خلط عينات القطع: طريقة تعزيز بيانات متخصصة تُطبَّق على كشف الآفات في الجهاز الهضمي

لماذا يهم تحسين بيانات التدريب لصحة الأمعاء

يستخدم الأطباء كاميرات صغيرة لفحص داخل الجهاز الهضمي والكشف عن إشارات مبكرة للأمراض، مثل بقع غير طبيعية صغيرة قد تتحول لاحقًا إلى سرطان. لكن هذه الإشارات قد تكون دقيقة جدًا، والأجهزة الحاسوبية التي قد تساعد الأطباء على العثور عليها تحتاج إلى آلاف الصور المعلّمة جيدًا لتتعلم ما يجب البحث عنه. تعرض هذه الورقة طريقة جديدة لـ«نمو» صور تدريب واقعية على الحاسب، ما يسهل تعليم أنظمة الذكاء الاصطناعي اكتشاف هذه الآفات صعبة الرؤية مبكرًا.

تحدي البقع التحذيرية المخفية

الآفات في المعدة والأمعاء—مثل التحويل الظهاري المعوي، الانتباذ المبكر، والسلائل الصغيرة—هي إشارات مبكرة مهمة للسرطان، لكنها غالبًا ما تبدو مختلفة بشكل طفيف فقط عن النسيج السليم. قد يغفل عنها الخبراء البشريون أحيانًا، وتواجهها نماذج الحاسوب صعوبة أيضًا، ويرجع ذلك أساسًا إلى عدم وجود ما يكفي من الصور عالية الجودة والمعلّمة بعناية للتعلم منها. جمع وتعليم صور التنظير مكلف ويستغرق وقتًا ويحمل حساسيات أخلاقية، خاصة لأنواع الآفات النادرة. الحيل التقليدية لزيادة بيانات التدريب—كالعكس، والدوران، أو مزج الصور كاملة—تفيد في التصوير اليومي، لكنها تميل إلى طمس أو تحريف التفاصيل الدقيقة والحدود التي تهم بشدة في فحوصات الجهاز الهضمي.

من القص واللصق العشوائي إلى المزج الواعٍ بالتشريح

جرّب الباحثون أساليب «القص واللصق» الأكثر تقدمًا التي تنسخ الآفات المرئية من صورة وتلصقها في أخرى، أو استخدام نماذج توليدية لإنشاء صور جديدة تمامًا. رغم أن هذه الاستراتيجيات تزيد التنوع، إلا أنها غالبًا ما تتجاهل تشريح المنطقة المحيطة. قد تهبط آفة مُلصقة في موضع غير واقعي أو تتعارض في اللون والملمس مع الأنسجة القريبة، مما يقلل من مصداقية صور التدريب. النماذج التوليدية مثل شبكات GAN وشبكات الانتشار يمكن أن تنتج صورًا مثيرة للإعجاب، لكنها تتطلب مجموعات بيانات ضخمة، يصعب التحكم فيها، وتخاطر بابتكار تراكيب زائفة لا توجد في المرضى الحقيقيين. للمهام التي تعتمد على تغيّرات لونية دقيقة ونمط سطحي دقيق—كما في أمراض المعدة والقولون المبكرة—تقيد هذه العيوب مدى فائدة طرق التعزيز الحالية.

طريقة جديدة لدمج الآفات في مشاهد واقعية

يقدم المؤلفون طريقة خلط عينات القطع (Cut Instance Mixing - CIM)، نهجًا مخصصًا مصمَّمًا خصيصًا لصور الجهاز الهضمي. بدلًا من وضع الآفات عشوائيًا، يبدأ CIM بتحليل صورة سليمة للعثور على مناطق ذات دلالة تشبه أنماط الغشاء المخاطي الحقيقية. يفعل ذلك عن طريق تجميع البكسلات إلى بقع ناعمة ومقبولة بيولوجيًا ثم تقطيعها إلى مناطق فرعية أصغر ومُرتَّبة. بعد ذلك، يختار CIM آفة حقيقية من صورة أخرى ويبحث عن المنطقة الفرعية التي تتطابق ألوانها وملمسها أكثر مع محيط الآفة. تُوضع الآفة هناك وتُدمج بسلاسة باستخدام تقنيات تحافظ على الحواف والإضاءة، مع مقبض ضبط (يسمى α) يتحكم في مدى وضوح أو خفوت ظهور الآفة. النتيجة صورة اصطناعية تبدو الآفة فيها كما لو أنها تشكلت طبيعيًا في ذلك الموضع، ولأن تسمية الآفة الأصلية معروفة، تُعلَّم الصورة الجديدة تلقائيًا للتدريب.

اختبار الطريقة عمليًا

لفحص ما إذا كان CIM مفيدًا فعلاً، درب الفريق نفس نموذج التعلم العميق على ثلاث مجموعات صور تنظير مختلفة: التحويل الظهاري المعوي، الانتباذ، وسلايل القولون. لكل مجموعة بيانات، قارنوا CIM بتقنيات معيارية مثل MixUp وCutMix والقص–اللصق العشوائي البسيط، مستخدمين تحقق تقاطعي صارم ومجموعة اختبار خارجية من مستشفيات أخرى في حالة السلائل. عبر معظم مقاييس الأداء—كالدقة العامة، والقدرة على فصل النسيج المريض عن السليم، والثبات عبر اختبارات متكررة—تفوق CIM، خاصة مع مزج أقوى (α حوالي 0.8). كما فحص الباحثون خرائط الحرارة التي تُظهر أين «ينظر» النموذج عند اتخاذ القرار. ركزت النماذج المدربة باستخدام CIM بدقة أكبر على مناطق الآفة الحقيقية، متطابقة مع التوسيم الطبي أفضل من المنافسين، ما يوحي بأن CIM يساعد الشبكة على تعلم ميزات أكثر معنىً سريريًا بدلًا من حلول مختصرة أو ضوضاء.

ما الذي يعنيه هذا لفحص سرطان الأمعاء المستقبلي

بعبارات مبسطة، يوفر CIM لأجهزة الأطباء المزيد من صور التدريب الأفضل عن طريق إدراج آفات حقيقية في مواقع جديدة مقنعة بطريقة تحترم التشريح. تقلل هذه المقاربة من الاختلال بين الحالات الشائعة والنادرة، وتقوّي كشف الأمراض المبكرة والدقيقة، وتعمل من دون نماذج توليدية ثقيلة يصعب التحكم بها أو شبكات مساعدة إضافية. بينما يركز العمل الحالي على قرارات ثنائية—آفة أم لا—يمكن توسيع نفس الاستراتيجية لأنواع آفات متعددة واختبارها على أجهزة أعضاء أخرى. إذا اعتمدت على نطاق واسع، قد تجعل أدوات الخلط الواعٍ بالتشريح مثل CIM التنظير بمساعدة الحاسوب أكثر موثوقية، مما يساعد الأخصائيين على العثور على التغيرات الخطرة في الجهاز الهضمي مبكرًا وبثبات أكبر.

الاستشهاد: Neto, A., Almeida, E., Libânio, D. et al. Cut instance mixing: A domain-specific data augmentation method applied to gastrointestinal lesion detection. Sci Rep 16, 11941 (2026). https://doi.org/10.1038/s41598-026-42138-2

الكلمات المفتاحية: آفات الجهاز الهضمي, تصوير التنظير, تعزيز البيانات, التعلّم العميق, فحص السرطان