تصنيف متعدد الفئات لأورام الدماغ باستخدام بنية ResNet101 مدمجة مع وحدة انتباه قابلة للتشوه متعددة المقاييس وتقنيات تعزيز بيانات متقدمة

لماذا يهم تصنيف صور الدماغ

عندما ينظر الأطباء إلى صور الدماغ للبحث عن أورام، عليهم أن يقرروا ليس فقط ما إذا كان هناك ورم، بل وما نوعه. أنواع الأورام المختلفة تتطلب علاجات مختلفة، ومع ذلك قد تبدو متشابهة للغاية في صور الرنين المغناطيسي. تستكشف هذه الدراسة نهجًا جديدًا بالذكاء الاصطناعي قادرًا على فرز العديد من أنواع أورام الدماغ من صور الرنين بدقة عالية جدًا، مما قد يمنح أخصائيي الأشعة دعمًا أسرع وأكثر اتساقًا عند اتخاذ قرارات تؤثر في حياة المرضى.

تعليم الحواسيب قراءة صور الدماغ

يركز الباحثون على التصنيف متعدد الفئات، أي التمييز بين فئات أورام متعددة في آن واحد بدلاً من اكتشاف ورم مقابل لا ورم فقط. يستخدمون نموذج تعلم عميق مبنيًا على ResNet101، وهي شبكة معروفة للتعرّف على الصور وقد تعلمت بالفعل أنماطًا بصرية عامة من مجموعات ضخمة من الصور الطبيعية. قام الفريق بتكييف هذه الشبكة لصور رنين الدماغ وطبقها على مجموعة بيانات عامة تتضمن 15 فئة، من الأنسجة الدماغية الطبيعية إلى أورام محددة مثل الورم الأرومي الدبقي، والورم السحائي، والورم النجمي النخاعي. التعامل مع هذا العدد الكبير من الفئات يجعل المهمة أقرب إلى ما يواجهه أخصائيو الأشعة في العيادات الحقيقية.

تنظيف وموازنة البيانات الواقعية

غالبًا ما تحتوي مجموعات الصور الطبية على مشكلات مخفية، مثل صور مكررة لنفس المريض أو اختلافات كبيرة في مدى شيوع كل نوع من الأورام. لتجنُّب نتائج مضللة، يقوم المؤلفون أولًا بمسح مجموعة البيانات كاملةً، وحساب بصمة رقمية لكل صورة، وإزالة النسخ المتماثلة بالضبط. ثم يجمعون الصور حسب هوية المريض ويقسمون المرضى — وليس الصور — إلى مجموعات تدريب وتحقق واختبار بحيث لا تظهر صور نفس الشخص في أكثر من مجموعة واحدة. يساعد هذا التقسيم القائم على المريض على ضمان أن الدقة المبلّغ عنها تعكس الأداء على أفراد حقيقيًا غير مرئيين بدلاً من عروض متكررة لنفس الدماغ. يستخدم الفريق أيضًا مجموعة من تحولات الصورة وتقنية تسمى MixUp لتمثيل أنواع الأورام النادرة بشكل أفضل أثناء التدريب ولمساعدة النموذج على التكيّف مع تغيرات الاتجاه والسطوع والضوضاء.

التفحص بدقة أكبر عبر انتباه مرن

ابتكار رئيسي في الدراسة هو وحدة يسميها المؤلفون وحدة الانتباه القابلة للتشوه متعددة المقاييس. ببساطة، يفحص النموذج صور الرنين على مستويات مختلفة من التفصيل، من البنية الخشنة للدماغ ككل إلى القوام الأدق قرب الورم. بدلًا من فحص كل موقع بطريقة صارمة وشِبكية، تتعلم آلية الانتباه القابلة للتشوه تحريك مواقع «النظر» قليلًا لتتمكن من التركيز على المناطق الأكثر معلوماتية. ثم تطبق نوعين مكملين من الانتباه: أحدهما يبرز البقع المهمة في الصورة والآخر يقوّي قنوات الميزات الأكثر فائدة داخل الشبكة. تتيح هذه التركيبة للنظام التقاط الاختلافات الدقيقة في الشكل والقوام التي تميّز نوع ورم عن آخر بشكل أفضل.

اختبار الأداء وبناء الثقة

بعد عدة دورات تدريبية، يحقق النموذج دقة تحقق حوالي 97 في المئة ودقة اختبار تفوق 99 في المئة عبر جميع الفئات الـ15. يتم تصنيف معظم أنواع الأورام بشكل مثالي في مجموعة الاختبار المحجوزة، مع بضع أخطاء فقط في فئات الأورام النادرة والمتشابهة بصريًا. يقارن الباحثون نتائجهم بأسلوب سابق يستخدم أيضًا انتباهًا قابلًا للتشوه ويظهرون أن منهجهم يضاهي أو يتفوق عليه في معظم مقاييس التقييم، رغم تعقيد تنوع الفئات. كما يختبرون النظام بإضافة ضوضاء وتقليل دقة الصورة، فيجدون أن الدقة تبقى مرتفعة حتى عند تدهور جودة الفحص، وهو أمر مهم لظروف المستشفيات الواقعية.

رؤية ما يراه النموذج

لمساعدة الأطباء على الثقة بالنظام، يستخدم المؤلفون أدوات تصور تكشف عن الأماكن التي يركز فيها الشبكة عند اتخاذ القرار. تسلط خرائط الحرارة المنتجة بواسطة Grad-CAM الضوء على مناطق في صور الرنين أثّرت في التنبؤ أكثر، وتشير تحليلات مبنية على SHAP إلى الميزات المتعلّمة التي تدفع النموذج نحو تشخيص معين أو آخر. هذه التفسيرات المرئية تشير باستمرار إلى مناطق الورم وحدوده بدلًا من الخلفية غير المهمة، مما يوحي بأن منطق النموذج يتماشى مع الحدس الإشعاعي. وبينما تؤكد الدراسة على الحاجة لاختبارات خارجية إضافية، فإنها تُظهر أن خط أنابيب تعلم عميق مصمم بعناية يمكنه ليس فقط تصنيف العديد من أنواع أورام الدماغ بدرجة عالية من الموثوقية بل أيضًا تقديم أدلة تفسيرية حول كيفية اتخاذ هذه القرارات.

ما قد يعنيه هذا للمرضى

في الممارسة السريرية اليومية، لن يحل هذا النوع من الأنظمة محل أخصائيي الأشعة بل سيعمل كقارئ ثانٍ، يشير بسرعة إلى أنواع الأورام المحتملة ويزيد الانتباه إلى المناطق المشبوهة في الفحص. من خلال التعامل مع مجموعة واسعة من الأورام والبقاء مستقرًا تحت ظروف الصور ذات الضوضاء أو الجودة الأقل، يوضّح الإطار الموصوف في هذه الورقة كيف يمكن للذكاء الاصطناعي أن يدعم تشخيصات أكثر اتساقًا وفي وقت أسرع. مع مزيد من التحقق عبر مستشفيات وأجهزة مسح مختلفة، قد تصبح مثل هذه الأدوات جزءًا من سير العمل الروتيني، مما يساعد الأخصائيين على التركيز على تخطيط العلاج بينما تتولى الحواسيب جزءًا كبيرًا من فرز الصور المتكرر.

الاستشهاد: Reddy, B.S., Jha, R.R., Dasore, A. et al. Multi-class classification of brain tumor using a ResNet101 backbone integrated with multi-scale deformable attention module and advanced data augmentations. Sci Rep 16, 15938 (2026). https://doi.org/10.1038/s41598-026-45675-y

الكلمات المفتاحية: ورم دماغي رنين مغناطيسي, تعلم عميق, الذكاء الاصطناعي في التصوير الطبي, تصنيف الأورام, شبكات الانتباه