← أحدث الأبحاث
💻 computer science

PhyDCM: A Reproducible Open-Source Framework for AI-Assisted Brain Tumor Classification from Multi-Sequence MRI

تُعد PhyDCM إطار عمل مفتوح المصدر وقابلاً لإعادة الإنتاج، يدمج بنية تصنيف هجينة قائمة على نموذج MedViT مع معالجة معيارية لبيانات DICOM وواجهة سطح مكتب نمطية لتحقيق دقة تتجاوز 93% في التصنيف المدعوم بالذكاء الاصطناًعي لأورام الدماغ من بيانات الرنين المغناطيسي متعددة المتواليات.

المؤلفون الأصليون: Hayder Saad Abdulbaqi, Mohammed Hadi Rahim, Mohammed Hassan Hadi, Haider Ali Aboud, Ali Hussein Allawi

نُشر 2026-03-31
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Hayder Saad Abdulbaqi, Mohammed Hadi Rahim, Mohammed Hassan Hadi, Haider Ali Aboud, Ali Hussein Allawi

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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 أنك طبيب يحاول تشخيص ورم في الدماغ. لديك كومة هائلة من صور الرنين المغناطيسي (وهي "صور" للدماغ)، وعليك أن تحدد ما إذا كان هناك ورم، وما نوعه (مثل الورم الدبقي، أو الورم السحائي، أو ورم الغدة النخامية)، أو ما إذا كان الدماغ سليماً تماماً.

القيام بذلك يدوياً يشبه محاولة البحث عن إبرة معينة في كومة قش وأنت ترتدي قفازات سميكة. إنها عملية بطيئةة، مجهدة، ومن السهل ارتكاب الأخطاء عندما يكون لديك مئات المرضى.

يقدم هذا البحث PhyDCM، وهو "مساعد ذكي" جديد مصمم لمساعدة الأطباء في هذه المهمة. ولكن بدلاً من أن يكون مجرد "صندوق أسود" سحري يعطيك إجابة، فقد تم بناء PhyDCM مثل مجموعة "ليغو" (Lego) يمكن لأي شخص تفكيكها، ودراستها، وإعادة بنائها.

إليك تفصيل كيفية عمله، باستخدام تشبيهات بسيطة:

1. المشكلة: لغز "الصندوق الأسود"

حالياً، العديد من أدوات الذكاء الاصطنا في الطب تشبه آلات البيع ذاتية الخدمة المختومة. تضع صورة في الداخل، وتخرج لك نتيجة. لكن لا يمكنك رؤية ما بداخلها، ولا يمكنك تغيير طريقة عملها، وإذا تعطلت الآلة، لا يمكنك إصلاحها لأن الكود البرمโปรแกรม مخفي. وهذا يجعل من الصعب على العلماء الوثوق بها أو تحسينها.

2. الحل: إطار عمل "الليغو"

بنى المؤلفون PhyDCM كـ مجموعة أدوات مفتوحة المصدر. فكر في الأمر كمجموعة "ليغو" راقية حيث كل قطعة عليها ملصق ومتاحة للجميع.

  • الدماغ (المكتبة): هذا هو الجزء "المفكر". يقوم بالعمل الشاق المتمثل في تحليل الصور. وقد كُتب بطريقة تسمح للعلماء باستبدال القطع بسهقة (مثل تغيير منطق عمل الدماغ) دون كسر النظام بأكمله.
  • الوجه (تطبيق سطح المكتب): هذه هي الشاشة التي ينظر إليها الأطباء فعلياً. تعرض صور الرنين المغناطيسي، وتسمح لك بالتنقل بينها، وتعرض تشخيص الذكاء الاصطناعي.
  • السحر: الجزء الأفضل هو أن "الدماغ" و"الوجه" منفصلان. يمكنك استخدام "الدماغ" لمعالجة آلاف الصور تلقائياً على خادم (Server)، أو استخدام "الوجه" للنظر إلى صورة واحدة بشكل تفاعلي. إنهما لا يعتمدان على بعضهما البعض، مما يجعل النظام مرناً للغاية.

3. كيف "يرى" (محرك MedViT)

لفهم صور الدماغ، يستخدم PhyDCM محرك ذكاء اصطناعي خاص يسمى MedViT.

  • الطريقة القديمة: الذكاء الاصطناعي التقليدي ينظر إلى الصورة كشخص ينظر إلى لوحة من خلال قشة صغيرة. فهو يرى التفاصيل الصغيرة (الحواف، الأنسجة) ولكنه يفتقد الصورة الكبيرة.
  • الطريقة الجديدة (MedViT): هذا المحرك يشبه المحقق الذكي. فهو يستخدم أداتين:
    1. عدسة مكبرة (التلافيف - Convolution): للنظر عن كثب في التفاصيل الصغيرة مثل الملمس.
    2. عدسة واسعة الزاوية (المحول - Transformer): للتراجع خطوة إلى الوراء ورؤية كيف ترتبط أجزاء الدماغ المختلفة ببعضها البعض.
      من خلال الجمع بينهما، يفهم المحرك كلاً من التفاصيل الدقيقة والشكل العام للورم، مما يساعده على التمييز بين أنواع الأورام المختلفة بدقة أكبر.

4. التدريب: تعليم المساعد

قام الفريق بتعليم هذا الذكاء الاصطناعي باستخدام مكتبة ضخمة من صور الدماغ (أكثر من 6,000 صورة) من مصادر متنوعة.

  • توحيد المدخلات: تماماً كما لا تقارن صورة التُقطت في الظلام بأخرى التُقطت في ضوء الشمس الساطع، يقوم النظام أولاً بـ "تنميط" جميع صور الرنين المغناطيسي. فهو يضبط السطوع والحجم بحيث تبدو كل صورة متسقة قبل أن يدرسها الذكاء الاصطناعي.
  • الاختبار: لم يختبروه فقط على الصور التي تعلم منها (لأن ذلك يعتبر غشاً)، بل اختبروه على مجموعات بيانات جديدة كلياً وغير مرئية سابقاً (مثل امتحان نهائي بأسئلة جديدة).
    • النتيجة: حصل على دقة تقارب 93%.
    • نقطة الضعف: قد يرتبك أحياناً بين "الورم السحائي" (نوع معين من الأورام) وبين "عدم وجود ورم" لأن كلاهما قد يبدو متشابهاً جداً في الفحص. لكنه كان شبه مثالي بالنسبة للأنواع الأخرى.

5. لماذا هذا مهم؟

معظم أوراق أبحاث الذكاء الاصطناعي تكتفي بالقول: "لقد صنعنا نموذجاً بدقة 95%". لكنها لا تعطيك النموذج، أو الكود، أو واجهة الاستخدام.

PhyDCM مختلف لأنه يعطيك المطبخ بأكمله، وليس فقط الوصفة.

  • الشفافية: يمكنك رؤية كيف يعمل بالضبط.
  • قابلية التكرار: إذا أراد عالم آخر اختباره، يمكنه تحميل نفس الكود تماماً والحصول على نفس النتائج.
  • جاهز للمستقبل: نظرًا لأنه مبني مثل مجموعة "ليغو" نمطية، فإذا أصبحت أنواع جديدة من الفحوصات (مثل الأشعة المقطعية أو التصوير المقطعي بالإصدار البوزيتروني) شائعة، يمكن للعلماء ببساطة "توصيل" وحدة جديدة دون إعادة بناء النظام بأكمله.

الخلاصة

PhyDCM هو "مساعد ذكي" شفاف ومفتوح المصدر للكشف عن أورام الدماغ. يجمع بين "دماغ" قوي يعمل بالذكاء الاصطناعي وواجهة سهلة الاستخدام، مما يسمح للأطباء برؤية الصور والتشخيص في مكان واحد. ورغم أنه ليس جاهزاً لاستبدال الأطباء في المستشفيات بعد (فهو يحتاج لمزيد من الاختبارات والموافقات الرسمية)، إلا أنه يوفر أساساً قوياً وموثوقاً للباحثين لبناء الجيل القادم من أدوات الذكاء الاصطناعي الطبية.

إنه يحول "الصندوق الأسود" للذكاء الاصطناعي إلى بيت زجاجي، حيث يمكن للجميع رؤية كيف يحدث السحر.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →