شبكة هجينة متعددة المقاييس ResNet–محول مع تعلم واعٍ للمسافة لتصنيف ماموغرافي BI-RADS قابل للتفسير

لماذا هذا مهم للمرضى والأطباء

يفتش فحص سرطان الثدي عن الأرواح، لكن تمييز أي صورة ماموغرافية تشير فعلاً إلى خطر يمثل صعوبة حتى للخبراء. تُقدّم هذه الدراسة أداة حاسوبية جديدة تهدف إلى تصنيف صور الثدي إلى فئات الخطر المألوفة في BI-RADS بدقة ووضوح أكبر. عبر ذلك، قد تساعد الأداة في تقليل الخزعات غير الضرورية، واكتشاف السرطانات الخطرة في وقت أبكر، وتزويد أطباء الأشعة برأي إضافي مفهوم بدلاً من إجابة غامضة من صندوق أسود.

من صور الثدي إلى فئات الخطر

تُبلَّغ الماموغرامات عادةً باستخدام مقياس BI-RADS، الذي يمتد من "طبيعي" إلى "مشتبه بشدة بوجود سرطان". الفئات الأكثر أهمية هي BI-RADS 3 و4 و5، حيث تُتخذ قرارات بشأن المتابعة قصيرة المدى أو الخزعة. قد يختلف القارئون البشريون، لا سيما لدى النساء ذوات الأنسجة الثديية الكثيفة، وقد يؤدي ذلك إلى كل من تفويت سرطانات وتوليد إنذارات يمكن تجنبها. لدعم أطباء الأشعة، درّب المؤلفون نظام ذكاء اصطناعي على مجموعة بيانات ماموغرافية عامة كان قراؤها الخبراء قد وسّموا الصور فيها بالفعل بالفئات من BI-RADS 1 إلى 5. كما تعاملوا مع مشكلة شائعة: كانت هناك صور طبيعية وواضحة الحميدة أكثر بكثير من الصور عالية الخطورة، وهو ما قد يحرّف عملية التعلم إن لم يُصحَّح.

كيف ترى القارئ الذكي الجديد الصور

يجمع النظام المقترح بين فكرتين حديثتين في تحليل الصور. أولاً، يستخدم شبكة التفافية عميقة (ResNet-50) لالتقاط التفاصيل الدقيقة مثل الحواف والأنسجة والنقاط الصغيرة اللامعة التي قد تشير إلى تكلسات دقيقة. ثانياً، يضيف وحدة محول (Transformer)، وهو تصميم شاع في نماذج اللغة، لربط أجزاء بعيدة من الصورة والتفكير في أنماط عامة والتناظر. قبل كل ذلك، تُجهز الماموغرامات بعناية: تُعاد تحجيمها، ويُعزَّز التباين لإبراز الآفات الطفيفة، وتُعاد موازنة الفئات النادرة عبر الإفراط في أخذ العينات حتى يرى النموذج أمثلة كافية للحالات المشتبه بها والخبيثة أثناء التدريب.

تعليم النموذج أن بعض الأخطاء أكثر أهمية

تعامل النماذج الحاسوبية التقليدية جميع أخطاء الفئات على أنها سيئة بنفس القدر، لكن الطب لا يعمل بهذه الطريقة. خطأ اعتبار ثدي واضح الطابع طبيعي على أنه خبيث بوضوح أكثر خطورة بكثير من الخلط بين فئتين متجاورتين مثل BI-RADS 2 و3. لعكس ذلك، قدّم المؤلفون استراتيجية تعلم "واعية للمسافة". بدلاً من حصر التقييم في الصواب والخطأ فحسب، تقيس دالة الخسارة أيضاً مدى ابتعاد التنبؤ عن الفئة الحقيقية على مقياس BI-RADS المرتب. تُعاقَب القفزات الكبيرة أكثر من الهفوات الطفيفة، مما يحفز النظام على رسم حدود أكثر سلاسة ومعقولية سريرياً بين مستويات الخطر وتجنّب أخطر أنواع التصنيف الخاطئ.

كيف أدّى في الاختبارات

بعد تدريبه وضبطه على مرحلتين، أظهر النظام أداءً قوياً عند تقييمه على مجموعة اختبار محجوزة. صنّف فئات BI-RADS بشكل صحيح حوالي 92% من الوقت عموماً وحقق درجات مرتفعة جداً في مقاييس تأخذ بعين الاعتبار اختلال توازن الفئات وصعوبة التصنيف متعدد الفئات. والأهم أنه كان دقيقاً بشكل خاص في BI-RADS 4 و5، الفئتان اللتان غالباً ما تؤديان إلى الخزعات. كاد تكون جميع أخطائه بين فئات متجاورة، وهو ما يتماشى مع المناطق الرمادية في العالم الواقعي التي يواجهها أطباء الأشعة. أظهرت تحليلات إضافية أن الاحتمالات المتوقعة كانت جيدة المعايرة، بمعنى أن ثقته المعلنة طابقت مدى تكرار صوابها، وأنه تفوق على عدة مناهج حديثة للتعلّم العميق مصممة لمهام مماثلة.

رؤية أماكن اهتمام النموذج

نظراً لأن الثقة حاسمة في الطب، تجاوز المؤلفون الأرقام الخام وفحصوا أجزاء الصورة التي دفعَت قرارات النظام. باستخدام Grad-CAM، وهي تقنية تُبرز المناطق المؤثرة، وجدوا أن النموذج ركز باستمرار على الآفات وأنماط الأنسجة الكثيفة ومجموعات البقع الصغيرة المضيئة بدلاً من الخلفية غير ذات الصلة. أظهرت تصورات فضاء السمات الداخلية تجميعاً واضحاً للصور حسب مستوى BI-RADS، مفصِلةً خصوصاً الفحوصات المشتبه بها والخبيثة عن الفحوصات الطبيعية والحميدة. أشارت تحليلات منحنى القرار إلى أنه، إذا استُخدم جنباً إلى جنب مع الأطباء، قد يقلل الأداة من التدخّلات غير الضرورية مع الحفاظ على أو تحسين كشف السرطان، رغم أن ذلك يبقى بحاجة للاختبار في الممارسة الواقعية.

ماذا تعني النتائج للمستقبل

تُظهر هذه الدراسة أن الجمع بين أفكار الالتفاف والمحولات، وتعليم النموذج صراحةً أن بعض الأخطاء أسوأ من غيرها، يمكن أن ينتج مساعداً ذكياً دقيقاً وأكثر انسجاماً مع التفكير السريري. بينما تقتصر الدراسة على مجموعة بيانات متواضعة من مصدر واحد وتفتقر إلى تحقق خارجي، فإنها تشير إلى أنظمة ذكاء اصطناعي لا تكتفي فقط بمضاهاة أداء أطباء الأشعة بل تشرح أيضاً بؤر اهتمامها وثقتها. مع مزيد من الاختبارات على عينات أكبر وأكثر تنوعاً، قد تصبح مثل هذه الأدوات شركاء موثوقين في فحص سرطان الثدي، مساهمة في ضمان حصول النساء المناسبات على المتابعة المناسبة في الوقت المناسب.

الاستشهاد: Singh, M., Mohan, A., Tripathi, U. et al. A multi-scale hybrid ResNet–transformer with distance-aware learning for interpretable BI-RADS mammographic classification. Sci Rep 16, 10033 (2026). https://doi.org/10.1038/s41598-026-40906-8

الكلمات المفتاحية: فحص سرطان الثدي, الذكاء الاصطناعي في تصوير الثدي, تصنيف BI-RADS, التعلّم العميق في الأشعة, تصوير طبي قابل للتفسير