نموذج هجين CNN–Transformer مع BM3D وYOLOv8 للكشف المبكر عن سرطان الرئة في فحوصات التصوير المقطعي منخفض الجرعة

لماذا يهم الكشف المبكر عن سرطان الرئة

يسبب سرطان الرئة وفاة عدد أكبر من الأشخاص حول العالم مقارنة بأي سرطان آخر، ويرجع ذلك إلى حدّ كبير إلى أنه يُكتشف في كثير من الأحيان متأخراً. يستخدم الأطباء فحوصات التصوير المقطعي منخفض الجرعة—صور أشعة مأخوذة بإشعاع أقل—بصورة متزايدة لفحص الأشخاص المعرضين للخطر. لكن هذه الصور تكون مشوشة والبقع التحذيرية، أو العقيدات، قد تكون صغيرة وسهلة التغاضي عنها. تعرض هذه الدراسة نظاماً حاسوبياً ينقّي هذه الفحوصات ويساعد في تمييز المناطق المشتبه بها في وقت مبكر وبدقة أكبر، بهدف دعم أخصائيي الأشعة لا استبدالهم.

صور أنقى من فحوصات لطيفة

تجذب فحوصات التصوير المقطعي منخفضة الجرعة لأنها تعرض المرضى لكمية إشعاع أقل من الفحوصات القياسية، ومع ذلك تكشف عن الرئتين بتفصيل ثلاثي الأبعاد. المقابل هو زيادة الحبيبية والهياكل الخافتة التي تندمج مع الخلفية. يتعامل المؤلفون أولاً مع هذه المشكلة بخطوة متقدمة لتنقية الصور تُسمى BM3D، وهي مصممة لإزالة الضوضاء مع الحفاظ على الحواف والأشكال المهمة. يختبرون عدة طرق ترشيح ويجدون أن BM3D يعطي أفضل توازن بين الوضوح والأمانة، منتجاً صوراً تحفظ العقيدات الرئوية الدقيقة دون إدخال تشوهات قد تضلل الحاسوب أو أخصائي الأشعة.

التركيز فقط على الرئتين

تحتوي فحوصات الصدر الخام على ضلوع وعمود فقري وقلب وأنسجة أخرى يمكن أن تشتت نظاماً مؤتمتاً. للتركيز على المهم، يستخدم الفريق شبكة كشف أجسام حديثة (YOLOv8) لتحديد واقتطاع مناطق الرئة فقط. يقومون بتحديد حدود الرئة يدوياً على العديد من الفحوصات، يدربون النظام على التعرف على هذه الأشكال، ثم يجعلونه يقتطع تلقائياً كل صورة لتعرض الرئة فقط. تقطع هذه الخطوة الهياكل غير ذات الصلة وتقلل من خطر أن تُخطئ أنسجة طبيعية أو شوائب المسح كمرض، بينما تجعل المعالجة اللاحقة أكثر كفاءة.

تعليم «دماغ» صناعي هجين لتمييز العقيدات الخطرة

جوهر العمل هو نموذج هجين يجمع بين طريقتين تكميليتين لتحليل الصور. تقوم الشبكات العصبية الالتفافية (CNN) بمسح جوار صغير من البكسلات لتتعلم أنماطاً مفصّلة مثل الحواف والملمس والحدود الدائرية أو غير المنتظمة للعقيدات. أما الترانسفورمرات، المطوّرة أصلاً للغة، فتبرع في رؤية العلاقات طويلة المدى—كيف ترتبط أجزاء بعيدة من الصورة ببعضها. في هذا النظام، تُمرر الصور المنقّاة والمقتصرة على الرئتين أولاً عبر طبقات CNN لاستخراج ميزات مكانية غنية. تُقسّم هذه الميزات بعد ذلك إلى رقع وتُغذى إلى بلوكات الترانسفورمر التي تتعلم كيف تتفاعل المناطق المختلفة داخل الرئتين، مما يساعد النموذج على ملاحظة علامات خافتة أو مبعثرة للسرطان كان من الممكن أن تُغفل.

التدريب والاختبار وتفوق الأدوات القائمة

يُدرّب النموذج ويُقيّم على مجموعة بيانات عامة كبيرة تضم أكثر من ألف فحص تصوير مقطعي للرئة، حُدِّدت كل منها بعناية من قبل أخصائيي الأشعة مع قياسات حجم العقيدة وتقدير احتمالية السرطان. يفصل المؤلفون المرضى إلى مجموعات للتدريب والتحقق والاختبار بحيث لا تظهر صور من نفس الشخص في أكثر من تقسيمة واحدة، لتجنب نتائج متفائلة بشكل مفرط. كما يستخدمون زيادات بيانات—مثل دورانات طفيفة وتغييرات في السطوع—لمحاكاة التباين في العالم الحقيقي. عند المقارنة مع أنظمة التعلّم العميق واسعة الاستخدام، بما في ذلك شبكات CNN القياسية وشبكات الصور الشائعة وترانسفورمرات الرؤية وحدها، يقدم النهج الهجين أفضل أداء. يميز بشكل صحيح بين حالات سرطانية وغير سرطانية بحوالي 95% من الوقت، مع حساسية عالية (قليل من السرطانات المفقودة)، وخصوصية عالية (قليل من الإنذارات الكاذبة)، ودرجات قوية في جودة الاقتطاع والتمييز العام.

الواعد والمعوقات المتبقية

رغم هذه المكاسب، يعترف المؤلفون بتحديات مهمة قبل أن يُستخدم مثل هذا النظام بشكل روتيني في العيادات. قد لا تعكس مجموعة البيانات العامة المستخدمة، مع أنها معنونة جيداً، التنوع الكامل لأجهزة المسح والمستشفيات ومجموعات المرضى عالمياً، وتحتوي على حالات سرطان أقل من الحالات السليمة. النموذج الهجين أيضاً أكثر تعقيداً ويتطلب موارد حسابية أكبر من الشبكات البسيطة، ما قد يحد من نشره في المراكز الصغيرة. وأخيراً، كما هو الحال مع العديد من أنظمة التعلّم العميق، فآلية عمله الداخلية غامضة، لذا لا يستطيع الأ clinicians الاطّلاع بسهولة على سبب تمييز عقدة محددة. يقترح المؤلفون عملاً مستقبلياً على نماذج أخف، واختبار متعدد المراكز، ودمج بيانات المسح مع معلومات طبية أخرى، وإضافة أدوات قابلية التفسير حتى يتمكن أخصائيو الأشعة من الثقة بشكل أفضل في مخرجات النظام وتفسيرها.

ماذا يعني هذا للمرضى

بعبارة بسيطة، تظهر هذه الدراسة أن تنظيف صور التصوير المقطعي منخفض الجرعة بعناية، والتركيز فقط على الرئتين، ثم استخدام ذكاء اصطناعي هجين يجمع بين «المحلي والعام» يمكن أن يكتشف البقع الرئوية المشبوهة مبكراً وبموثوقية أكبر من العديد من الطرق الحالية. وبينما ليس أداة جاهزة للتشغيل في المستشفيات بعد، فإن النهج يشير إلى أنظمة فحص قد تساعد أخصائيي الأشعة المثقلين بالعمل على اكتشاف المزيد من سرطانات المراحل المبكرة مع تقليل الإنذارات غير الضرورية. إذا نُقّح وتحقق منه في بيئات العالم الحقيقي، فقد يصبح مثل هذا النموذج الهجين شريكاً مهماً في جهود الكشف عن سرطان الرئة في مراحل قابلة للعلاج بدرجة عالية.

الاستشهاد: Thakral, G., Kumar, U. & Gambhir, S. Hybrid CNN–transformer model with BM3D and YOLOv8 for early detection of lung cancer in low-dose CT scans. Sci Rep 16, 13597 (2026). https://doi.org/10.1038/s41598-026-43517-5

الكلمات المفتاحية: فحص سرطان الرئة, التصوير المقطعي منخفض الجرعة, التعلّم العميق, تحليل الصور الطبية, التشخيص بمساعدة الحاسوب