تعزيز تشخيص أمراض الرئة عبر منهجيات الشبكات الالتفافية والمتكررة

لماذا تهم فحوصات الرئة الأذكى

تتسبب أمراض الجهاز التنفسي مثل الالتهاب الرئوي وكوفيد والسل في وفاة ملايين الأشخاص سنويًا، لا سيما في البلدان منخفضة الدخل حيث يعاني توفر الأطباء وأجهزة التصوير من النُدرة. تعتبر أشعة الصدر رخيصة ومتاحة على نطاق واسع، لكنها قد تكون صعبة التفسير وغالبًا ما تبدو أمراض الرئة المختلفة متشابهة. تستقصي هذه الدراسة كيف يمكن لشكل مضغوط من الذكاء الاصطناعي أن يساعد في اكتشاف عدة أنواع من مشاكل الرئة في صور الأشعة بسرعة وموثوقية أكبر، من دون إحلال حكم الأطباء المدربين.

العبء العالمي على الرئتين

يبدأ المؤلفون بوصف كيف أصبحت أمراض الرئة سببًا رئيسيًا للوفاة عالميًا، مع عبء كبير خاص في بنغلاديش. يساهم التلوث والغبار والدخان والالتهابات في ارتفاع معدلات الالتهاب الرئوي والربو والسل والإنفلونزا وكوفيد واضطرابات التنفس المزمنة الأخرى. تتداخل أعراض مثل السعال وألم الصدر وضيق التنفس، مما يجعل من الصعب التمييز بين الحالات استنادًا إلى العلامات السريرية وحدها. وفي الوقت نفسه، تفتقر العديد من المناطق إلى عدد كافٍ من أطباء الأشعة لقراءة الأشعة، وتأخيرات التشخيص قد تكون قاتلة، خاصة للأطفال الصغار وكبار السن من ذوي الأمراض المصاحبة.

تحويل الأشعة إلى أنماط يمكن للحاسوب قراءتها

نظرًا لأن أجهزة الأشعة السينية أكثر شيوعًا واقل تكلفة من أجهزة التصوير المقطعي، تركز الدراسة على أتمتة قراءة أشعة الصدر. يستخدم الباحثون مجموعة عامة كبيرة تضم أكثر من عشرين ألف صورة معنونة على أنها كوفيد-19 أو تعتيم رئوي أو رئتان طبيعيتان أو التهاب رئوي فيروسي. قبل تدريب النظام، يقومون بإعادة تغيير حجم كل صورة وتطبيعها بعناية ثم تقطيعها إلى العديد من الرقع المربعة الصغيرة. تضيف هذه الخطوة تنوعًا إلى البيانات وتساعد النموذج على الانتباه إلى التفاصيل الدقيقة التي قد تشير إلى عدوى أو سوائل. ثم تُقسَّم الصور إلى مجموعات تدريب واختبار حتى يُقيَّم النظام على أشعة لم يرها من قبل.

عينان رقميتان على كل صورة

جوهر العمل هو نموذج هجين جديد يُسمى C RNet يجمع بين نوعين مختلفين من الشبكات العصبية. أحد الفروع هو مُعرّف صور تقليدي يفحص الصورة كاملة ليتعلم الأنماط المكانية مثل المناطق المعتمة والحواف الحادة وشكل الرئة العام. الفرع الثاني يعامل شبكة الرقع كسلسلة ويستخدم شبكة متكررة لالتقاط كيفية ارتباط المناطق الصغيرة ببعضها عبر الصورة. بدمج مخرجات هذين الفرعين، يتعلم النظام التفاصيل المحلية والسياق الأوسع، مثل كيفية تماشي الظلال في جزء من الرئة مع تغييرات في أجزاء أخرى. تقوم طبقة نهائية بتحويل هذه المعلومات المجمعة إلى واحد من أربعة تشخيصات ممكنة.

رؤية ما تراه الآلة

لجعل النظام أكثر موثوقية لدى الأطباء، أضاف المؤلفون أداة قابلة للتفسير تسمى Grad CAM. تضع هذه الطريقة خريطة حرارية ملونة فوق الأشعة الأصلية، مبرزة المناطق التي أثرت أكثر في قرار النموذج. في الاختبارات، يميل C RNet إلى التركيز على مناطق مرضية معقولة داخل حقول الرئة، بينما النماذج المقارنة تضيء أحيانًا مناطق غير ذات صلة بالقرب من الكتفين أو الحجاب الحاجز. يمكن لهذه الملاحظات البصرية مساعدة أطباء الأشعة على تقييم ما إذا كان الخوارزم يركز على تشريح ذي مغزى أم يتشتت بواسطة ضوضاء أو شوائب في الصورة.

مدى أداء النظام

عند تقييمه على مجموعة البيانات الكاملة، صنف C RNet حالة الرئة بشكل صحيح في نحو 94 من كل 100 حالة، متجاوزًا عدة نماذج تعلم عميق معروفة مثل Xception وVGG19 ومحول الرؤية ونموذج شبكة التلافيف المرتبط بطبقة متكررة بطريقة أبسط. كان قويًا بشكل خاص في التعرف على كوفيد والالتهاب الرئوي الفيروسي مع حفاظه على التمييز بين الرئتين الطبيعيتين وحالات التعتم الرئوي الأكثر دقة. والأهم من ذلك، يحقق النموذج هذه الدقة بأقل من مليونين من المعلمات القابلة للتدريب وبحجم ملف يقارب سبعة ميغابايت، مما يجعله أصغر بكثير من العديد من شبكات التعرف على الصور الشائعة. تتيح هذه البنية المدمجة تشغيله على حواسيب متواضعة أو أجهزة مستشفيات دون الحاجة إلى أجهزة متخصصة.

ماذا يعني هذا للمرضى والعيادات

للجمهور العام، الرسالة الأساسية هي أن الدراسة توضح كيف يمكن لبرنامج حاسوبي ذكي وخفيف الوزن أن يساعد الأطباء على قراءة أشعة الصدر بشكل أكثر اتساقًا. من خلال الجمع بين طريقتين للنظر إلى نفس الصورة ثم إظهار أي أجزاء من الرئتين دفعت قراره، يقدم C RNet كلًا من الدقة والشفافية. في بيئات الموارد المحدودة، قد يعمل مثل هذه الأداة كزوج إضافي من العيون، منبّهًا للحالات المشتبه بها للمراجعة الدقيقة والمساعدة في ضمان اكتشاف العدوى الرئوية الخطيرة في وقت أبكر. وبالرغم من أنه لا يحل محل الخبرة الطبية، إلا أن له إمكانات لدعم تشخيصات أسرع وأكثر موثوقية حيث تكون الحاجة ماسة.

الاستشهاد: Zahin, I.A., Ahsan, M.F., Orni, R.A. et al. Enhancing lung diseases recognition through CNN-RNN methodologies. Sci Rep 16, 15819 (2026). https://doi.org/10.1038/s41598-026-45842-1

الكلمات المفتاحية: أمراض الرئة, أشعة صدرية, التعلم العميق, الذكاء الاصطناعي في التصوير الطبي, كشف الالتهاب الرئوي