تصنيف أورام الدماغ باستخدام ResNet50 محسّن مع تحسين الدقة الديناميكي لسرعة ودقة تشخيصية محسّنة

فحوصات أذكى، إجابات أسرع

تُعد أورام الدماغ من أكثر التشخيصات إثارة للخوف التي قد يواجهها الشخص، ويمكن أن يحسم كلّ ساعة تُوفَّر في اكتشافها وتصنيفها فرقًا كبيرًا. تقدّم هذه الدراسة نظام ذكاء اصطناعي جديدًا يقرأ صور الرنين المغناطيسي للدماغ بدقّة تكاد تكون مثالية مع استهلاك أقل للقدرة الحسابية مقارنة بالعديد من الطرق الحالية. هذا المزيج من السرعة والدقة والكفاءة قد يساعد في توصيل دعم تشخيصي متقدم ليس فقط للمستشفيات الكبرى، بل أيضًا للعيادات ذات الأجهزة المحدودة.

لماذا اكتشاف أورام الدماغ صعب جدًا

تأتي أورام الدماغ بأشكال وأحجام ومواقع متعددة، وحتى الخبراء قد يواجهون صعوبة في تمييز الاختلافات الدقيقة في صور الرنين المغناطيسي. الجمجمة مساحة مغلقة وصلبة، لذلك يمكن لأي نمو غير طبيعي أن يعطل وظائف دماغية حيوية، ما يجعل التشخيص المبكر والدقيق أمرًا حاسمًا. يُعد الرنين المغناطيسي أداة التصوير المفضلة لأنه يوفر صورًا مفصّلة للأنسجة الرخوة دون إشعاع ضار. لكن مع نمو مجموعات البيانات وزيادة تفصيل تصنيفات أنواع الأورام، يواجه أخصائيو الأشعة عددًا هائلاً من الصور للفحص. وقد أثار هذا اهتمامًا بأنظمة حاسوبية قادرة على تحديد وتصنيف الأورام تلقائيًا، لمساعدة الأطباء على العمل بسرعة أكبر واكتشاف تفاصيل قد تُفوّت بخلاف ذلك.

البناء على نموذج ذكاء اصطناعي مجرّب

بدأ الباحثون من ResNet50، وهو نموذج شائع للتعلّم العميق أظهر تفوّقًا في التعرف على الأنماط في الصور اليومية. تحظى ResNet50 بشعبية لأن وصلاتها الاختصارية الخاصة تسمح لها بأن تكون عميقة دون أن تصبح غير مستقرة أثناء التدريب. ومع ذلك، فالإصدار القياسي مصمم لصور ثلاثية الألوان ومجموعات بيانات كبيرة، ويستهلك ذاكرة كبيرة — وهي مشاكل بالنسبة لصور الرنين المغناطيسي رمادية المستوى ولمعدات المستشفيات المعتادة. قام الفريق بتكييف الطبقة الأولى من ResNet50 لقبول صور الرنين المغناطيسي ذات القناة الواحدة مباشرة، واستبدال طبقة الخرج العامة الضخمة بمصنّف أخف مخصّص للمهمة ومعدّ لأربع فئات: ورم دبقي، ورم سَيِّال غمد الطبلة (ورم السحايا)، ورم النخامية، ولا ورم.

إنجاز المزيد بحساب أقل

لجعل النظام سريعًا ودقيقًا معًا، قدّم المؤلفون طريقة دقة ديناميكية تقرّر عند التشغيل مدى دقة الحساب المطلوبة لكل جزء من الشبكة. تعمل معظم طبقات معالجة الصورة الثقيلة بأرقام منخفضة الدقة التي تكون أسرع وتستخدم ذاكرة أقل، بينما تستخدم خطوات حساسة مثل التطبيع والقرارات النهائية دقة كاملة للاستقرار. كما استخدموا التعلّم النقلي؛ أي أن النموذج يعيد استخدام المعرفة المكتسبة من ملايين الصور العامة ثم يقوم بضبط نفسه على مجموعة أصغر من صور الرنين المغناطيسي للدماغ. كما تُدرَّب الشبكة عبر تكبير البيانات — عمليات بسيطة من قلب وتدوير وتغيير السطوع — لتعليمها التعرف على الأورام حتى عندما تختلف الصور قليلًا. مجتمعة، قلّلت هذه الخطوات عدد المعاملات بنحو 3.7%، وخفّضت زمن التدريب بأكثر من 12%، وقلّلت استخدام ذاكرة الرسوم بأكثر من 40% دون التضحية بالأداء.

جعل قرارات الذكاء الاصطناعي أكثر ثقة

الدقة العالية وحدها لا تكفي في الطب؛ يحتاج الأطباء أيضًا إلى فهم سبب توصل نظام الذكاء الاصطناعي إلى استنتاج معين. لمعالجة هذا، بنى الباحثون نسخة ثانية «هجينة» من نظامهم. في هذا الإعداد، يعمل ResNet50 كاستخلاص للميزات، محولًا كل صورة رنين مغناطيسي إلى بصمة عددية مفصّلة. بدلًا من إرسال ذلك مباشرة إلى طبقة إخراج تقليدية للتعلّم العميق، يتم تغذيته إلى غابة عشوائية (Random Forest)، وهي طريقة تعلم آلي كلاسيكية مكوَّنة من العديد من أشجار القرار. تجعل هذه المقاربة من الممكن ترتيب الميزات بحسب تأثيرها على كل قرار وتوليد خرائط بصرية تظهر المناطق الدماغية التي ركزت عليها الشبكة. في الاختبارات، حقق هذا النظام الهجين دقة بلغت 99.31% — أقل قليلًا من النموذج العميق الخالص لكنه يقدّم ميزة تفسيرية أوضح وقابلة للتتبّع.

أداء ينافس نماذج أكثر تعقيدًا

قيّم الفريق طرقهم على مجموعة عامة من 7,023 صورة رنين مغناطيسي مأخوذة من ثلاث مجموعات بيانات معروفة ومقسّمة إلى أربع فئات. وصلت ResNet50 المحسنة إلى دقة كلية قدرها 99.69%، مصنِّفةً بشكل صحيح تقريبًا كل حالات الأورام وغير الأورام. حقّقت دقة 100% لورم الدبقي، وأورام النخامية، والحالات السليمة، ودرجات شبه مثالية للسحايا. أظهرت الاختبارات التفصيلية حساسية ونوعية عالية لكل فئة، مما يعني أن النموذج كان جيدًا في اكتشاف الأورام الحقيقية وفي تجنّب الإنذارات الكاذبة. عند مقارنته بعدد من المنهجيات الحديثة — بما في ذلك الشبكات الأعمق والمقاربات الهجينة المعقّدة — فإن ResNet50 المحسنة كانت مساويةً أو متفوّقة عليها، مع عدد معاملات أقل وتشغيل فعّال على بطاقات الرسوم العادية.

من البحث إلى جناح الأشعة

يتصور المؤلفون نظامهم كأداة دعم قرار تندمج في سير عمل التصوير بالمستشفى بدلًا من أن تحلّ محل أخصائيي الأشعة. عمليًا، ستتدفق صور الرنين المغناطيسي من أنظمة المستشفى الحالية إلى نموذج الذكاء الاصطناعي، الذي سيقترح بسرعة فئة الورم ويحدّد مناطق الاهتمام الرئيسية. بعد ذلك، يستعرض أخصائيو الأشعة هذه الاقتراحات جنبًا إلى جنب مع الصور الخام، جامعِين بين الحكم البشري وسرعة الآلة. تعترف الدراسة بأن ثمة حاجة لمزيد من العمل، لا سيما الاختبار على مجموعات أكبر وأكثر تنوعًا متعددة المراكز وضمّ طرق تصوير أخرى. ومع ذلك، تشير النتائج إلى أن الذكاء المصمّم بعناية والواعي بالموارد يمكن أن يوفّر مساعدة سريعة ودقيقة وقابلة للتفسير في تشخيص أورام الدماغ، مما يحسّن الرعاية المحتملة حتى في البيئات ذات القدرة الحاسوبية المحدودة.

الاستشهاد: Mehrdad, V., Talebzadeh, R. & Fazaeli, N. Brain tumor classification using optimized ResNet50 with dynamic precision optimization for enhanced speed and diagnostic accuracy. Sci Rep 16, 9263 (2026). https://doi.org/10.1038/s41598-026-39926-1

الكلمات المفتاحية: تصوير دماغي بالرنين المغناطيسي, التشخيص بالتعلّم العميق, تحسين ResNet50, الذكاء الاصطناعي في الصور الطبية, تصنيف الأورام