WISeRKNet: شبكة كرونكر الواسعة المتبقية للكشف عن سرطان الرئة بناءً على صور الأشعة المقطعية

لماذا يهم هذا للصحة اليومية

يبقى سرطان الرئة واحدًا من أكثر السرطانات فتكًا على مستوى العالم إلى حد كبير لأنه غالبًا ما يُكتشف متأخرًا. تستكشف هذه الدراسة كيف يمكن لتقنيات حاسوبية متقدمة أن تساعد الأطباء في اكتشاف علامات سرطان الرئة مبكرًا وبشكل أدق في الفحوصات الطبية الشائعة، مما قد يؤدي إلى علاج أسرع وفرص بقاء أفضل.

رؤية داخل الصدر بصور أوضح

يستخدم الأطباء كثيرًا الأشعة المقطعية—صور أشعة سينية مفصّلة مأخوذة على شرائح رقيقة—للبحث عن نمو صغير في الرئتين يُسمى عقيدة. قد تكون هذه العقيدات حميدة أو سرطانية، وتختلف بشكل كبير في الحجم والشكل وحدّة حوافها. حتى الأخصائيين المتمرسين قد يجدون صعوبة في تمييزها، خاصة عندما تكون الصور مشوشة أو عندما تبدو تراكيب الرئة الطبيعية مشابهة للمرض. يبدأ المؤلفون بتحسين صور الأشعة المقطعية الخام باستخدام طريقة تنظف التباين غير المتساوي وتقلل الضوضاء دون محو التفاصيل الهامة. تجعل هذه الخطوة تراكيب الرئة أكثر بروزًا وتعد قاعدة لتحليل حاسوبي أكثر موثوقية.

تعليم الحواسيب العثور على البقع الرئوية الصغيرة

بعد تنظيف الصور، يقوم النظام تلقائيًا بعزل مناطق الرئتين ثم بتحديد الفصوص والعقيدات الفردية. يستخدم نموذج تقطيع يُسمى Link-Net، المصمم لتعليم أي بكسلات في الصورة تنتمي إلى نسيج الرئة وإلى العقيدات المحتملة. لمساعدة الحاسوب على تعلم أنماط قوية بدلًا من حفظ مجموعة محدودة من الأمثلة، يقوم الباحثون بزيادة البيانات: يديرون الصور ويقلبونها ويحذفون أجزاء منها جزئيًا بطرق محكومة، مكوّنين من كل مسح أصلي العديد من المتغيرات الواقعية. كما يحسبون مقاييس شكل بسيطة لكل عقيدة، مثل مساحتها ومحيطها ودرجة عدم انتظام محيطها ومدى تماسكها. تشبه هذه الدلائل الشكلية ما يقيمه أخصائي الأشعة بشكل غير رسمي عند تحديد ما إذا كانت العقيدة مريبة أم لا.

كيف يقرأ النموذج الذكي الجديد الصور

جوهر العمل هو نموذج ذكاء اصطناعي جديد يسمى WISeRKNet، الذي يجمع بين مكوّنين قويين من التعلّم العميق. جزء واحد، مبني على شبكة "الشرائح الواسعة المتبقية"، يتقن فحص الشرائح الكاملة للأشعة المقطعية والتقاط الفروق الدقيقة في نسيج الرئة وتركيبها عبر مناطق واسعة نسبيًا. والجزء الآخر، شبكة "كرونكر"، مصمّم للتعامل بكفاءة مع أنماط الصور عالية البُعد، ما يسمح للنظام بتعلّم علاقات معقدة في البيانات دون تضخّم الحجم بشكل كبير. يدمج WISeRKNet المعلومات من الصور المُنقّاة وقياسات الشكل، ثم يمرّر هذا الوصف الأثرى لكل عقيدة عبر فرعي الشبكة قبل إصدار قرار نهائي حول وجود سرطان الرئة أم لا.

اختبار النموذج

اختبر الباحثون WISeRKNet على مجموعتين متاحتين علنًا من صور الأشعة المقطعية للرئة. تضم هذه المجموعات مسوحًا لمرضى ذوي أورام خبيثة وعقيدات حميدة ورئات سليمة، موشّحة من قبل خبراء. نوّعوا كمية البيانات التي يتعلم منها النموذج، واستخدموا التحقق المتبادل القياسي لتجنب تقدير مبالغ فيه للأداء، وقارنوا منهجهم بعدة طرق حاسوبية موجودة، بما في ذلك نماذج التعلم الآلي التقليدية وشبكات عميقة أخرى. عبر مجموعة من الاختبارات—مثل الدقة الكلية، ومعدل التعرف الصحيح على السرطانات الحقيقية، ومعدل التعرف الصحيح على الحالات السليمة—تفوق WISeRKNet باستمرار على الأساليب البديلة. حافظ على نتائج قوية نسبيًا حتى عند إضافة ضوضاء اصطناعية إلى الصور، مما يوحي بكونه قويًا أمام صور دون مستوى مثالي.

ماذا قد يعني هذا للرعاية المستقبلية

بعبارة بسيطة، تُظهر الدراسة أن مزيجًا مصمّمًا بعناية من تحسين الصور، والاستخدام الذكي لمعلومات الشكل، وشبكات التعلّم العميق المتخصصة يمكنه كشف سرطان الرئة في الأشعة المقطعية بدقة تقارب تسعة قرارات صحيحة من كل عشرة. مع أن المؤلفين يشيرون إلى أن النموذج يتطلب قوة حسابية كبيرة وليس جاهزًا بعد للاستخدام الفوري في العيادات المزدحمة، فإنهم ينوون تبسيط التصميم ليعمل بشكل أسرع وعلى عتاد أكثر تواضعًا. إذا تُرجِم بنجاح إلى التطبيق العملي، قد تصبح أنظمة مثل WISeRKNet مساعدين ثمينين لأطبّاء الأشعة، تساعد في اكتشاف العقيدات الخطيرة مبكرًا وتقليل حالات تفويت السرطان، وتحسين النتائج للمرضى المعرضين للخطر.

الاستشهاد: Shanthi, A., Satheesh Kumar, S. & Koppu, S. WISeRKNet: wide slice residual Kronecker network for lung cancer detection based on CT images. Sci Rep 16, 9958 (2026). https://doi.org/10.1038/s41598-026-39793-w

الكلمات المفتاحية: سرطان الرئة, تصوير مقطعي محوسب, التعلّم العميق, التشخيص بمساعدة الحاسوب, تحليل الصور الطبية