شبكة عصبية تلافيفية خفيفة لتحسين تصنيف سرطان الرئة غير صغير الخلايا باستخدام صور الأشعة المقطعية

لماذا تُهم سرعة فحوصات الرئة

يُعدّ سرطان الرئة من أكثر السرطانات فتكًا، ويرجع ذلك جزئيًا إلى أنه كثيرًا ما يُكتشف متأخرًا. يعتمد الأطباء بشكل متزايد على صور الأشعة المقطعية التفصيلية وصور المجهر لأنسجة الرئة لاكتشاف العلامات المبكرة للمرض، لكن قراءة هذه الصور تتطلب وقتًا وخبرة ليست متاحة دائمًا، لا سيما في المستشفيات الصغيرة. تُقدّم هذه الدراسة نموذج ذكاء اصطناعي مدمجًا باسم MiniConvNet، مصممًا لمساعدة الأطباء على التفريق بسرعة ودقة بين عدة أشكال رئيسية من سرطان الرئة غير صغير الخلايا والرئة السليمة، حتى على حواسيب متواضعة.

تحدّي الكشف المبكر عن سرطان الرئة

ترتبط معظم وفيات سرطان الرئة بسرطان الرئة غير صغير الخلايا، وهو مصطلح جامع يشمل الغُدّانيّات (adenocarcinoma) وسرطان الخلايا الحرشفية وسرطان الخلايا الكبيرة. تتصرف هذه الأنماط الفرعية بشكل مختلف، وتستجيب لعلاجات مختلفة، وقد تظهر متشابهة إلى حد كبير في الصور. اليوم يفحص أطباء الأشعة وأطباء الأمراض أنسجة الرئة وصور الأشعة المقطعية لاتخاذ هذه القرارات، لكن هذه العملية مرهقة وتتطلب جهدًا كبيرًا وقد تكون صعبة بشكل خاص حيث يندر توافر الأخصائيين. وعلى الرغم من أن أنظمة التعلّم العميق الحديثة قادرة على المساعدة، إلا أن العديد من أفضل النماذج أداءً كبيرة وبطيئة وتحتاج إلى معالجات رسومية قوية، مما يصعب نشرها في العيادات اليومية.

بناء قارئ صور أصغر وأكثر ذكاءً

سعى المؤلفون إلى تصميم شبكة عصبية تحافظ على مزايا التعلّم العميق مع تقليص حجمها. MiniConvNet هي شبكة عصبية تلافيفية خفيفة، وهي نوع من الخوارزميات المناسب جدًا لتحليل الصور. تستخدم سلسلة من مرشحات الصور الصغيرة، وعمليات رياضية بسيطة، وطبقات تجميع تعمل على تكثيف المعلومات البصرية تدريجيًا إلى تمثيل مضغوط، تليه طبقات كثيفة تتخذ القرار النهائي. مع ما يقرب من نصف مليون معلمة قابلة للتعلّم وحجم ملف لا يتجاوز حوالي 6 ميغابايت، فإن MiniConvNet أصغر بكثير من نماذج معروفة مثل VGG وResNet وInception، التي غالبًا ما تحتوي على عشرات الملايين من المعلمات وتحتاج إلى ذاكرة وقوة معالجة أكبر بكثير.

اختبار النموذج

لاختبار فعالية التصميم المدمج، درّب الباحثون وقيّموا MiniConvNet على نوعين مختلفين من صور الرئة. الأول مجموعة أشعة مقطعية مكونة من 900 صورة شملت ثلاث أنماط فرعية من السرطان ورئات سليمة. والثاني مجموعة أكبر بكثير من 15,000 صورة مجهرية عالية الدقة لأنسجة الرئة، تغطي فئات مماثلة. في كلتا المجموعتين، أعيد تغيير حجم الصور إلى صيغة قياسية وخضعت لتعزيز البيانات—تحويلات بسيطة مثل الانعكاس والدوران والتكبير—لمساعدة النموذج على التعامل مع التنوع الذي قد يواجهه في التطبيق العملي. استُخدمت نفس إعدادات التدريب، مثل معدل التعلّم وحجم الدفعة والمُحسّن، لكل من MiniConvNet ومجموعة من النماذج المرجعية الشائعة لضمان مقارنة عادلة.

كيف يقارن النموذج الجديد

على صور الأشعة المقطعية، حقق MiniConvNet دقة تقارب 96% على مجموعة الاختبار، متفوقًا بوضوح على النماذج الراسخة: أفضل الشبكات الأكبر، Inception V3، وصلت إلى نحو 82% دقة، بينما تراجعت أخرى مثل VGG16 وVGG19 وResNet‑50 وEfficientNet وMobileNet وConvNeXt. أظهر MiniConvNet أيضًا درجات قوية في المقاييس مثل الدقّة (precision) والاستدعاء (recall) وF1‑score عبر الفئات الفردية، ما يشير إلى أنه لم يكتفِ بالتعرّف على السرطان بشكل موثوق بل وتمييز الأنماط الفرعية الثلاث والفئة السليمة. في مجموعة صور الأنسجة، قدم النموذج أداءً على القمة أيضًا، مع دقة اختبار قريبة من 97% وأداء متوازن عبر الفئات. وأكدت تجربة التحقق المتقاطع بخمس طيات—إعادة التدريب والاختبار على تقسيمات مختلفة من البيانات—أن هذه النتائج مستقرة وليست نتاج صدفة.

السرعة والملاءمة للعيادات الحقيقية

بعيدًا عن الدقة، تؤكد الدراسة على السرعة واستهلاك الموارد. تدرب MiniConvNet أسرع من العديد من النماذج الثقيلة وقدم تنبؤات في غضون بضعة ميلي‑ثوانٍ لكل صورة على أجهزة عادية، مع الاستمرار في معالجة كل من صور الأشعة المقطعية والمجهرية بشكل جيد. هذه الصفات حاسمة لأدوات نقطة الرعاية، حيث قد تكون الحواسيب أقل قدرة ويحتاج الأطباء إلى ردود سريعة. كما بيّن الباحثون أن إضافة تقنية تنظيمية تُسمى dropout ساعدت النموذج على الحفاظ على أداء عالٍ مع تقليل خطر الإفراط في التكيّف، وهي مشكلة غالبًا ما تواجه التعلّم العميق عند العمل على مجموعات بيانات طبية صغيرة نسبيًا.

ماذا يعني هذا للمرضى والأطباء

ببساطة، تشير الدراسة إلى أن برنامج ذكاء اصطناعي صغير وفعّال يمكنه المساعدة في اكتشاف وتصنيف سرطانات الرئة بدقة تضاهي أو تتفوق على أنظمة أكبر بكثير. MiniConvNet مدمج بما يكفي ليعمل على أجهزة منخفضة التكلفة، مما يجعله مرشحًا واعدًا للمستشفيات والعيادات التي تفتقر حاليًا إلى بنية حوسبة متقدمة. ومع أن هناك حاجة إلى مجموعات بيانات مرضى أكبر وأكثر تنوعًا وتجارب ميدانية حقيقية قبل الاعتماد عليه في الرعاية الروتينية، تشير هذه الدراسة إلى مستقبل يمكن أن تدعم فيه مساعدات ذكاء اصطناعي سريعة ومحمولة الأخصائيين في اكتشاف سرطان الرئة مبكرًا وتفصيل العلاج بدقة أكبر.

الاستشهاد: Baqir, M.A., Qayyum, S., Ashfaq, N. et al. A lightweight CNN for enhanced non-small cell lung cancer classification using CT scan image. Sci Rep 16, 12985 (2026). https://doi.org/10.1038/s41598-026-41401-w

الكلمات المفتاحية: سرطان الرئة, الأشعة المقطعية, التعلّم العميق, الشبكة العصبية التلافيفية, التصوير الطبي