محسّن Aquila/المتحد مع تحسين صقور هاريس لضبط المعاملات الفائقة لشبكات CNN في تصنيف أورام الدماغ

فحوصات أذكى، إجابات أسرع

عندما يبحث الأطباء في صور الرنين المغناطيسي عن دلائل على أورام الدماغ، كل دقيقة وكل بكسل يهمّان. يمكن لأجهزة الحاسوب المساعدة باكتشاف أنماط دقيقة قد يفوتهَا حتى الخبراء المدربون، لكن تعليم هذه الأنظمة لتكون دقيقة وسريعة في الوقت نفسه عملية معقدة. تقدم هذه الدراسة طريقة جديدة لضبط نوع شائع من نماذج تحليل الصور تلقائياً بحيث يصبح قادراً على تصنيف أورام الدماغ بدقة أكبر وفي جزء من الزمن المعتاد — وهو تقدم قد يدعم يوماً ما تشخيصات أسرع وأكثر موثوقية في المستشفيات المزدحمة.

لماذا ضبط المقاييس صعب جداً

تعتمد أنظمة الذكاء الاصطناعي الحديثة، وخصوصاً تلك الخاصة بالصور، على عشرات «المقاييس» التي يجب على البشر ضبطها قبل بدء التدريب. تُعرف هذه المقاييس بالمعاملات الفائقة، وتشمل سرعة تعلم النموذج، وحجم الدفعة التي يرىها دفعة واحدة، وعمق الشبكة، ومدى منعها من الإفراط في التعميم. قد تجعل الاختيارات السيئة النموذج بطيئاً أو غير مستقر أو غير موثوق، حتى لو كان التصميم الأساسي جيداً. تقليدياً، يعدل الباحثون هذه الإعدادات بالتجربة والخطأ أو باستراتيجيات بحث بسيطة، والتي تصبح سريعاً غير عملية مع زيادة حجم وتعقيد النماذج والبيانات.

شركاء بحث مستوحون من الطبيعة

لمواجهة هذا التحدي، لجأ المؤلفون إلى خوارزميتين مستوحاة من استراتيجيات الصيد لدى الحيوانات. الأولى، تسمى محسن Aquila، تقلد نسرًا يحلق عالياً لاستكشاف منطقة واسعة قبل الانقضاض نحو الفريسة. هو جيد في مسح نطاق واسع من الاحتمالات وتجنب الوقوع في مصائد محلية سيئة، لكنه قد يكون بطيئاً في الوصول إلى حل نهائي. الأخرى، تحسين صقور هاريس، تحاكي صقوراً تعمل معاً لتحاصر وتجهد فريستها. هي بارعة في تنقية الخيارات الواعدة بعناية لكنها قد تُفوّت خيارات أفضل في أماكن أخرى إذا استخدمت بمفردها. دمج الباحثون هاتين الخوارزميتين في نظامٍ هجين — Aquila للاستكشاف الواسع المبكّر، وصقور هاريس للتنقيح الدقيق لاحقاً — للبحث عن أفضل إعدادات المعاملات الفائقة لمصنف صور الدماغ.

بناء نموذج مُحكم لكن فعّال لفحص الدماغ

صمم الفريق شبكة عصبية التلافيفية صغيرة نسبياً، وهو بنية شائعة لمهام الصور، لتمييز أربع فئات في صور رنين الدماغ: الغليوما، الورم السحائي، ورم الغدة النخامية، ولا ورم. استخدموا مجموعة بيانات مفتوحة تضم 7,023 صورة وأعدّوا البيانات بعناية عبر تغيير الحجم، ومواءمة السطوع، وتوسيعات على الصور مثل تدويرات صغيرة، وانعكاسات، وتحركات طفيفة حتى لا يحفظ النموذج أمثلة التدريب حرفياً. تضمنت المقاييس الأساسية للضبط معدل التعلم، وحجم الدفعة، وعدد المرشحات في كل طبقة، ومعدل الإسقاط (dropout)، وخيار خوارزمية التعلم. قيّم المحسن الهجين تركيبات مختلفة عبر تدريب الشبكة وتسجيل أداء كل مرشح من حيث الدقة ووقت التدريب، مكافئاً النماذج التي لم تكن صحيحة فقط بل كانت فعّالة أيضاً.

تفوق على استراتيجيات بحث أخرى

قورنت الطريقة الهجينة الجديدة مع ثلاث تقنيات بحث معروفة: تحسين سرب الجسيمات، الخوارزميات الجينية، وخوارزمية تحسين الحوت. بمتوسط عدة تجارب، حقق مزيج Aquila–صقور هاريس دقة تقارب 87%، مع مقاييس دقة واستدعاء وF1 قوية بالمثل، أعلى من الطرق المنافسة التي تراوحت دقتها تقريباً بين 78% و83%. والأهم من ذلك، أنها وصلت إلى حلول جيدة بسرعة أكبر بكثير. بينما احتاجت الطرق الأخرى لأكثر من 300 ثانية من وقت التدريب، أنهى النهج الهجين المهمة في أقل من 80 ثانية. أظهرت الاختبارات الإحصائية أن هذه التحسينات في الدقة والسرعة من غير المرجح أن تكون نتيجة صدفة.

ماذا يعني هذا للمرضى والعيادات

بعبارة بسيطة، تُظهر الدراسة أن استراتيجية بحث مستوحاة بعناية من الطبيعة يمكن أن تساعد شبكة عصبية صغيرة نسبياً أن تصبح أذكى وأسرع في قراءة صور رنين الدماغ. من خلال دمج خوارزمية تصطاد على نطاق واسع مع أخرى تشحذ أفضل الخيارات، يجد الأسلوب إعدادات أفضل للنموذج مع هدر حسابي أقل بكثير. بينما تم توضيح العمل على مجموعة بيانات عامة واحدة وسيحتاج إلى اختبارات إضافية عبر مستشفيات وظروف مختلفة، فإنه يشير إلى أدوات ذكاء اصطناعي يمكن أن تساعد الأطباء في تصنيف الأورام بسرعة وموثوقية أكبر، حتى في بيئات ذات قدرة حسابية محدودة.

الاستشهاد: Kumar, M., Mohd, N., Shivam, G. et al. Hybrid Aquila optimizer–Harris Hawks optimization for CNN hyperparameter tuning in brain tumor classification. Sci Rep 16, 12799 (2026). https://doi.org/10.1038/s41598-026-43329-7

الكلمات المفتاحية: تصوير الرنين المغناطيسي لأورام الدماغ, تصنيف الصور الطبية, تحسين المعاملات الفائقة, الشبكات العصبية الالتفافية, خوارزميات ميتاهيوريستية