Artificial Intelligence Algorithms for the Detection of Pathologies Related to Lung Cancer through Image Analysis using Convolutional Neural Networks and Data Augmentation: a systematic mapping of the literature

لا يزال سرطان الرئة يمثل أحد أكثر التهديدات جسامة للصحة العامة عالميًا، ويرجع ذلك إلى حد كبير إلى أن اكتشافه مبكرًا غالبًا ما يكون هو الفارق بين الحياة والموت. وتتمثل الطريقة القياسية لرصد المرض في التقاط صور ثلاثية الأبعاد مفصلة للصدر باستخدام الأشعة السينية، وهي عملية تُعرف بالتصوير المقطعي المحوسب. تكشف هذه الصور عن الهياكل المعقدة داخل الرئتين، مما يسمح للأطباء بالبحث عن نموات غير طبيعية صغيرة تسمى العُقيدات. ومع ذلك، فإن قراءة هذه الصور مهمة شاقة تتطلب خبراء مدربين تدريبًا عاليًا لتمحيص آلاف الصور، وهو ما يشكل عنق زجاجة يمكن أن يؤدي إلى تأخير التشخيص والحد من الوصول إلى الرعاية. وفي السنوات الأخيرة، ظهر نوع جديد من الأدوات لمساعدة هؤلاء المتخصصين: الذكاء الاصطناعي. وتحديدًا، طور الباحثون برامج حاسوبية مستوحاة من الدماغ البشري، تُعرف بالشبكات العصبية، والتي يمكنها تعلم التعرف على الأنماط في الصور تمامًا كما يفعل الإنسان. وعندما تُصمم هذه الشبكات خصيصًا للصور، تسمى الشبكات العصبية الالتفافية. وهي تعمل من خلال مسح الصورة وتسليط الضوء على الميزات الأكثر أهمية، مثل شكل أو ملمس العُقيدة، للمساعدة في تحديد ما إذا كانت خطيرة.

تتناول مراجعة حديثة للأدبيات العلمية، أجراها بابلو راميريز أمادور في جامعة "أبيرتا إنتيرناشيونال" في بوينس آيرس، نظرة فاحصة على كيفية استخدام هذه الأنظمة الحاسوبية حاليًا للكشف عن سرطان الرئة. فحصت الدراسة 96 مقالاً بحثيًا نُشرت بين عام 2015 والوقت الحاضر، من خلال البحث في قواعد البيانات العلمية الكبرى لإيجاد العمل الأكثر صلة في هذا المجال. ولم يكن الهدف هو اختبار آلة واحدة جديدة، بل رسم خارطة كاملة للبحوث القائمة، وفهم أي الطرق تعمل بشكل أفضل وأين تكمن أكبر العقبات. ركز الباحثون على تقنيتين محددتين أظهرتا نتائج واعدة: التعلم بنقل الخبرة (transfer learning) وتعزيز البيانات (data augmentation). يسمح "التعلم بنقل الخبرة" لبرنامج حاسوبي تعلم بالفعل التعرف على أشياء عامة، مثل القطط أو السيارات، بأن يتكيف مع المهمة المحددة المتمثلة في رصد عُقيدات الرئة، مما يوفر الوقت والموارد. أما "تعزيز البيانات" فهو وسيلة لإنشاء مواد تدريبية أكثر من خلال أخذ الصور الموجودة وتعديلها طفيفًا — مثل تدويرها، أو تغيير حجمها، أو إضافة بعض الضجيج البصري — بحيث يرى الحاسوب المزيد من التنويعات لنفس الشيء ويتعلم أن يكون أكثر قوة ومتانة.

وجدت المراجعة أن أدوات الذكاء الاصطناعي هذه قادرة بالفعل على تقديم بديل فعال للغاية للتشخيص المبكر لسرطان الرئة، وغالبًا ما تضاهي في حساسيتها ونوعيتها الخبراء البشريين. وأظهرت الدراسات التي تم تحليلها أن استخدام الشبكات سابقة التدريب، مثل تلك المعروفة باسم VGG16 أو ResNet، جنبًا إلى جنب مع تعزيز البيانات، يؤدي إلى دقة عالية في تحديد سرطان الرئة غير صغير الخلايا، وهو النوع الأكثر شيوعًا من المرض. وتستطيع النماذج الحاسوبية معالجة البيانات المعقدة من الأشعة المقطعية وتحديد المشكلات المحتملة بمستوى من الدقة يشير إلى أنها قد تصبح جزءًا حيويًا من عملية التشخيص. ومع ذلك، يوضح البحث أيضًا أن هذه التكنولوجيا ليست بعد منتجًا نهائيًا جاهزًا للاستخدام الفوري والواسع النطاق في كل مستشفى. فقد حدد الباحثون تحديات كبيرة يجب حلها قبل أن يمكن الوثوق بهذه الأدوات في البيئات السريرية الواقعية. ومن المشكلات الرئيسية نقص البيانات الموحدة؛ حيث تستخدم المستشفيات المختلفة أجهزة وبروتوكولات مختلفة، مما قد يربك النماذج الحاسوبية. وهناك أيضًا مخاوف جدية بشأن خصوصية معلومات المرضى والحاجة إلى فهم كيفية وصول الحاسوب إلى استنتاجاته بالضبط، وهي جودة تُعرف بـ "القابلية للتفسير"، حتى يتمكن الأطباء من الثقة في النصيحة التي يتلقونها.

وفي الختام، يخلص العمل إلى أنه بينما يحمل الذكاء الاصطناعي إمكانات هائلة لتحسين رعاية مرضى سرطان الرئة، فإنه ليس حلاً سحريًا سيحل محل الأطباء البشريين. إن المسار المستقبلي يتطلب مزيدًا من البحث لتطوير هذه الخوارزميات ولوائح جديدة لضمان كونها آمنة وموثوقة وأخلاقية. وتقترح المراجعة أن مستقبل الكشف عن سرطان الرئة يكمن في شراكة تعمل فيها هذه الأنظمة الحاسوبية القوية كعين ثانية، تساعد في رصد الأمراض في وقت مبكر وبدقة أكبر، ولكن فقط إذا عالى المجتمع العلمي القيود الحالية المتعلقة بجودة البيانات وشفافية النماذج. وحتى ذلك الحين، تظل هذه التكنولوجيا وعدًا قويًا أكثر من كونها معيارًا مكتملًا للرعاية، في انتظار اتخاذ الخطوات اللازمة لجلبها بأمان إلى العيادات.