تحسين تشخيص اللوكيميا اللمفاوية الحادة عبر التعلم العميق VGG19 مع تعزيز CBAM

لماذا تسريع فحوصات سرطان الدم مهم

اللوكيميا اللمفاوية الحادة (ALL) هي سرطان دم عدواني قد يهدد الحياة خلال أسابيع إذا لم يُكتشف ويُعالج بسرعة. اليوم، يشخّص الأطباء غالبًا ALL بفحص خلايا الدم ونخاع العظام تحت الميكروسكوب — وهي مهمة دقيقة وتستغرق وقتًا وتعتمد بدرجة كبيرة على خبرة المتخصّصين. تستطلع هذه الدراسة كيف يمكن لشكل مخصص من الذكاء الاصطناعي أن يساعد الأطباء على اكتشاف ALL وأنواعه الفرعية بسرعة وبدقة أكبر من صور الميكروسكوب، ما قد يسرّع الرعاية مع إبقاء الاختصاصيين في موقع السيطرة.

نظرة أقرب على سرطان دم الأطفال

تنشأ ALL عندما تتكاثر خلايا دم بيضاء غير ناضجة تسمى اللمفوبلاستات خارج السيطرة في نخاع العظام وتدخل مجرى الدم. هذه الخلايا غير الطبيعية تطغى على الخلايا السليمة ويمكن أن تنتشر إلى الجهاز العصبي. ALL هو أكثر أنواع السرطان شيوعًا عند الأطفال، لكنه يظهر أيضًا عند البالغين. تحت الميكروسكوب، يقسم المتخصّصون ALL إلى ثلاثة أنواع فرعية رئيسية — L1 وL2 وL3 — بناءً على حجم الخلايا وشكلها، وملمس مادتها الوراثية، ومظهر السائل المحيط بها. تمييز هذه الأنواع الفرعية، وفصلها عن نخاع العظام السليم، مهم لاختيار العلاج، ومع ذلك قد يواجه الخبراء صعوبة عندما تكون ملامح الخلايا متشابهة جدًا.

تعليم الحواسيب أن ترى كما يرى الخبراء

سعى الباحثون لبناء نظام ذكاء اصطناعي قادر على تصنيف صور نخاع العظام إلى أربع مجموعات: الأنواع الثلاثة لـALL وعينات طبيعية (غير ليوكيمية). جمعوا 328 صورة عالية التكبير من مختبر سريري في باكستان، تغطي مرضى تتراوح أعمارهم من 10 إلى 45 سنة، ثم استخدموا تقنيات تضخيم البيانات — مثل الدوران، والانعكاس، وتعديلات طفيفة في السطوع أو التباين — لإنشاء 1,585 مثالًا تدريبيًا متنوعًا مع الحفاظ على البنى الخلوية الأساسية. قُسّم مجموعة البيانات إلى مجموعات تدريب وتحقق واختبار، وفُحصت أيضًا بأدوات إحصائية أظهرت تداخل الأصناف بطرق معقدة، مما يؤكد أن المهمة ليست بسيطة حتى للخوارزميات المتقدمة.

كيف يولي النموذج الجديد الانتباه

في صميم الدراسة نسخة معدلة من شبكة التعرف على الصور المعروفة باسم VGG19. أضاف المؤلفون فوقها «وحدة انتباه الكتلة الالتفافية» (CBAM) بعد كل خطوة تجميع رئيسية. ببساطة، يتعلم النموذج أولًا ميزات متعددة الطبقات من الصور، ثم يستخدم الانتباه ليقرر أي الميزات وأي المناطق في كل صورة تستحق وزنًا أكبر. جزء من آلية الانتباه يؤكد على القنوات الأكثر معلومات — أنماط مثل حواف النواة أو الملمس الداخلي — بينما يبرز جزء آخر المواقع الأكثر أهمية داخل الخلية. من خلال تكديس خطوات الانتباه هذه على عدة مستويات في الشبكة، يحافظ النظام على إشارات بصرية دقيقة تساعد في تمييز، على سبيل المثال، بين الأنواع الفرعية المتقاربة من اللوكيميا.

مدى أداء النظام

اختُبر نموذج VGG19 المعزز بـCBAM مقابل عدة بنى معروفة في التعلم العميق، بما في ذلك DenseNet وInception وMobileNet وVGG19 الأصلي. باستخدام مقاييس أداء معيارية، حقق النموذج الجديد دقة إجمالية بلغت 98.73%، أي أعلى بنحو 5.7 نقطة مئوية من VGG19 بدون انتباه، وأفضل من جميع النماذج المنافسة على نفس البيانات. أظهرت النتائج التفصيلية دقة واستدعاء قوية عبر الفئات الأربع، بما في ذلك النوع الفرعي النادر L3، وكانت منحنيات المستلم التشغيلي قريبة من المثالية. كما أجريت عملية التحقق المتقاطع بنمط k-fold — تدريب واختبار عبر تقسيمات متعددة للبيانات — للتأكد من استقرار النتائج، وأُجريت تجارب «الإقصاء» التي أظهرت أن استخدام كل من انتباه القناة والانتباه المكاني في مراحل متعددة كان حاسمًا لتحقيق التحسن.

ماذا يعني هذا للمرضى والأطباء

رغم أن الأرقام واعدة، يؤكد المؤلفون أن هذا النظام ليس جاهزًا ليحل محل الخبراء البشريين أو ليُستخدم بمفرده في العيادة. تعتمد الدراسة على مجموعة بيانات صغيرة نسبيًا ومن مركز واحد، ولا يوجد اختبار مستقل متعدد المستشفيات يبرهن أن النموذج يعمل بمثل الكفاءة عبر بيئات أو مجموعات سكانية مختلفة. ومع ذلك، تُظهر النتائج أن آليات الانتباه المصممة بعناية يمكن أن تساعد الذكاء الاصطناعي على التركيز على نفس التفاصيل البصرية الدقيقة التي يستخدمها أخصائيو الأمراض عند قراءة شرائح نخاع العظام. في المستقبل، قد تعمل أنظمة مماثلة، بعد التحقق عليها بمجموعات بيانات أكبر وأكثر تنوعًا، كأدوات دعم قرار — تشير بسرعة إلى الحالات المشتبه بها، وتقترح الأنواع الفرعية المرجحة لـALL، وتعرض خرائط حرارية للمناطق التي أثرت في تنبؤاتها — حتى يتمكن الأطباء من اتخاذ تشخيصات أسرع وأكثر ثقة.

الاستشهاد: Rahman, S.I.U., Abbas, N., Ali, S. et al. Improving acute lymphoblastic leukemia diagnosis through CBAM-enhanced VGG19 deep learning. Sci Rep 16, 11027 (2026). https://doi.org/10.1038/s41598-026-40184-4

الكلمات المفتاحية: اللوكيميا اللمفاوية الحادة, الذكاء الاصطناعي في التصوير الطبي, تشخيص بالتعلم العميق, آليات الانتباه, مجهريات نخاع العظام