مجموعة نماذج عميقة معززة بالمحوّل لتصنيف أمراض الكبد متعددة الفئات باستخدام صور التصوير المقطعي المحوسب

لماذا تهم فحوصات الكبد الأذكى

أمراض الكبد تتحول بهدوء إلى أزمة صحية عالمية، لكن الكشف المبكر عنها في الصور الطبية قد يكون صعباً بشكل مفاجئ حتى مع وجود خبراء. تستكشف هذه الورقة كيف يمكن للذكاء الاصطناعي الحديث أن يساعد الأطباء على قراءة فحوصات الأشعة المقطعية الروتينية بدقة أكبر، وتصنيف المرضى ضمن ثلاث حالات كبدية شائعة وخطيرة—مرض الكبد الدهني، والتليف، وسرطان الكبد—دون حاجة لاختبارات إضافية. من خلال الجمع بين فكرتين قويتين في الذكاء الاصطناعي، شبكات الالتفاف العصبية وآلية الانتباه في المحولات، يبني المؤلفون نظاماً يقترب من كونه رأياً ثانياً موثوقاً للغاية لأخصائيي الأشعة.

ثلاث مشكلات كبدية شائعة، وتحدٍّ واحد كبير

يقع الكبد في مركز مختبر الكيمياء بالجسم، ويعالج الأيض وإزالة السموم وإنتاج بروتينات حيوية. عندما يتعرض للتلف بسبب تراكم الدهون على المدى الطويل أو التندّب أو الأورام، يمكن أن تتسرب العواقب إلى معظم أجهزة الجسم. يؤثر مرض الكبد الدهني الآن على نحو ثلث سكان العالم تقريباً، ويسبب التليف وسرطان الكبد ملايين الوفيات سنوياً. ومع ذلك، على صور الأشعة المقطعية، غالباً ما تختلط هذه الحالات في الرمادي: قد تبدو التغيرات الدهنية المبكرة دقيقة، والتندّبات التليفية قد تكون منتشرة بدلاً من أن تكون بؤرية، ويمكن أن تخفي الأورام بين الأنسجة الطبيعية. تساعد الاختبارات المختبرية التقليدية، لكنها ليست محددة لأمراض منفردة. يعتمد الأطباء بشكل متزايد على التصوير لاتخاذ قرار بشأن من يحتاج إلى متابعة أو علاج، لكن التفسير يختلف باختلاف الخبرة والضغط الوظيفي.

تعليم الحواسيب الرؤية في الصور الطبية

خلال العقد الماضي، غيّر التعلم العميق طريقة قراءة الحواسيب للصور. تبرع شبكات الالتفاف العصبية (CNNs) في اكتشاف الأنماط مثل الحواف والملمس والأشكال وقد حسّنت بالفعل اكتشاف العديد من حالات الكبد. ومع ذلك، تركز شبكات الالتفاف التقليدية في الغالب على المناطق المحلية وقد تكافح مع التغيرات المنتشرة أو الدقيقة المنتشرة عبر عضو كامل. تجلب المحولات، المصممة أصلاً للغة، ميزة جديدة: الانتباه. تتعلم كيف تقيّم العلاقات بين مناطق بعيدة في الصورة، معترفة بالأنماط العالمية بدلاً من الرقع المحلية فقط. هدف مؤلفو هذه الدراسة هو مزج القوتين—التفاصيل المحلية من شبكات الالتفاف والسياق العالمي من المحولات—في نظام عملي واحد لصور الأشعة المقطعية للكبد.

بناء فريق هجين من الشبكات العصبية

جمع الباحثون مسحات أشعة مقطعية من عدة مجموعات بيانات مفتوحة، شملت 681 مريضاً وأكثر من مليون شريحة صورة منفردة، ممثلة لمرض الكبد الدهني والتليف وسرطانة الخلايا الكبدية (شكل شائع من سرطان الكبد). بعد توحيد حجم الصور وتعزيز التباين، عادلوا توزيع الفئات غير المتكافئ بزيادة بيانات محكمة، بتحريك الصور قليلاً وتدويرها وتكبيرها لمحاكاة التباين في العالم الحقيقي. تم تكييف ثلاث شبكات CNNs مسبقة التدريب ومعروفة—ResNet50V2 وDenseNet121 وMobileNetV2—وتخصيصها بدقة لتصنيف الأمراض الثلاثة بشكل مستقل. لكل منها «شخصية» معمارية مختلفة: ResNet عميق وقوي، وDenseNet يعيد استخدام الميزات بكفاءة، وMobileNet خفيف وسريع بما يكفي للبيئات محدودة الموارد.

إضافة الانتباه ودمج الآراء

بعد ذلك، وسّع الفريق كل شبكة CNN بواسطة كتل محول. عوضاً عن التوقف عند مجموعة من الميزات المحلية، أعادوا تشكيل مخرجات الـCNN إلى سلسلة من الرموز (tokens) ومرّروها عبر طبقات الانتباه الذاتي متعدد الرؤوس. تتعلم هذه الطبقات أي مناطق صورة الكبد يجب أن "تعطي اهتماماً" لمناطق أخرى، ملتقطةً أنماط المدى الطويل مثل التندّبات المنتشرة أو الترسبات الدهنية المبعثرة. أنتج كل نموذج هجيني (CNN–محول) احتمالية خاصة لكل من الأمراض الثلاثة، استناداً إلى جميع شرائح الأشعة المقطعية لمريض بدلاً من صورة واحدة. أخيراً، أنشأ المؤلفون تجميعة هجينة: قاموا بمحاذاة وتمرير التمثيلات الميزة الثلاثة الناتجة وضمّها ثم مرروها عبر محول إضافي يتعلم أفضل طريقة لدمج وجهات نظرها المختلفة قبل اتخاذ القرار النهائي.

ما مدى جودة أداء النظام؟

كانت مكاسب الأداء لافتة. بمفردها، وصلت شبكات الـCNN المضبوطة إلى دقّة تتراوح بين نحو 69% و82%، وهي نتائج محترمة لكنها تعاني من نقاط عمياء ملحوظة—خصوصاً في حالات الكبد الدهني والتليف التي غالباً ما تبدو متشابهة. إضافة المحولات لكل بنية أساسية عززت الدقّة إلى 87–93% وحسّنت التوازن عبر الأمراض الثلاثة بشكل كبير. عندما تم دمج الشبكات الثلاث المحسّنة بالمحوّل في التجميعة، ارتفعت الدقّة الإجمالية إلى 97%، مع درجات شبه مثالية للدقة والاستدعاء ومؤشر ارتباط قوي يأخذ بعين الاعتبار عدم توازن الفئات. والأهم من ذلك، على مستوى المرضى، لم تفقد التجميعة أي حالات تليف أو سرطان كبد في بيانات الاختبار وأظهرت عددًا قليلاً جداً من الإنذارات الكاذبة لمرض الكبد الدهني. أكدت الاختبارات الإحصائية أن هذه المكاسب لم تكن مجرد صدفة بل تمثل تحسناً حقيقياً مقارنة بأفضل نموذج فردي.

ماذا قد يعني هذا للمرضى

لغير المتخصص، الرسالة الأساسية هي أن هذا النظام الهجين للذكاء الصناعي يمكنه تحويل فحوصات الأشعة المقطعية الروتينية إلى أداة أكثر حدة لاكتشاف ثلاث أمراض كبد رئيسية في آن واحد. من خلال الجمع بين شبكات عصبية مختلفة ومنحها آلية "انتباه"، يتعلم النموذج ملاحظة كل من التفاصيل الدقيقة وأنماط العضو الشاملة التي تهمّ للتشخيص. وعلى الرغم من أن النهج أثقل حسابياً من الشبكات الأبسط ولا يزال يحتاج إلى اختبارات عبر مزيد من المستشفيات وأجهزة الماسح، فإنه يشير نحو أدوات عملية يمكن أن تعمل إلى جانب أخصائيي الأشعة، متميزة في لفت الانتباه إلى الأمراض الدقيقة، وتقليل الحالات الفائتة، ودعم قرارات العلاج المبكرة. باختصار، يوحي بمستقبل حيث يساعد البرنامج الذكي في ضمان عدم اختباء أي مرض كبدي خطير ظاهرياً في صورة الفحص.

الاستشهاد: Bhardwaj, S., Aggarwal, S., Kumar, N. et al. Transformer-enhanced deep ensemble for multi-class liver disease classification using computed tomography images. Sci Rep 16, 12690 (2026). https://doi.org/10.1038/s41598-026-43256-7

الكلمات المفتاحية: تصوير أمراض الكبد, التشخيص بالتعلّم العميق, تحليل الأشعة المقطعية, تجميع محولات, التصوير الإشعاعي بمساعدة الحاسوب