🤖 machine learning

Convolutional Sparse Support Estimator Based Covid-19 Recognition from X-ray Images

تقترح هذه المقالة شبكة تقدير دعم تلافيفية متفرقة (CSEN) مبتكرة لتمكين الكشف الفوري والدقيق عن كوفيد-19 من صور الأشعة السينية للصدر، وذلك عبر سد الفجوة بين التمثيل المتفرق القائم على النماذج والتعلم العميق للتغلب على قيود مجموعات البيانات الصغيرة.

المؤلفون الأصليون: Mehmet Yamac, Mete Ahishali, Aysen Degerli, Serkan Kiranyaz, Muhammad E. H. Chowdhury, Moncef Gabbouj

نُشر 2026-05-06

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC0 1.0

المؤلفون الأصليون: Mehmet Yamac, Mete Ahishali, Aysen Degerli, Serkan Kiranyaz, Muhammad E. H. Chowdhury, Moncef Gabbouj

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل عالماً يواجه عاصفة هائلة (الجائحة)، حيث يعمل الأطباء كرجال إطفاء لإخمادها. وللقيام بعملهم، يجب أن يعرفوا بدقة أي المنازل تحترق. في الحالة الطبيعية، يستخدمون أداتين رئيسيتين: اختباراً مخبرياً بطيئاً ومعقداً (RT-PCR) يستغرق أياماً لتقديم النتائج، وفاحصاً ثلاثي الأبعاد عالي التقنية ومكلفاً (الأشعة المقطعية CT scan) غير متوفر في كل مكان.

أراد الباحثون في هذا العمل تقديم أداة ثالثة: صورة أشعة سينية بسيطة. إنها غير مكلفة، سريعة، ومتاحة للجميع. ومع ذلك، هناك عقبة؛ فصور الأشعة السينية تشبه النظر من خلال نافذة ضبابية؛ حيث يصعب أحياناً التمييز ما إذا كان الضباب مجرد سحابة عادية، أم نوعاً آخر من الدخان (الالتهاب الرئوي البكتيري)، أم الحريق المحدد الذي يبحثون عنه (كوفيد-19).

إليكم كيف حلوا المشكلة، مشروحة ببساة:

1. المشكلة: عدم وجود عدد كافٍ من "رجال الإطفاء العمليين"

في عالم التعلم الآلي (التعلم العميق)، تحتاج الحواسيب عادةً إلى رؤية آلاف الأمثلة لتتعلم كيفية التعرف على شيء ما. تخيل أنك تعلم طفلاً التعرف على الكلب؛ فأنت تريه مئات الصور للكلاب.

ومع ذلك، في أوائل عام 2020، لم تكن هناك صور أشعة سينية كافية لمرض كوفيد-19 لتدريب "دماغ حاسوبي" قياسي. كانت "المكتبة" الخاصة بالأمثلة صغيرة جداً. وإذا حاولت تعليم حاسوب باستخدام عدد قليل جداً من الصور، فإنه سيصاب بالارتباك ويرتكب الأخطاء.

2. الحل: "مطابق أنماط" ذكي

بدلاً من إجبار حاسوب ضخم وجائع للبيانات على التعلم من مكتبة صغيرة، بنى المؤلفون نظاماً ذكياً وخفيف الوزن يسمى CSEN (شبكة تقدير الدعم الالتفافية).

إليك التشبيه:

القاموس: تخيل ألبوماً ضخماً للصور حيث تعرض كل صفحة نوعاً مختلفاً من الأشعة السينية للرئة. تقوم بترتيبها بحيث تكون جميع الرئات "الطبيعية" في الصفحات 1-100، و"البكتيرية" في 101-200، و"كوفيد-19" في 201-300.
الاختبار: عندما تأتي صورة أشعة سينية جديدة وغير معروفة، لا يحاول الحاسوب حفظ الصورة بأكملة. بدلاً من ذلك، يتساءل: "أي الصفحات في ألبومي تشبه هذه الصورة الجديدة أكثر؟"
السحر: نظام CSEN هو طريق مختصر. فبدلاً من مقارنة الصورة الجديدة ببطء مع كل صفحة في الألبوم واحدة تلو الأخرى (وهو أمر بطيء)، فإنه يمتلك "عدسة سحرية" خاصة تشير فوراً إلى القسم الصحيح من الألبوم. هو لا يحتاج لقراءة الكتاب بأكمله؛ بل يحتاج فقط للعثور على الفصل الصحيح.

3. المكونات

لجعل هذا العمل ينجح، قاموا بدمج شيئين:

خبير مُدرب مسبقاً (CheXNet): استخدموا دماغاً حاسوبياً تم تدريبه بالفعل على أكثر من 100,000 صورة أشعة سينية أخرى ليصبح خبيراً في التعرف على مشاكل الرئة العامة. لم يعلموا هذا الخبير من الصفر؛ بل طلبوا منه ببساطة وصف الصورة الجديدة في بضع مصطلحات (سمات) رئيسية.
الطريق المختصر الجديد (CSEN): أخذوا هذه الأوصاف وأدخلوها في نظامهم الجديد خفيف الوزن. تعلم هذا النظام أن يقول: "آه، هذه الكلمات المحددة تعني أن هذه حالة كوفيد-19"، دون الحاجة إلى ملايين الأمثلة.

4. النتائج: سريعة ودقيقة

أنشأ الفريق مكتبة جديدة ضخمة من صور الأشعة السينية تسمى QaTa-Cov19 (أكثر من 6,200 صورة من دول مختلفة) لاختبار فكرتهم.

وعندما أجروا الاختبارات:

الحساسية (إيجاد الحريق): وجد النظام حالات كوفيد-19 بنسبة 98.5% من الوقت. وهذا أمر بالغ الأهمية لأن تفويت الحريق أمر خطير.
النوعية (تجنب الإنذارات الكاذبة): قال بشكل صحيح "لا يوجد حريق هنا" للرئات السليمة بنسبة 95% من الوقت.
السرعة: كان النظام سريعاً للغاية. بينما كانت الطرق الأخرى تحتاج لثوانٍ لمعالجة مجموعة من الصور، قام هذا النظام بذلك في جزء من الثانية. كما كان صغيراً وفعالاً للغاية، مما يعني أنه يمكنه العمل على الحواسيب العادية دون الحاجة إلى أجهزة قوية.

5. "الإنذارات الكاذبة"

يقر العمل بأن النظام ليس مثالياً. ففي بعض الحالات النادرة (حوالي 7 من أصل 462)، أخطأ النظام في اعتبار رئة سليمة مصابة بكوفيد-19 أو فاتته حالة مبكرة جداً.

لماذا؟ يوضح العمل أن بعض صور الأشعة السينية المبكرة لكوفيد-19 تبدو تماماً مثل الرئات الطبيعية حتى بالنسبة للخبراء البشر. الأمر يشبه محاولة رصد شرارة صغيرة في غرفة مظلمة؛ فأحياناً لا تستطيع حتى أفضل العيون رؤيتها حتى يكبر الحريق.

الملخص

يقترح هذا العمل طريقة جديدة وسريعة وعالية الدقة للكشف عن كوفيد-19 باستخدام صور الأشعة السينية البسيطة. ومن خلال استخدام "طريقة مختصرة ذكية" (CSEN) بدلاً من نموذج حاسوبي ثقيل ومتعطش للبيانات، حققوا نتائج ممتازة حتى مع عدد محدود من صور التدريب. كما قاموا بنشر مجموعتهم الضخمة من صور الأشعة السينية للجمهور حتى يتمكن العلماء الآخرون من استخدامها لتطوير أدوات أفضل في المستقبل.

ملخص تقني: نظام يعتمد على تقدير الدعم التلاففي (Convolutional Support Estimation) للكشف عن كوفيد-19 من صور الأشعة السينية

بيان المشكلة
يتطلب الانتشار السريع لفيروس كورونا المستجد (كوفيد-19) أدوات تشخيصية دقيقة وسريعة وسهلة الوصول. وبينما تُعد اختبارات تفاعل البوليميراز المتسلسل بالنسخ العكسي (RT-PCR) والتصوير المقطعي المحوسب (CT) معايير قياسية، إلا أنها تعاني من قيود كبيرة: إذ يمكن أن يستغｒق اختبار RT-PCR عدة أيام لظهور النتائج، وهو عرضة للنتائج السلبية الكاذبة بسبب جودة العينة أو توقيت الجمع، في حين أن التصوير المقطعي (CT) مكلف وغير متاح عالمياً بشكل شامل. وتوفر صور الأشعة السينية للصدر بديلاً فعالاً من حيث التكلفة والسرعة؛ ومع ذلك، فإن التشخيص الآلي عبر الأشعة السينية يمثل تحدياً نظراً للتشابه الكبير بين كوفيد-19 والالتهاب الرئوي الناتج عن كوفيد، والالتهاب الرئوي الفيروسي، والالتهاب الرئوي البكتيري، والحالات الطبيعية، بالإضافة إلى التباينات داخل الفئة نفسها (مثل حالات العدوى في مراحلها المبكرة التي تظهر علامات طفيفة أو معدومة فقط).

علاوة على ذلك، توجد عقبة حرجة في تطبيق التعلم العميق (DL) على هذه المشكلة. تتطلب نماذج التعلم العميق عادةً مجموعات بيانات ضخمة لتحقيق أداء يضاهي أحدث التقنيات، ومع ذلك، كانت مجموعات بيانات كوفيد-19 المتاحة تاريخياً صغيرة، ونادرة، وغير متوازنة. وفي المقابل، تحقق طرق التصنيف التقليدية القائمة على التمثيل (مثل التصنيف القائم على التمثيل المتناثر - SRC) أداءً جيداً مع البيانات المحدودة، لكنها غالباً ما تعتمد على خوارزميات تكرارية مكثفة حسابياً لإعادة بناء التناثر، مما يجعلها غير مناسبة للتطبيقات في الوقت الفلي.

المنهجية
يقترح المؤلفون نهجاً مبتكراً يجمع بين تقنيات التمثيل القائمة على النماذج والتعلم العميق من خلال استخدام شبكة تقدير الدعم التلاففي (CSEN). تسير المنهجية عبر المراحل التالية:

بناء مجموعة البيانات (QaTa-Cov19): تقدم الدراسة مجموعة بيانات QaTa-Cov19، وهي مجموعة مرجعية تضم أكثر من 6,200 صورة أشعة سينية للصدر. وفي وقت النشر، كانت أكبر مجموعة بيانات من نوعها، وتغطي أربع فئات: كوفيد-19، والالتهاب الرئوي البكتيري، والالتهاب الرئوي الفيروسي، والحالات الطبيعية. وتتميز مجموعة البيانات بالتنوع، حيث تم جمعها من دول متعددة (إيطاليا، إسبانيا، الصين، إلخ)، وتتضمن أجهزة أشعة سينية بجودات متفاوتة.
استخراج الميزات: للتغلب على ندرة البيانات، يستخدم المؤلفون تقنية "التعلم بنقل المعرفة" (Transfer Learning). حيث يستخدمون نموذج CheXNet، وهو نموذج DenseNet مكون من 121 طبقة تم تدريبه مسبقاً على أكثر من 100,000 صورة أشعة سينية للصدر (مجموعة بيانات ChestX-ray14)، لاستخراج ناقلات ميزات مميزة مكونة من 1024 بُعداً من صور الأشعة السينية الخام.
تقليل الأبعاد: يتم تطبيق تحليل المكونات الرئيسية (PCA) على الميزات المستخرجة لتوليد عينات الاستعلام ( $y$ ) وفضاء قاموس مخفض.
بنية CSEN: بدلاً من حل مشكلة تقليل $\ell_1$ $ℓ_{1}$ التكرارية لإيجاد المعاملات المتناثرة (كما في SRC) أو استخدام الانحدار القياسي (كما في MLP)، تتعلم شبكة CSEN رسم خرائط مباشر وغير تكراري من عينة الاستعلام إلى مجموعة الدعم (support set) لمعاملات التمثيل.
- تأخذ الشبكة تقديراً تقريبياً لمعاملات التمثيل (نموذج وسيط $\tilde{x}$ ) كمدخل.
- تستخدم طبقات تلاففية كاملة للتنبؤ بقناع ثنائي يشير إلى المواقع غير الصفرية (الدعم) للمعاملات المقابلة لفئة الصورة المدخلة.
- التصميم مدمج، يتجنب التكلفة الحسابية للشبكات العميقة، ويستفيد من سرعة الرسم المباشر للخرائط.
الطرق المقارنة: يتم تقييم CSEN المقترحة مقابل عدة طرق أساسية باستخدام نفس مسار استخراج الميزات: التصنيف القائم على التمثيل التعاوني (CRC)، والبيرسبترون متعدد الطبقات (MLP)، وآلات ناقلات الدعم (SVM)، وخوار_الجار الأقرب (k-NN)، ونموذج ReconNet معدل (وهو حل عميق للتحسس المضغوط).

المساهمات الرئيسية

مجموعة بيانات QaTa-Cov19: إنشاء وإطلاق أكبر وأكثر مجموعة بيانات تنوعاً للأشعة السينية لكوفيد-19 حتى الآن، والتي تضم 462 حالة مؤكدة من كوفيد-19 بالإضافة إلى الالتهاب الرئوي البكتيري، والالتهاب الرئوي الفيروسي، والحالات الطبيعية الضابطة.
إطار عمل CSEN: تطبيق شبكة تقدير الدعم التلاففي على تصنيف الصور الطبية. يعمل هذا النهج كجسر بين الطرق القائمة على التمثيل والتعلم العميق، حيث يوفر كفاءة البيانات للأولى وسرعة الثانية.
الأداء مع البيانات المحدودة: إثبات إمكانية تحقيق تصنيف عالي الدقة على مجموعة بيانات نادرة وغير متوازنة دون الحاجة إلى بيانات تدريب ضخمة أو عمليات معالجة معقدة قبل أو بعد المعالجة.

النتائج التجريبية
تم تقييم النظام على مجموعة بيانات QaTa-Cov19 باستخدام التحقق المتقاطع الطبقي ذي الـ 5 طيات (stratified 5-fold cross-validation). تم تطبيق تعزيز البيانات لموازنة مجموعة بيانات التدريب.

الدقة: حقق النهج القائم على CSEN (تحديداً CSEN2) حساسية بلغت 98.5% ونوعية بلغت 95.7% في الكشف عن كوفيد-19.
المقارنة: تفوقت CSEN على جميع الطرق المنافسة، بما في ذلك CRC وMLP وSVM وReconNet. ومن الجدير بالذكر أنه بينما حققت CRC حساسية مماثلة (95.5%)، كانت CSEN أسرع بكثير.
الكفاءة: أظهرت CSEN كفاءة حسابية فائقة. ففي مجموعة اختبار مكونة من 1,257 صورة، استغرقت CSEN حوالي 0.22 ثانية، بينما استغرقت CRC أكثر من 40 ثانية. كما تطلبت CSEN عدداً أقل بكثير من المعلمات القابلة للتدريب (~~16,000) مقارلة بـ MLP (~~672,000) وReconNet (~22,000).
تحليل الخطأ: كشفت مصفوفة الارتباك أن حالات السلبية الكاذبة القليلة (7 من أصل 462 حالة كوفيد-19) كانت ناتجة أساساً عن صور مرضى في المراحل المبكرة جداً من العدوى، حيث كانت أنماط الأشعة السينية غير قابلة للتمييز عن الحالات الطبيعية حتى بالنسبة للخبراء.

الأهمية والادعاءات
يزعم العمل أن نظام CSEN المقترح يقدم حلاً قوياً، وعالي الدقة، وفعالاً حسابياً لتشخيص كوفيد-19 مباشرة من صور الأشعة السينية الخام. ومن خلال النجاح في معالجة مشكلة ندرة البيانات عبر بنية هجينة، تقدم الدراسة دليلاً على أن كوفيد-19 يسبب نمطاً فريداً وقابلاً للتمييز في صور الأشعة السينية. ويؤكد المؤلفون أن هذا النهج يمكن أن يعمل كمساعد حيوي للمهنيين الطبيين، مما يوفر الوقت وقد ينقذ الأرواح من خلال الفرز السريع. إن إصدار مجموعة بيانات QaTa-Cov19 يهدف إلى تسريع جهود البحث العالمية في هذا المجال.