التحسين الميتاهيرستيك للشبكات العصبية الالتفافية العميقة لتشخيص متعدد الفئات لسرطان عنق الرحم واللمفوما

أدوات أذكى لاكتشاف السرطان مبكراً

بالنسبة للكثيرين، يصل تشخيص السرطان في كثير من الأحيان متأخراً حين تصبح العلاجات أصعب وتقف فرص النجاة أقل. يستخدم الأطباء بالفعل المجاهر والحواسيب لفحص عينات الأنسجة، لكن تعليم الآلات على التمييز بين أنواع سرطانية متشابهة المظهر أمر أصعب مما يبدو. تستكشف هذه الدراسة كيفية جعل الذكاء الاصطناعي أكثر اعتمادية في رصد مرضين خطيرين، سرطان عنق الرحم واللمفوما، عبر السماح لاستراتيجيات بحث مستوحاة من الطبيعة بضبط شبكة تحليل صور قوية تلقائياً.

لماذا تُربك صور السرطان الحواسيب

تحت المجهر، قد تُحاكي خلايا من أنواع سرطانية مختلفة بعضها بعضاً، بينما قد تتفاوت خلايا من نفس النوع اختلافاً شديداً في الشكل واللون والملمس. هذه الفوضى البصرية تصعب على البشر والآلات على حد سواء تقديم تشخيصات متسقة. يمكن لأنظمة التعلم العميق، خصوصاً شبكة صور شائعة تُدعى VGG 16، أن تتعلم رصد أنماط بصرية مفيدة. لكن أداءها يعتمد إلى حد كبير على العديد من الإعدادات الخفية، مثل معدل التعلم وحجم الدفعة وقوة التنظيم (regularization). تُختار هذه الإعدادات، المسماة بالمعلمات الفائقة (hyperparameters)، عادةً يدوياً أو تُترك بالقيم الافتراضية، مما قد يعيق الدقة، لا سيما عندما يكون الهدف هو التفريق بين عدة أنواع سرطانية دفعة واحدة.

الاستفادة من البيانات الكبيرة دون حاجتها مباشرة

غالباً ما تكون مجموعات الصور الطبية صغيرة، لأن الحصول على عينات معنونة عالية الجودة صعب ومكلف. للتغلب على ذلك، يعتمد الباحثون على التعلم بالنقل (transfer learning). يبدأون من شبكة VGG 16 مدربة على مجموعة كبيرة من الصور العامة ويعيدون استخدام طبقاتها المبكرة كمستخرج ميزات لصور الخلايا. ثم يضيفون طبقات مخصصة مُصممة للمهمة الجديدة. عمل الفريق مع مجموعتين عامتين: مجموعة لسرطان عنق الرحم بخمس فئات خلوية ومجموعة لللمفوما بثلاثة أنواع فرعية. احتوت كل مجموعة أصلية على أقل من ألف صورة، فوسعها المؤلفون بعناية عبر التلاعب بالصور مثل تدويرات صغيرة وتحويلات وزووم وتغييرات سطوع وانعكاسات، لابتكار عشرات الآلاف من أمثلة التدريب المتنوعة.

السماح للحيوانات الافتراضية بضبط المقابض

بدلاً من تخمين معلمات فائقة جيدة، استخدمت الدراسة ست خوارزميات ميتاهيرستيك مستوحاة من سلوك الحيوانات والتطور للبحث عن أفضل الإعدادات. في هذه الطرق، كل حل مرشح يشبه مخلوقاً يستكشف مشهداً من الاحتمالات. تحاكي خوارزمية تحسين الحيتان كيفية لف حيتان الحدباء حول الفريسة، ونموذج الذئاب الرمادية يحاكي محاصرة الذئاب وتتبع الهدف، ويعامل تحسين السرب الجزئي (PSO) الحلول كالطيور في سرب، والخوارزمية الجينية تعيد تجميع وتحور الحلول مثل الجينات، وتحاكي خوارزمية مستعمرة النمل آثار الفيرومون الافتراضية، ونسخة معدلة من PSO تعمل على تجنب الوقوع في حلول محلية مبكراً. كل مرشح يحدد وصفة تدريب كاملة لـ VGG 16؛ يتم تدريب الشبكة لفترة وجيزة، تُقاس دقة التحقق (validation accuracy)، ثم تعدل الميتاهيرستيك مجموعتها لتفضيل الوصفات الأفضل عبر عدة جولات.

من ضبط الوصفات إلى صقل الشبكة

يعمل الإطار على مرحلتين. أولاً، يُستخدم VGG 16 المدرب مسبقاً كمستخرج ميزات مجمّد بينما تبحث الخوارزميات عن مجموعات معلمات فائقة قوية. ثانياً، بعد العثور على أفضل مجموعة، تُرفع التجميد عن الطبقات العليا في VGG 16 وتُصقل باستخدام تلك الإعدادات المحسّنة على بيانات السرطان، مما يسمح للشبكة بتكييف مرشحاتها الداخلية مع أنماط الأنسجة المحددة. على الرغم من استخدام ميزانيات بحث صغيرة جداً — فقط خمسة عوامل وثلاث تكرارات — وأعداد متواضعة من حقب التدريب، أنتجت هذه الاستراتيجية المزدوجة مكاسب ملفتة. على مجموعة اللمفوما، مثلاً، وصلت VGG 16 الأساسية بدون تحسين إلى نحو 83 بالمئة دقة، بينما ارتفعت النماذج المحسّنة إلى نطاق التسعينات العليا. شوهدت قفزات مماثلة لسرطان عنق الرحم، حيث تجاوزت الأنظمة المضبوطة دقة 99 بالمئة حتى مع خمسة عصور تدريبية فقط.

أي استراتيجية عملت أفضل ولماذا يهم ذلك

عبر نوعي السرطان وفي تجارب متكررة، برزت خوارزمية تحسين الحيتان. عند اقترانها بـ VGG 16 المدرب مسبقاً، حققت درجات مثالية على مجموعات الاختبار من حيث الدقة، الدقة النوعية (precision)، الاسترجاع (recall)، والخصوصية (specificity)، وتلاقت بثبات خلال خطوات قليلة فقط. أظهرت خوارزميات أخرى، مثل مستعمرة النمل وPSO، قوتها خاصة بعد تفعيل صقل الطبقات العميقة، مقتربة أو متجاوزة أيضاً دقة 99 بالمئة. أكدت الاختبارات الإحصائية أن المكاسب الناتجة عن ضبط الحيتان مقارنة بالطرق الأخرى لم تكن بسبب الصدفة. وبينما يجب التحقق من هذه النتائج شبه المثالية على بيانات أوسع وأكثر تنوعاً، تُظهر الدراسة أن استراتيجيات بحث مختارة بعناية يمكنها استخراج أداء أكبر بكثير من الشبكات القائمة مقارنة بالقيم الافتراضية.

ما معنى ذلك لرعاية السرطان في المستقبل

بالنسبة لغير المتخصصين، الخلاصة هي أن الدراسة تقدم طريقة أذكى لضبط نظام تعلم عميق قائم كي يستطيع فصل عدة سرطانات متشابهة المظهر بمستوى موثوقية عالٍ جداً، مستخدماً بيانات تدريب محدودة وموارد حاسوبية معقولة. بدل أن تحل محل الأطباء، يمكن لمثل هذه الأنظمة أن تعمل كمساعدين ثابتين، تُشير إلى الشرائح المشبوهة وتساعد في تقليل التشخيصات الفائتة أو الخاطئة. يشير المؤلفون إلى أن مجموعات أكبر وأكثر تنوعاً، وتصاميم شبكات أخف، وأدوات تشرح ما تراه النماذج ستكون مطلوبة قبل التطبيق في العيادات. ومع ذلك، يقترح هذا العمل أن السماح للحيتان والذئاب والأسراب الافتراضية بضبط شبكاتنا لاكتشاف السرطان يمكن أن يجعل التشخيص الآلي أكثر دقة وسرعة ومصداقية.

الاستشهاد: Abdelhay, E.H., Elgamily, K.M. & Badr, W.O.EF. Metaheuristic optimization of deep CNNs for multi-class diagnosis of cervical cancer and lymphoma. Sci Rep 16, 15110 (2026). https://doi.org/10.1038/s41598-026-51619-3

الكلمات المفتاحية: تصوير سرطان عنق الرحم, تصنيف اللمفوما, تشخيص التعلم العميق, تحسين معلمات فرطية, خوارزميات ميتاهيرستيك