Artificial Intelligence in Oral Squamous Cell Carcinoma Diagnosis: Exploring Deep Transfer Learning Strategies
تُظهر هذه الدراسة أن التعلم بنقل العمق، ولا سيما باستخدام نموذجي EfficientNetB7 وResNet50 المُحسَّنين عبر تعزيز البيانات والتحقق المتقاطع، يحقق تصنيفاً عالي الدقة لصور الأنسجة لسرطان الخلايا الحرشفية الفموية، مما يقدم حلاً واعداً لتحسين دقة التشخيص ومعالجة التباين بين أطباء المسالك البولية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 محقق يحاول حل لغز، ولكن بدلاً من البحث عن بصمات الأصابع أو آثار الأقدام، أنت تنظر إلى صور ملونة وصغيرة للخلايا تحت المجهر. هذا هو عالم علم الأمراض (Pathology)، حيث يفحص الأطباء عينات الأنسجة لمعرفة ما إذا كان الشخص مصاباً بالسرطان. أحد أكثر أنواع السرطان شيوعاً وصعوبة في الاكتشاف هو سرطان الخلاية الحرشفية الفموية (OSCC)، وهو نوع من السرطان يبدأ في الفم. لعقود من الزمن، كان "المعيار الذهبي" لحل هذا اللغز هو عالم أمراض بشري يحدق في شريحة مجهرية؛ حيث يبحث عن أدلة مثل كيفية ترتيب الخلايا أو ما إذا كانت تبدو فوضوية وغير منظمة. ولكن هنا تكمن المشكلة: البشر يتعبون، وقد تخدعهم أعينهم، وقد يختلف محققان مختلفان عند النظر إلى نفس الصورة. وهنا يأتي دور الذكاء الاصطناعي (AI). فكر في الذكاء الاصطناعي كمساعد خارق القوة، قد قرأ الملايين من كتب الصور ويمكنه رصد الأنماط التي قد تخفى على العين البشرية. السؤال الكبير الذي يطرحه العلماء هو: هل يمكننا تعليم الكمبيوتر أن ينظر إلى هذه الصور الصغيرة للخلايا ويخبرنا بالضبط ما هو نوع السرطان، ومدى خطورته، بشكل أفضل وأسرع من الإنسان؟
هذه الدراسة تشبه مسابقة طبخ عالية المخاطر، ولكن بدلاً من الطهاة، لدينا نماذج حاسوبية، وبدلاً من المكونات، يتم تغذيتها بصور مجهرية لأنسجة الفم. أراد الباحثون معرفة أي "طاهٍ" (أو نموذج تعلم عميق) يمكنه تصنيف هذه الصور بشكل أفضل إلى ثلاث فئات: أنسجة الفم السليمة، والسرطان منخفض الدرجة (النوع البطيء والأقل خطورة)، والسرطان مرتفع الدرجة (النوع السريع والعدواني). ولجعل التحدي عادلاً، بدأوا بمجموعة صغيرة مكونة من 750 صورة. ونظراً لعدم وجود صور كافية لأنواع السرطان "منخفضة الدرجة" و"مرتفعة الدرجة" لتعليم الحواسيب بشكل صحيح، فقد استخدموا خدعة ذكية تسمى SMOTE. تخيل لو كان لديك ثلاث كرات حملاء فقط ومائة كرة زرقاء؛ سيكون من الصعب عليك تعليم شخص ما كيفية تمييز اللون الأحمر. SMOTE يشبه آلة تصوير سحرية تنشئ كرات حمراء جديدة، وهمية ولكن واقعية، حتى يحصل الكمبيوتر على الكثير من الممارسة. كما استخدموا أيضًا "تعزيز البيانات" (Data Augmentation)، وهو يشبه التقاط صورة، ثم قلبها رأساً على عقب، أو جعلها أكثر سطوعاً، أو تدويرها قليلاً، حتى يتعلم الكمبيوتر التعرف على السرطان بغض النظر عن كيفية وضع الصورة.
اختبر الباحثون سبعة "طهاة" مشهورين (نماذج حاسوبية) تعلمت بالفعل التعرف على ملايين الأشياء اليومية مثل القطط والسيارات والتفاح. كانت هذه النماذج هي ResNet50، وInceptionV3، وVGG16، وEfficientNetB7، وDenseNet121، وXception، وMobileNet. الفكرة هي أخذ هذه النماذج الذكية و"ضبطها بدقة" (Fine-tuning)، مثل تعليم جنرال يعرف بالفعل كيف يخوض الحروب ليصبح الآن متخصصاً في نوع معين من التضاريس. فعلوا ذلك عن طريق "تجميد" معظم دماغ النموذج (حتى لا ينسى ما يعرفه بالفعل) والسماح للطبقات القليلة الأخيرة فقط بالتعلم من صور السرطان الجديدة. لقد جربوا استراتيجيات مختلفة، مثل السماح لـ 15 طبقة بالتعلم أو 30 طبقة بالتعلم، لمعرفة ما هو الأفضل.
كانت النتائج انتصاراً واضحاً لنموذج واحد محدد: EfficientNetB7. كان هذا النموذج هو نجم العرض، حيث حصل على الإجابة الصحيحة بنسبة 99.2% من الوقت. كان الأمر أشبه بمحقق لا يفوته أي دليل. وكان الوصيف هو ResNet50، الذي كان موثوقاً للغاية أيضاً بنسبة نجاح بلغت 99.04%. أثبت هذان النموذجان أنه مع التدريب المناسب، يمكن للحواسيب أن تكون دقيقة للغاية في رصد درجات السرطان هذه. ومع ذلك، لم يكن كل نموذج فائزاً. فقد كان InceptionV3، الذي يبدو اسمه فخماً جداً، هو الأسوأ في الأداء بنسبة 92.94%، وMobileNet، الذي عادة ما يكون رائعاً للأجهزة الصغيرة، حقق 95.2% فقط. تشير الدراسة إلى أنه بينما التكنولوجيا واعدة للغاية، فإن "الوصفة" مهمة جداً؛ فبعض النماذج تتعامل مع التفاصيل المحددة لصور الخلايا هذه بشكل أفضل من غيرها.
يلاحظ المؤلفون بحذر أنه على الرغم من أن هذه الأرقام مذهلة، إلا أن النماذج لا تزال بحاجة إلى الاختبار في العالم الحقيقي باستخدام بيانات أكثر تنوعاً. كما يشيرون إلى أحد القيود: وهي أن أنظمة الذكاء الاصطناعي هذه تشبه "الصناديق السوداء". يمكنها إعطاؤك الإجابة بثقة عالية، لكنها لا تستطيع دائماً شرح لماذا تعتقد أن الخلية تبدو خطيرة، وهو أمر يحتاج الأطباء البشريون إلى فهمه قبل اتخاذ قرارات تتعلق بالحياة أو الموت. في النهاية، تقترح هذه الورقة أن الذكاء الاصطناعي، وخاصة نماذج مثل EfficientNetB7 وResNet50، يمكن أن يصبح "مساعداً قوياً" لعلماء الأمراض، مما يساعدهم في تشخيص سرطان الفم بسرعة ودقة تفوق قدرات البشر، ولكنه ليس بديلاً للخبير البشري في الوقت الحالي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.