ضبط مطالب بصرية موجهة بالتشريح لفهم متداخل الوسائط لسرطان الثدي

فحص أذكى لسرطان شائع

يعد سرطان الثدي من الأسباب الرئيسية لوفيات السرطان لدى النساء، ويعتمد الأطباء بشكل متزايد على برامج الحاسوب لمساعدة قراءة الصور الطبية المعقدة. لكن تصوير الماموغرام والموجات فوق الصوتية والرنين المغناطيسي يعرض الثدي بطرق مختلفة جداً، مما يصعّب على أنظمة الذكاء الاصطناعي الحالية المحافظة على الموثوقية عبر الأجهزة والمستشفيات. تقدم هذه الدراسة نهجاً ذكياً جديداً للذكاء الاصطناعي يراعي تشريح الثدي كاملاً بدلاً من الاعتماد فقط على أنماط السطوع في كل صورة، مما يؤدي إلى اكتشاف أكثر دقة واتساقاً للمناطق المشبوهة.

لماذا تُربك المسوحات المختلفة الحواسيب

تستخدم الماموغرام والموجات فوق الصوتية والرنين المغناطيسي فيزيائيات مختلفة لفحص داخل الثدي. قد يظهر السرطان كبقعة ساطعة في صورة الموجات فوق الصوتية، لكنه قد يبدو كظل خفيف في الماموغرام أو كبقعة متوهجة في الرنين المغناطيسي. العديد من أنظمة الذكاء الاصطناعي الحديثة، بما في ذلك محولات الرؤية ونماذج الرؤية-اللغة، تتعلم أساساً من المظهر العام للصورة. كثيراً ما تفشل في التقاط تفاصيل صغيرة لكنها مهمة مثل التكلسات الدقيقة أو الحدود غير المنتظمة، وقد يتراجع أداؤها بشكل حاد عند الانتقال من نوع ماسح أو مستشفى إلى آخر. هذا التباين بين ظروف التدريب والعيادات الواقعية حدّ من الثقة التي يضعها الأطباء في مثل هذه الأدوات.

استخدام الثدي نفسه كدليل

يجادل الباحثون بأنه مع اختلاف مظهر الصور، إلا أن بيولوجيا الثدي الفعلية لا تتغير بين الفحوص. ما تزال كل صورة تحتوي على نسيج غدي ودهني وبنى قنوية مرتبة في نمط قابل للتعرّف. تدمج طريقتهم، المسماة ضبط المطالب البصرية الموجهة بالتشريح (A-VPT)، هذه الخريطة الأساسية للثدي مباشرةً في نموذج الذكاء الاصطناعي. بدلاً من تعديل ملايين الأوزان الداخلية، يضيف النظام مجموعة صغيرة من إشارات "المطالبة" الإضافية التي تخبر الشبكة بأي مناطق النسيج تنظر إليها. تُولد هذه المطالب من خرائط تشريحية粗粗粗 او إشارات نسيجية متعلمة ثم تُحقن طبقة بطبقة في محول مُجمّد ومُدرَّب مسبقاً. وبذلك يتلقى النموذج تذكيراً مستمراً بمواقع القنوات والغدد والدهون، حتى يتمكن من تقييم المناطق المشبوهة في السياق الصحيح.

تعليم نظام واحد "التحدث" بعدة لغات تصويرية

لجعل النموذج يعمل عبر أنواع الصور، صمم الفريق مخطط تدريب يجبر الذكاء الاصطناعي على معاملة الأنسجة المتشابهة بشكل متشابه بغض النظر عن طريقة تصويرها. يقومون بمحاذاة البصمات الداخلية لمناطق الدهن والغدد والقنوات المأخوذة من الماموغرام والموجات فوق الصوتية والرنين المغناطيسي، موجهين إياها لتقاربها في فضاء مشترك. حيث تتوفر تقارير نصية، يربط النظام أيضاً أنماط النسيج هذه بعبارات وصفية قصيرة، ربطاً بين السمات المرئية واللغة الطبية. أثناء المعالجة، تتيح وحدات تفاعل متخصصة لتبادُل المعلومات بين مطالب التشريح وميزات الصورة في كلا الاتجاهين، مع خطوة بوّابة تتحكم في مدى تأثير التشريح على كل طبقة. يساعد هذا المزيج النموذج على التركيز على البنى الصحيحة مع الحفاظ على الاستقرار والكفاءة.

دقة أفضل بلمسة أخف

اختبر المؤلفون طريقة A-VPT على ثلاث مجموعات تصويرية معروفة تغطي الوسائط الثلاث كلها. مقارنةً بالشبكات العميقة التقليدية وعدة طرق شائعة لإعادة ضبط النماذج الكبيرة، حقق منهجهم أعلى الدرجات في تصنيف الآفات على أنها حميدة أو خبيثة وتحديد حدودها. تفوّق خاصةً عند طلب استخدام معرفة من نوع تصوير واحد لتفسير آخر—مثل التدريب على الماموغرام ثم التقييم على الموجات فوق الصوتية—حيث كانت الطرق القديمة غالباً ما تتعثر. بشكل لافت، وصلت A-VPT إلى هذه النتائج مع تحديث أقل من 2% من معلمات النموذج، ما يقلل متطلبات الحوسبة ويسهّل نشره في المستشفيات الحقيقية. أظهرت التصويرات البصرية لمواقع "نظرة" النموذج أنه ركّز على مناطق غدية وحول الورم واقعية، مما يوحي بأن قراراته تتوافق مع استدلال أخصائيي الأشعة.

ما معنى ذلك للمرضى والعيادات

بعبارات بسيطة، تُظهر هذه الدراسة أن تعليم أنظمة الذكاء الاصطناعي عن التشريح الأساسي يمكن أن يجعلها أكثر ذكاءً وقابلة للفهم. من خلال تأصيل استدلالها في البنية الحقيقية للثدي، يصبح A-VPT أفضل في اكتشاف وتحديد الأورام عبر طرق تصوير مختلفة، مع تعديلات أقل وسلوك أكثر وضوحاً. إذا تم التحقق من فعاليتها بشكل أوسع، فقد تدعم هذه الاستراتيجية فحوصاً وتشخيصات أكثر اتساقاً في بيئات متنوعة، من مراكز طبية كبيرة إلى عيادات أصغر، ويمكن توسيعها لتشمل أعضاء أخرى مثل الرئة أو الكبد. في نهاية المطاف، قد يصبح الذكاء الاصطناعي الواعٍ بالتشريح شريكاً أساسياً في الكشف المبكر والأكثر موثوقية عن السرطان.

الاستشهاد: Zhao, S., Meng, Q., He, Y. et al. Anatomy-guided visual prompt tuning for cross-modal breast cancer understanding. npj Digit. Med. 9, 240 (2026). https://doi.org/10.1038/s41746-026-02417-8

الكلمات المفتاحية: تصوير سرطان الثدي, الذكاء الاصطناعي الطبي, محولات الرؤية, التعلّم عابر الوسائط, مطالب موجهة بالتشريح