نهج هجين للتعلّم العميق يجمع بين الشبكات الالتفافية والمحوِّلات لتصنيف سرطان الرئة باستخدام فحوصات الأشعة المقطعية

لماذا تهم هذه الأبحاث المرضى والأسر

يُعد سرطان الرئة من أكثر أنواع السرطان فتكًا على مستوى العالم، ويرجع ذلك إلى حدٍّ كبير إلى اكتشافه غالبًا في مراحل متأخرة. تستكشف هذه الدراسة كيف يمكن للرؤية الحاسوبية المتقدمة أن تساعد الأطباء على قراءة فحوصات الأشعة المقطعية للرئتين بدقة واتساق أكبر، بحيث يمكن الإشارة إلى البقع المشبوهة في الرئتين مبكرًا وبأخطاء أقل، مما قد يدعم قرارات سريرية أسرع وأكثر اطلاعًا.

رؤية داخل الصدر بعيون رقمية

يعتمد الأطباء عادة على فحوصات الأشعة المقطعية للبحث عن نموّات صغيرة في الرئتين قد تشير إلى السرطان. تُسمى هذه النموّات بالعقيدات، ويمكن أن تكون صغيرة جدًا ودقيقة، خاصة في المراحل المبكرة من المرض. قد تبدو أنسجة الرئة الطبيعية والعقيدات غير الضارة والأورام الخطرة متشابهة إلى حدٍّ كبير، حتى بالنسبة للأخصائيين ذوي الخبرة. كما أن تغيّرات طفيفة في جودة الصورة أو نسيج الخلفية أو الضجيج في المسح قد تُقصي الفوارق أكثر. وبسبب ذلك، يتم تفويت بعض السرطانات، بينما تؤدي نتائج أخرى إلى إنذارات كاذبة تتسبب في اختبارات متابعة غير ضرورية.

تعليم الحواسيب رصد الأنماط في فحوصات الرئة

صمّم الباحثون نظامًا للتعلّم العميق، أطلقوا عليه اسم C-Swin، للمساعدة في تصنيف صور الأشعة المقطعية للرئتين إلى ثلاث فئات: سليم، حميد (غير سرطاني)، وخبيث (سرطاني). تتعلّم أنظمة التعلّم العميق مباشرة من عدد كبير من صور الأمثلة، بدلًا من الاعتماد على قواعد مصمَّمة يدويًا. يجمع C-Swin بين فكرتين قويتين. نوع من الشبكات العصبية المعروف بالشبكة الالتفافية يركّز على التفاصيل الدقيقة مثل الحواف والأنسجة والأشكال الصغيرة التي تكشف بنية العقيدة. وفي الوقت نفسه، تنظر وحدة المحوّل، المستوحاة من أدوات تُستخدم في ترجمة اللغات، إلى الصورة بشكل أوسع، معتبرةً كيف ترتبط المناطق بعضها ببعض عبر كامل الرئة.

التركيز على ما يهم فعلاً في الصورة

للاستفادة القصوى من فحوصات الأشعة المقطعية، أدخل الفريق آلية انتباه خاصة تساعد النموذج على التركيز على المناطق ذات الصلة مع تجاهل مشتتات الخلفية. تُقسَم صورة الأشعة المقطعية إلى بقع صغيرة أو نوافذ. داخل هذه النوافذ، يتعلّم النموذج أي المناطق تحمل أكثر المعلومات فائدة للحكم على ما إذا كان النسيج سليمًا أم لا. عن طريق تحريك ودمج النوافذ في اتجاهات مختلفة، يحافظ الشبك على العلاقات بين المناطق المجاورة ويلتقط كلًا من التفاصيل القريبة والبُنى بعيدة المدى في الرئتين. مكوّن بوّابي إضافي يساعد النظام على إبراز أنماط دقيقة لكنها مهمة وكبح الإشارات الأقل فائدة، محسنًا كيفية تمييز النموذج للعقيدات غير الضارة من الخطرة.

اختبار النظام

درّب المؤلفون وقيّموا C-Swin باستخدام مجموعة بيانات أشعة مقطعية متاحة علنًا جمعت من مستشفيات عراقية، وتشمل صورًا لرئتين صحيتين، وعقيدات حميدة، وحالات خبيثة. وبما أن مجموعات البيانات الطبية غالبًا ما تكون صغيرة، وسّعوا مجموعة التدريب باستخدام تعزيز البيانات، مثل قلب الصور وتدويرها، لمحاكاة تنوع أكبر من الفحوصات. بعد معالجة مسبقة وتدريب دقيق، صنّف النموذج الصور بشكل صحيح بدقة تقارب 96 بالمئة وحقق درجات عالية مماثلة في المقاييس مثل الدقّة والاستدعاء ودرجة F1، وهي مقاييس توازن بين تفويت السرطانات والإنذارات الكاذبة. في اختبارات متكررة باستخدام تقسيمات مختلفة للبيانات، ظلت النتائج مستقرة، وأظهرت الفحوص الإحصائية أن أداء C-Swin كان أفضل بدرجة كبيرة من عدة أساليب تعلّم عميق موجودة.

ما قد يعنيه هذا للرعاية المستقبلية

على الرغم من أن هذه الدراسة لا تحلّ محل حكم أخصائي الأشعة، فإنها تُظهر أن تصميمًا متأنٍّ يجمع بين التحليل المحلي والعالمي للصورة يمكن أن يساعد الحواسيب في التركيز على نفس مناطق الرئة التي يعتبرها الخبراء الأكثر أهمية. تُشير مرئيات Grad-CAM، التي تُبرز مناطق الصورة المؤثرة في قرارات النموذج، إلى أن C-Swin يميل إلى التركيز على مناطق الآفة بدلًا من الخلفية غير ذات الصلة. ويشير المؤلفون إلى أن العمل مبني على مجموعة بيانات واحدة وصغيرة نسبيًا، لذا لا تزال هناك حاجة لاختبارات أوسع في مستشفيات وأجهزة مسح مختلفة. إذا تم التحقق منه على مجموعات أكبر وأكثر تنوعًا من الفحوصات، فقد تصبح مثل هذه الأنظمة مساعدين مفيدين في غرفة القراءة، يساعدون الأطباء على ترتيب أولويات الحالات، والحد من التغاضي، وربما دعم الكشف المبكر عن سرطان الرئة.

الاستشهاد: Yousafzai, S.N., Nasir, I.M., Mansour, S. et al. A hybrid deep learning approach integrating CNN and transformer for lung cancer classification using CT scans. Sci Rep 16, 15420 (2026). https://doi.org/10.1038/s41598-026-41161-7

الكلمات المفتاحية: سرطان الرئة, التصوير المقطعي المحوسب, التعلّم العميق, الذكاء الطبي, تصنيف الصور