Principal Component Analysis Searched Binary Neural Network for Carcinoma Detection using Multi-Modal Data

حقيبة أدوات المحقق: حل لغز السرطان الخفي

تخيل أنك محقق يحاول حل جريمة، لكن الأدلة مبعثرة عبر عالمين مختلفين تمامًا. أحد العالمين هو خريطة ثلاثية الأبعاد عالية الدقة لمدينة (مثل الأشعة المقطعية لجسم ما)، تُظهر الشوارع والمباني. والعالم الآخر هو كومة من تقارير الشرطة وشهادات الشهود (البيانات السريرية مثل العمر، ونتائج المختبر، والعادات المعيشية). لفترة طويلة، حاول المحققون حل القضية باستخدام الخريطة فقط أو التقارير فقط، لكنهم غالبًا ما فاتتهم الأدلة الدقيقة التي لا تظهر إلا عند النظر إليهما معًا. هذا هو التحدي في مجال التشخيص الطبي: العثاق على السرطان في وقت مبكر بما يكفي لعلاجه بفعالية.

في هذه القصة، "الجريمة" هي الكارسينوما (السرطانة)، وهي نوع من السرطان يبدأ في الأنسجة الشبيهة بالجلد في أعضائنا. "الأدلة" مخبأة في الصور الطبية وتاريخ المريض. الطرق التقليدية تعمل أحيانًا مثل كاميرا ضبابية أو محقق متعب، حيث تفوت العلامات المبكرة أو ترتبك بسبب الإنذارات الكاذبة. ولإصلاح ذلك، يبني العلماء "محققين خارقين" باستخدام فرع من العلوم يسمى التعلم العميق (Deep Learning). فكر في التعلم العميق كدماغ حاسوبي يتعلم تمييز الأنماط من خلال دراسة آلاف الأمثلة، تمامًا مثل طفل يتعلم التعرف على الكلب من خلال رؤية العديد من الكلاب المختلفة. اللغز المحدد الذي تعالجه هذه الورقة البحثية هو كيفية دمج الخريطة المرئية (الأشعة المقطعية) مع التقارير المكتوبة (البيانات السريرية) لإنشاء نظام واحد فائق الذكاء يمكنه رصد السرطان بدقة مذهلة.

الفكرة الكبرى للورقة: فريق تحقيق مكون من شخصين

قام مؤلفا هذه الورقة، ت. ثانغام والدكتور أ. كاليل رحمان، ببناء نظام تحقيق رقمي جديد أطلقوا عليه اسم PCA-SBNN. كان هدفهم هو إنشاء نموذج لا يكتفي بمجرد النظر إلى صورة أو قراءة تقرير، بل يدمجهما معًا للعثور على الكارسينوما (تحديدًا سرطان الكبد في هذه الدراسة) بدقة عالية. لقد اختبروا فكرتهم على مجموعة بيانات لـ 105 مريض خضعوا لعلاجات محددة، باستخدام كل من الأشعة المقطعية الخاصة بهم وسجلاتهم السريرية.

إليك كيف يعمل "المحقق الخارق" الخاص بهم، مقسمًا إلى مغامرة ممتعة خطوة بخطوة:

1. تنظيف العدسة (المعالجة المسبقة - Pre-processing)
أولاً، يأخذ النظام صورة أشعة مقطعية خام للكبد. فكر في هذا كأنك تنظر إلى صورة من خلال نافذة متسخة. تستخدم الورقة أداة خاصة تسمى مرشح المتوسط التضادي (Contra-Harmonic Mean filter) لمسح الزجاج وتنظيفه. هذه الأداة تشبه الممحاة الذكية التي تزيل الضجيج من نوع "الملح والفلفل" (نقاط التشويش الصغيرة) دون طمس الحواف المهمة للكبد، مما يضمن أن تكون الصورة واضحة تمامًا قبل بدء العمل الحقيقي.

2. تحديد الهدف (التجزئة - Segmentation)
بمجرد تنظيف الصورة، يحتاج النظام إلى إيجاد الكبد نفسه، وفصله عن بقية الجسم. يستخدمون دماغًا روبوتيًا مصممًا خصيصًا يسمى TBConvL-Net. تخيل هذا كفنان ماهر للغاية يمكنه تتبع الخطوط الخارجية الدقيقة لشكل ما في رسم معقد. يقوم هذا الروبوت بعزل منطقة الكبد بشكل مثالي، متجاهلاً كل شيء آخر، بحيث تركز الخطوات التالية فقط على المنطقة ذات الأهمية.

3. قراءة التفاصيل الدقيقة (استخراج الميزات - Feature Extraction)
الآن بعد عزل الكبد، يحتاج النظام إلى العثور على "بصمة" السرطان. يستخدم طريقتين مختلفتين لقراءة نسيج الأنسجة:

• PRICoLBP مع الإنتروبيا (Entropy): هذا يشبه ماسحًا للنسيج ينظر إلى كيفية ترتيب البكسلات، حتى لو تم تدوير الصورة أو تغير الإضاءة. إنه يقيس "الفوضى" أو تعقيد الأنسجة.
• أنسجة هاراليك (Haralick Textures): هذه عدسة مكبرة إحصائية تقيس التباين (مدى اختلاف الألوان)، والارتباط (كيف يرتبط الجيران ببعضهم البعض)، والطاقة (مدى انتظام النمط).
  النتيجة من هذه الخطوة هي المخرج-1 (Output-1): وصف رقمي مفصل لنسيج الكبد.

4. تنظيم الملفات (تطبيع البيانات السريرية - Clinical Data Normalization)
بينما يتم تحليل الصورة، يقوم النظام أيضًا بقراءة التاريخ الطبي للمريض (العمر، نتائج المختبر، إلخ). لكن البيانات الطبية فوضوية؛ فقد يكون رقم ما بالمليغرام والآخر بالجرام. لإصلاح ذلك، يستخدم النظام تطبيع بيلدشوس (Peldschus normalization). فكر في هذا كمترجم يحول جميع اللغات والوحدات المختلفة إلى لهجة واحدة موحدة حتى يتمكن الكمبيوتر من فهمها جميعًا بالتساوي. وهذا ينتج عنه المخرج-2 (Output-2).

5. الاندماج الكبير (نموذج PCA-SBNN)
هنا يحدث السحر. يأخذ النظام وصف النسيج (المخرج-1) والتاريخ الطبي المترجم (المخرج-2) ويغذيهما في دماغه الرئيسي: PCA-SBNN.

• PCANet: يعمل هذا الجزء كخبير ضغط. يأخذ كل التفاصيل المعقدة ويقلصها إلى "جوهر" البيانات الأكثر أهمية، محتفظًا فقط بالقرائن التي تهم أكثر.
• SBNN (الشبكة العصبية الثنائية المبحوثة - Searched Binary Neural Network): هذا هو القاضي النهائي. إنه دماغ فائق السرعة وخفيف الوزن يتخذ القرار النهائي. إنه يشبه محرك بحث تم تدريبه للعثور على التطابق المثالي بين القرائن والإجابة: "سرطان" أو "لا يوجد سرطان".

ماذا وجدوا

اختبر المؤلفون فريق التحقيق الجديد الخاص بهم مقابل عدة طرق موجودة بالفعل (مثل meGPS، وHelioLiver Test، وLI-RADS، وMSHA). كانت النتائج مبهرة. عندما تم تدريب النظام على 90% من البيانات المتاحة، حقق الدرجات التالية:

• الدقة (Accuracy): 96.78% (لقد حصل على الإجابة الصحيحة في كل مرة تقريبًا).
• الحساسية (Sensitivity): 95.92% (كان جيدًا جدًا في رصد حالات السرطان الفعلية).
• النوعية (Specificity): 96.97% (كان جيدًا جدًا في قول "لا يوجد سرطان" بشكل صحيح عندما لم يكن موجودًا).
• معدل السهو الخاطئ (FOR): 0.036 (هذا رقم منخفض جدًا، مما يعني أنه نادرًا ما يفوته حالة سرطان).
• معامل ماتيوز للارتباط (MCC): 0.958 (درجة توازن بين جميع المقاييس المذكورة أعلاه، مما يظهر أداءً قويًا وموثوقًا للغاية).

تشير الورقة إلى أنه من خلال الجمع بين القرائن المرئية من الأشعة المقطعية مع سياق البيانات السريرية، وباستخدام هذا المزيج المحدد من المرشحات والشبكات العصبية، فإن نموذج PCA-SBNN أكثر موثوقية من الطرق القديمة التي قارنوها بها. ويخلص المؤلفون إلى أن هذا النهج يقدم مسارًا واعدًا للكشف المبكر، مما قد يساعد الأطباء في اتخاذ قرارات أسرع وأكثر دقة، رغم أنهم أشاروا إلى أن العمل المستقبلي يمكن أن يتضمن أنواعًا أكثر من البيانات لجعل النظام أفضل.