نهج من مرحلتين للمعالجة المسبقة والتصنيف لاكتشاف COVID-19 بدقة في صور الأشعة السينية

لماذا قراءة الأشعة السينية بشكل أذكى مهمة

خلال جائحة COVID-19، اعتمد الأطباء بشكل أساسي على اختبارات المختبر لتأكيد من هو مصاب. لكن معدات المختبر قد تكون محدودة، وقد تستغرق النتائج وقتًا—لاسيما في الأماكن ذات الموارد المحدودة. بالمقابل، تُعد الأشعة السينية للصدر سريعة ومتاحة على نطاق واسع، ومع ذلك قد يواجه حتى أخصائيو الأشعة الخبراء صعوبة في كشف التغيرات الرئوية الدقيقة التي يسببها COVID-19. تستعرض هذه الورقة طريقة لتعليم الحواسيب قراءة الأشعات السينية بصورة أكثر موثوقية عن طريق تنظيف الصور أولًا ثم تطبيق تقنيات الذكاء الاصطناعي الحديثة، بهدف مساعدة الممارسين السريريين على اتخاذ قرارات أسرع وأكثر دقة.

رؤية التفاصيل المهمة في الصور المليئة بالضوضاء

تحتوي صورة أشعة صدر على مزيج من المعلومات: عظام وأنسجة طرية وظلال وعيوب ميكانيكية مجتمعة في طبقات. تحاول أنظمة التعلّم العميق التقليدية التعلم مباشرة من هذه الصور الخام، ما يعني أن الشبكة يجب أن تكتشف بنفسها أي أجزاء كل صورة مهمة. وهذا أمر صعب عندما تختلف الصور في السطوع والتباين والجودة. يتعامل الباحثون مع هذا بتضمين مرحلة معالجة مسبقة مخصصة قبل أن تصل الأشعة إلى الشبكة العصبية. يستخدمون تقنية رؤية حاسوبية تُدعى المناطق القصوى المستقرة (MSER)، التي تفحص الصورة عند مستويات سطوع متعددة وتنتقي المناطق التي تبقى مستقرة مع تغير العتبة. غالبًا ما تتوافق هذه البقع المستقرة مع تراكيب ذات معنى—مثل مناطق النسيج الرئوي الشاذ—بينما تتجاهل الفوضى العشوائية.

السماح لقطيع ذئاب افتراضي بضبط الإعدادات

تقنية MSER قوية لكنها دقيقة في إعداداتها: أداءها يعتمد بشكل كبير على عدة معلمات رقمية تتحكم في حجم المنطقة القصوى، ومدى تغير سطوعها، ومدى نعومة حوافها. سيكون اختبار كل التركيبات يدويًا لآلاف الأشعات أمراً مملًا وبطيئًا. لحل ذلك، استقدم الباحثون طريقة تحسين مستوحاة من الطبيعة تُسمى محسن الذئب الرمادي. في هذا الخوارزم، يستكشف قطيع افتراضي من «الذئاب» تركيبات معلمات مختلفة، ويتحرك تدريجيًا نحو تلك التي تنتج أكثر المناطق نقاءً ومعلوماتية في الصور. تُقيَّم جودة كل إعداد بمقياس يكافئ المناطق المتجانسة داخليًا والمتميزة بوضوح عن محيطها. خلال بضعة عقود من التكرار لكل صورة، يتقارب القطيع على مجموعة من المعلمات التي تجعل مناطق الرئة المشتبه بها بارزة بوضوح.

تدريب الشبكات العصبية بصور أنظف

بعد تنقية صور الأشعة بهذه الطريقة، تُمرر إلى شبكة عصبية تلافيفية عميقة—نفس فئة النماذج المستخدمة على نطاق واسع في التعرف على الوجوه والسيارات الذاتية. اختبر المؤلفون خط أنابيبهم ذي المرحلتين مع ثلاث عائلات شبكات مختلفة: شبكة مخصصة بسيطة جدًا، وDenseNet (بنية أقوى وأكثر تعقيدًا)، وMobileNet (نموذج أخف مصمم للأجهزة المحمولة). لكل منها قارنوا الأداء على مجموعتي بيانات عامة لأشعة الصدر، أولًا باستخدام الصور الخام ثم باستخدام الصور المعالجة مسبقًا باستخدام مجموعة MSER–محسن الذئاب الرمادية. عبر اللوحة، أدت الصور المعالجة مسبقًا إلى دقة أعلى، وإنذارات كاذبة أقل، وتدريب أسرع. في حالة واحدة قفزت الدقة من نحو 90% إلى ما يقرب من 99%، بينما قُصِر وقت التدريب بنحو ثلثي المدة.

ما مدى متانة هذا النهج في العالم الحقيقي؟

للتحقق مما إذا كانت الطريقة قد حفظت مجرد خصائص مجموعة بيانات واحدة، أجرى الباحثون اختبارًا أصعب: درّبوا نماذجهم على مجموعة واحدة من الأشعات ثم قيّموها على مجموعة مختلفة لم تُستخدم أثناء التدريب. انخفض الأداء بطبيعة الحال، لكن الأنظمة التي استخدمت خطوة المعالجة المسبقة الجديدة حافظت على أداء أفضل بكثير من تلك المدربة على الصور الخام فقط. تضمنّت الدراسة أيضًا تحليلًا للإزالة (ablation)، أظهر أن استخدام MSER بدون ضبط تلقائي لم يكن مفيدًا كثيرًا، ومقارنة مع طريقة أكثر تقليدية لتحسين التباين. في تلك الحالات تلاشت المكاسب إلى حد كبير. وهذا يشير إلى أن العنصر الأساسي ليس مجرد «تحسين» الصور، بل توجيه الخوارزمية لعزل مناطق مستقرة وذات صلة بالمرض بطريقة مبدئية ومُعتمدة على البيانات.

ماذا يعني هذا للمرضى والأطباء

لا تحل هذه التقنية محل اختبارات PCR أو أخصائيي الأشعة الخبراء، ويشير المؤلفون إلى قيود: البيانات مأخوذة من مجموعة محدودة من المستشفيات، ولم يختبروا الطريقة على كل بنية شبكية حديثة أو على أمراض رئوية أخرى. ومع ذلك، تُظهر نتائجهم أن التصميم المدروس للمعالجة المسبقة يمكن أن يجعل أنظمة الذكاء الاصطناعي الحالية أكثر دقة وكفاءة. بمساعدة الشبكات العصبية على التركيز على أكثر أجزاء كل أشعة صدر معلوماتية، يقدم النهج ذو المرحلتين مسارًا عمليًا نحو أدوات دعم آلية موثوقة لتشخيص COVID-19، وربما حالات تنفسية أخرى—لا سيما في البيئات التي تكون فيها القرارات السريعة وموارد الحوسبة المحدودة واقعًا يوميًّا.

الاستشهاد: González, A., Gutiérrez, V.G., Cuevas, E. et al. A two-stage preprocessing and classification approach for accurate COVID-19 detection in X-ray images. Sci Rep 16, 13514 (2026). https://doi.org/10.1038/s41598-026-41861-0

الكلمات المفتاحية: تشخيص COVID-19 بالأشعة السينية, المعالجة المسبقة للصور الطبية, التعلّم العميق في الأشعة, الكشف بمساعدة الحاسوب, الذكاء الاصطناعي في تصوير الصدر