Development of an Ensemble Deep Learning Model for Breast Cancer Diagnosis
تقترح هذه الدراسة نموذج تعلم عميق تجميعي يجمع بين InceptionResNetV2 وResNet-18، تم تدريبه على بيانات تصوير الثدي الشعاعي النيجيرية المستمدة محلياً، والذي حقق دقة بلغت 99.26% في تصنيف سرطان الثدي إلى فئات BI-RADS، متفوقاً بذلك على النماذج الفردية ومسلطاً الضوء على أهمية استخدام مجموعات بيانات ممثلة محلياً لتطوير الذكاء الاصطناعي.
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 بصمات الأصابع أو آثار الأقدام، تكون أدلتك عبارة عن صور لداخل جسم الإنسان. هذا هو عالم التصوير الطبي، حيث يستخدم الأطباء صور أشعة سينية خاصة تسمى "الماموجرام" للنظر في العلامات المبكرة لسرطان الثدي. الجزء الصعب؟ هذه الصور معقدة للغاية، وحتى المحققين البشريين الخبراء (أطباء الأشعة) قد يختلفون أحياناً فيما يرونه. ولمساعدة الجميع على البقاء على نفس الصفحة، يستخدم الأطباء كتاب قواعد خاص يسمى BI-RADS. فكر في BI-RADS كأنه نظام إشارات مرور لصحة الثدي: فهو يصنف الصور إلى فئات تتراوح من "كل شيء واضح" إلى "هذا يبدو مشبوهاً للغاية ويحتاج إلى اهتمام فوري".
الآن، تخيل تعليم كمبيوتر ليكون محققاً خارقاً. هنا يأتي دور الذكاء الاصطناعي (AI) والتعلم العميق (Deep Learning). التعلم العميق هو نوع من عقول الكمبيوتر التي تتعلم من خلال النظر إلى آلاف الأمثلة، تماماً مثلما يتعلم الطفل التعرف على القطة من خلال رؤية قطط مختلفة كثيرة. عادةً، يتم تدريب هذه العقول الحاسوبية على صور من دول أخرى. ولكن تماماً مثل الشخص من مدينة معينة قد لا يتعرف على اللهجة أو نمط الملابس في مدينة أخرى، قد يرتبك الكمبيوتر المدرب على بيانات أجنبية أمام الميزات الفريدة للمرضى المحليين. هذا هو السؤال الكبير الذي تعالجه هذه الورقة البحثية: هل يمكننا بناء محقق كمبيوتري مدرب خصيصاً على صور محلية لرصد المشكلات بدقة أكبر؟
قرر الباحثون في هذه الدراسة، بالعمل مع بيانات من مركز تشخيصي في إبادان، نيجيريا، بناء فريق "محققين خارقين". بدلاً من الاعتماد على عقل كمبيوتري واحد فقط، أنشأوا نموذجاً تجميعياً (Ensemble Model). تخيل أن لديك صديقين ذكيين جداً، كل منهما بارع في حل الألغاز بطريقته الخاصة. أحد الصديقين بارع في رصد التفاصيل الدقيقة (مثل نمط معين في نسيج ما)، بينما الآخر مذهل في رؤية الصورة الكبيرة وكيفية ترابط الأجزاء المختلفة معاً. إذا طلبت من واحد فقط منهما حل لغز، فقد يرتكب خطأً. ولكن إذا طلبت من كليهما النظر في نفس الدليل ثم دمج إجاباتهما، فمن المرجح جداً أن يصيبا الهدف. هذا بالضبط ما فعله المؤلفون: لقد جمعوا بين نموذجين قويين من الذكاء الاصطناعي، وهما InceptionResNetV2 و ResNet-18، لإنشاء فريق يعمل معاً بشكل أفضل مما يعمل كل منهما بمفرده.
بدأ الفريق بمجموعة من 184 صورة ماموجرام لمرضى محليين. ولضمان تعلم الكمبيوتر بفعالية، استخدموا حيلة ذكية تسمى "تعزيز البيانات" (Data Augmentation). تخيل أنك تأخذ صورة واحدة وتنشئ عشر نسخ مختلفة قليلاً منها عن طريق تدويرها، أو قلبها، أو تكبيرها وتصغيرها. حول هذا الأمر مجموعتهم الصغيرة المكونة من 184 صورة إلى مكتبة ضخمة تضم 1,840 صورة، مما منح عقول الكمبيوتر الكثير من التدريب دون الحاجة للبحث عن المزيد من المرضى الحقيقيين. ثم قاموا بتدريب نماذجهم لتصنيف هذه الصور إلى فئات BI-RADS.
كانت النتائج مبهرة. عندما اختبر الباحثون المحققين المنفردين، كان نموذج InceptionResletV2 يقوم بعمل رائع بالفعل، حيث أصاب في التصنيف بنسبة 98.52% تقريباً. كما كان نموذج ResNet-18 جيداً أيضاً، ولكنه كان أقل دقة بنسبة 92.22%. ومع ذلك، عندما دمجوا هذين النموذجين في فريقهم التجميعي، قفز الأداء إلى دقة مذهلة بلغت 99.26%.
لوضع هذا في المنظور، فكر في فئات BI-RADS كأنها مستويات مختلفة في لعبة فيديو. المستوى الأصعب، BI-RADS 4، هو حيث تكون الأدلة مربكة وتبدو شبيهة بكل من الحالات "الآمنة" و"الخطيرة". هذا هو المكان الذي يعاني فيه الأطباء البشريون والكمبيوتر على حد سواء. في هذه الدراسة، ارتكبت النماذج المنفردة بعض الأخطاء في هذا المستوى الصعب. ولكن ماذا عن الفريق التجميعي؟ لقد تعثروا بالكاد. حقق النموذج المدمج درجة مثالية في تحديد الحالات "الآمنة" والحالات "المشبوهة جداً"، وأخطأ في حالتين فقط من جميع حالات BI-RADS 4 الصعبة. تشير الورقة إلى أنه باستخدام نهج الفريق والتدريب خصيصاً على بيانات محلية، يصبح الكمبيوتر شريكاً أكثر موثوقية للأطباء.
يلاحظ المؤلفون بعناية أنه بينما أدى فريقهم المحلي أداءً ممتازاً، فإن الاختبار الحقيقي هو كيفية عمله في العيادة المزدحمة في العالم الحقيقي. كما أشاروا أيضاً إلى أن دراستهم لم تتضمن كل الفئات الممكنة (تحديداً فقدوا BI-RADS 3)، لذا لا تزال هناك مساحة للنمو. لكن الرسالة الأساسية واضحة: عندما تبني أدوات الذكاء الاصطناعي باستخدام صور من الناس الذين سيستخدمونها بالفعل، وتسمح لتلك الأدوات بالعمل معاً كفريق، فإنك تحصل على نظام تشخيص أكثر حدة، وأكثر دقة، وأنسب للمجتمع المحلي. إنه تذكير بأنه في عالم الذكاء الاصطناعي الطبي، أحياناً تكون أفضل طريقة لرؤية المستقبل هي النظر بتمعن في الحاضر المحلي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.