المرضى المرضى.

مشكلة تباين البيانات الطبية

تعلم أنظمة التعرف على الصور الحديثة من خلال رؤية العديد من الأمثلة المعلّمة. في الطب، مع ذلك، جمع وتوسيم الصور صعب ويستغرق وقتًا، والأمراض ليست ممثلة بشكل متوازن. في مجموعة صور أشعة صدر الأطفال المستخدمة هنا، هناك تقريبًا ثلاثة أضعاف صور الالتهاب الرئوي مقارنة بالطبيعية. تميل نماذج التعلم العميق القياسية المدربة على بيانات غير متوازنة إلى «مراهنة الاحتمالات»: تصبح جيدة جدًا في التعرف على الفئة الشائعة وأقل موثوقية بكثير بالنسبة للأصغر. عمليًا، قد يعني ذلك تفويت أطفال أصحاء أو، وهو أخطر، عدم رصد المصابين. الحيل التقليدية مثل قلب الصور أو تدويرها تساعد قليلًا فقط لأنها لا تخلق حالات طبية جديدة فعلًا، بل مجرد نسخ مشوهة لنفس الرئتين.

إنشاء أشعات إضافية واقعية عند الطلب

لتجاوز ذلك، يتجه المؤلفون إلى عائلة من النماذج القادرة على اختراع صور جديدة. صمموا نظامًا مولدًا محسنًا يسمى Double SGAN، يتعلم إنتاج أشعة صدر صناعية واقعية جدًا لتعزيز فئة الأقليات وموازنة مجموعة التدريب. جزء من Double SGAN، «المولد»، يبدأ من ضوضاء عشوائية ويشكلها تدريجيًا إلى أشعة صناعية، بينما جزء آخر، «المميز»، يحكم ما إذا كانت الصورة تبدو حقيقية أم مزيفة. يتدرب العنصران معًا في منافسة مضبوطة. يعززون هذه العملية بضمانات رياضية تحافظ على استقرار التعلم وتمنع انهيار النموذج إلى عدد قليل من الأمثلة المتكررة. كما يضيفون آلية «الانتباه الذاتي» داخلية حتى يتمكن المولد من ربط مناطق بعيدة من الصورة، مما يساعده على إعادة إنتاج أنماط رئوية دقيقة بدلًا من ظلال ضبابية فقط.

تعليم المصنف أين ينظر

بمجرد أن ينتج Double SGAN عددًا كافيًا من الصور الطبيعية المقنعة لموازنة مجموعة البيانات، تُدمج هذه الأشعات الصناعية مع الحقيقية لتدريب نموذج ثانٍ يُدعى ResNet18-SA. هذا النموذج هو مصنف صور مبسّط مبني من العديد من خطوات المعالجة البسيطة المربوطة بمسارات «الاختصار»، التي تساعد على الحفاظ على التفاصيل أثناء تدفق المعلومات عبر الشبكة. الترقية الأساسية هي وحدة انتباه مكانية تتعلم تسليط الضوء على أكثر المناطق إفادة في كل أشعة—عادة حقول الرئة—مع تجاهل هياكل الخلفية مثل الأضلاع أو محيط القلب. من خلال تجميع المعلومات عبر الصورة ثم إعادة وزنها، تدفع وحدة الانتباه الشبكة للتركيز على رقع صغيرة منخفضة التباين قد تشير إلى الالتهاب الرئوي في رئتي الطفل.

ما مدى فعالية النظام؟

يقيم الباحثون نهجهم على مجموعة Pneumonia-MNIST المتاحة علنًا التي تضم 5856 صورة أشعة صدر للأطفال. يفحصون أولًا جودة الصور الصناعية باستخدام مقاييس معتمدة تقارن «مظهر» المولدة إحصائيًا مع الصور الحقيقية. يقلّص Double SGAN المحسّن الفجوة بين الصور المزيفة والحقيقية بشكل حاد، ما يشير إلى أن أشعته متنوعة وطبيعية المظهر. مع هذه الصور الإضافية، يدربون ResNet18-SA ويقارنونه بمجموعة من الشبكات العصبية المعروفة. على البيانات الأصلية غير المتوازنة، تحقق النماذج القياسية دقة في نطاق معدل التسعينات المنخفضة بالمئة. بعد موازنة البيانات باستخدام Double SGAN وإضافة الانتباه المكاني، يحقق ResNet18-SA نحو 96 بالمئة دقة ومؤشرات دقة واسترجاع وF1 قوية بالمثل، متفوقًا على منافسين أثقل وأكثر تعقيدًا مع استخدام موارد حسابية متواضعة نسبيًا.

ماذا يعني هذا للرعاية اليومية

بالنسبة لغير المتخصصين، الرسالة الأساسية واضحة: من خلال «تخيل» صور أشعة إضافية وواقعية بشكل ذكي ثم تدريب نموذج يتعلم أين ينظر داخل كل مسح، حسّن المؤلفون اكتشاف الالتهاب الرئوي المؤتمت لدى الأطفال بشكل كبير. لا يكتشف نظامهم الرئات المصابة بموثوقية عالية فحسب، بل يظل أيضًا فعالًا بما يكفي للاستخدام في العيادات ذات الموارد المحدودة. على الرغم من أن العمل يستند إلى بيانات عامة منخفضة الدقة ويركز على قرار بسيط بين صحي ومصاب، إلا أنه يوضح كيف أن النماذج المولدة وآليات الانتباه المصممة بعناية يمكن أن تساعد الذكاء الاصطناعي على الاستفادة بشكل أفضل من الصور الطبية النادرة. مع مزيد من التحسين على مسوحات أعلى دقة وفئات مرضية أكثر تفصيلاً، يمكن أن يصبح هذا النهج مساعدًا قيمًا للعاملين في الرعاية الأولية حول العالم.

الاستشهاد: Xu, Z., Zhang, H. Pneumonia detection from enhanced chest X-Ray images based on Double SGAN model. Sci Rep 16, 9922 (2026). https://doi.org/10.1038/s41598-026-39785-w

الكلمات المفتاحية: اكتشاف الالتهاب الرئوي, الذكاء الاصطناعي لأشعة الصدر, زيادة بيانات الصور الطبية, شبكات تنافسية مولدة, التعلم العميق في الأشعة