محول ROI-مرشد Relational YOLO–SegNet لتقسيم وتصنيف أورام العظام خفيف الوزن من صور الأشعة السينية

أشعة سينية أوضح لإجابات أبكر

أورام العظام نادرة لكنها خطيرة، وفي كثير من العيادات يكون الاختبار التصويري الأول وأحيانًا الوحيد هو أشعة سينية بسيطة. للأسف، قد تبدو الأورام باهتة وغير منتظمة ويسهل تفويتها، خصوصًا في المستشفيات المزدحمة أو قليلة الموارد. تعرض هذه الورقة نظامًا مبسطًا للذكاء الاصطناعي ينقّي صور الأشعة المشوشة، ويقرب الانتباه إلى المناطق المشبوهة ويحدد حدود الأورام المحتملة بدقة عالية، بهدف دعم أطباء الأشعة لا استبدالهم.

لماذا يصعب اكتشاف أورام العظام

في الأشعة السينية، لا تبرز ورم العظام دائمًا كبقعة دائرية واضحة. قد تتلاشى حوافها داخل العظم الطبيعي، وقد تتشابه إشراقتها مع الأنسجة السليمة، ويمكن أن تتداخل هياكل أخرى بطرق محيرة. هذه العقبات تكون أشد على الأشعة القياسية التي تملك تباينًا أقل من صور الأشعة المقطعية أو الرنين المغناطيسي. العديد من أدوات الذكاء الاصطناعي الحالية إما تركز فقط على قرار «ورم» مقابل «لا ورم» لصورة كاملة، أو تتطلب قدرة حسابية كبيرة قد تفتقر إليها المستشفيات الصغيرة. كان من الصعب تلقائيًا تحديد محيط الورم بدقة، وهو أمر حاسم لتخطيط الجراحة ومتابعة المرض مع مرور الوقت.

مساعد ذكاء اصطناعي بثلاث خطوات للأشعة السينية

صمم المؤلفون خط معالجة مكونًا من ثلاث مراحل موجهًا لهذه المشكلة. أولًا، خطوة ترشيح ذكية تنظف الأشعة الخام. بدلًا من استخدام تمويه ثابت قد يمحو التفاصيل، يستخدمون مرشحًا رقميًا تكيفيًا تُختار إعداداته تلقائيًا عبر روتين تحسين. هذا يرفع نسبة الإشارة إلى الضوضاء من نحو 21 إلى قرب 30 ديسيبل، ما يعني أن الصورة تصبح أقل ضجيجًا مع بقاء حواف العظام والأورام حادة. ثانيًا، شبكة كشف مدمجة، مستمدة من عائلة نماذج YOLO الشهيرة، ترسم صندوقًا تقريبيًا حول أي منطقة يحتمل أن تحتوي ورمًا. ثالثًا، تُرسل هذه المنطقة الضيقة فقط إلى شبكة تقسيم خفيفة تتتبع حدود الورم على مستوى البكسل، ويُتخذ قرار «طبيعي» مقابل «ورم» النهائي باستخدام معلومات من المنطقة المقسمة.

تركيز انتباه الذكاء الاصطناعي حيث يهم

ابتكار رئيسي هنا هو كيفية استخدام النظام لـ"الانتباه العلاقي" (relational attention). تعتمد العديد من نماذج الرؤية الحديثة على كتل المحول (transformer) التي تحاول مقارنة كل جزء من الصورة مع كل جزء آخر. ورغم فاعليتها، يصبح ذلك مكلفًا في الصور الطبية الكبيرة وقد يبطئ الاستخدام في الزمن الحقيقي. هنا، يُطبّق المحول داخل صندوق الورم المكتشف فقط، بالإضافة إلى العظم المجاور. داخل هذه المنطقة الصغيرة، يتعلم النموذج كيف ترتبط بقع مختلفة ببعضها، مما يساعده على تمييز نسيج الورم المشوش عن العظم الطبيعي. وبما أنه يتجاهل بقية الصورة، يختصر النهج كمية الحساب بصورة كبيرة مع احتفاظه بالتقاط السياق بعيد المدى داخل المنطقة السريرية ذات الأهمية.

ترك البحث المستوحى من الطبيعة يضبط الإعدادات

يستخدم خط المعالجة أيضًا طريقتين للبحث مستوحاة من الطبيعة لاختيار الإعدادات المهمة تلقائيًا. خوارزمية واحدة تضبط مدى قوة تنعيم المرشح على الأشعة، موازنة إزالة الضوضاء مقابل وضوح الحواف. ومحسّن هجيني آخر يسمى «انتخاب الصقر الناري» يبحث عن إعدادات تدريب جيدة مثل معدل التعلم وحجم الدفعة وdropout. هذه الميتاهوريستيكات تقلل التجربة والخطأ اليدوي وتساعد النموذج على التقارب سريعًا دون الإفراط في التعميم لكون مجموعة البيانات الصغيرة نسبياً مكونة من 809 أشعة سينية معنونة بخبرة، تشمل حالات سليمة وحالات أورام.

سريع ودقيق، لكنه ليس جاهزًا للعيادة بعد

عند الاختبار باستخدام التحقق المتقاطع بخمس طيات، يميز النظام بشكل صحيح بين الأشعة السينية الطبيعية وتلك الحاملة للأورام بنحو 98.5% من الحالات ويحقق مقياس Dice بنسبة 97%، ما يدل على اتفاق وثيق بين حدود الورم لدى الذكاء الاصطناعي ورسومات الخبراء. يستخدم نحو ثلث معلمات شبكات التقسيم الشائعة مثل UNet ويعمل في نحو 48 مللي ثانية للصورة على بطاقة رسومية حديثة، داعمًا استخدامًا شبه في الزمن الحقيقي. مع ذلك، يؤكد المؤلفون أن نتائجهم مأخوذة من مجموعة بيانات عامة واحدة ولا تعكس بعد تنوع الأجهزة والمستشفيات والمرضى في الممارسة الواقعيّة. ويعرضون إطارهم كأداة واعدة لدعم البحث قد تساعد أطباء الأشعة في نهاية المطاف على اكتشاف وقياس أورام العظام بشكل أكثر اتساقًا، بعد أن تتم مصادقتها عبر مراكز وظروف سريرية متعددة.

الاستشهاد: Natarajan, C., Rajendran, S., Vinmathi, M.S. et al. ROI-guided relational YOLO–SegNet transformer for lightweight bone tumor segmentation and classification from X-ray images. Sci Rep 16, 14603 (2026). https://doi.org/10.1038/s41598-026-44297-8

الكلمات المفتاحية: أورام العظام, الأشعة السينية الطبية, التعلّم العميق, تقسيم الأورام, التشخيص بمساعدة الحاسوب