💻 computer science

A Deep Learning Framework for Multi-Class Lung Disease Detection Using CXR Imaging

تقترح هذه الدراسة إطار عمل للتعلم العميق مدركاً للانحياز، يستخدم مجموعة بيانات صور أشعة سينية للصدر (CXR) متعددة المصادر، منسقة ومعالجة مسبقاً بشكل موحد، وفحصاً منطقياً للتنبؤ بالمصدر للتخفيف من انحياز أصل مجموعة البيانات، مما يثبت أن نموذج ResNet-38 مخصص يحقق دقة فائقة في اكتشاف أمراض الرئة متعددة الفئات تبلغ حوالي 93% مقارنة ببنيات ResNet الأكثر عمقاً.

المؤلفون الأصليون: Neha Sehgal, Md. Arquam, Tayyab Khan, Akanksha Mrinali

نُشر 2026-09-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Neha Sehgal, Md. Arquam, Tayyab Khan, Akanksha Mrinali

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

تُعد الرئتان البشريتان شبكة معقدة من الممرات الهوائية والأكياس، وهي ضرورية لكل نفس نأخذه. وعندما يتعرض هذا النظام الدقيق للعدوى أو الالتهاب أو النمو غير الطبيعي، يمكن أن تكون العواقب وخيمة وسريعة. لعقود من الزمن، اعتمد الأطباء على صور الأشعة السينية للصدر، وهي تقنية تصوير سريعة ومنخفضة التكلفة، للنظر داخل الصدر ورصد هذه المشكلات. ومع ذلك، فإن قراءة هذه الصور مهمة شاقة؛ فغالباً ما تبدو الأمراض المختلفة متشابهة بشكل صارخ في الأشعة السينية، كما أن الحجم الهائل للصور التي تنتجها المستشفيات يمكن أن يرهق حتى أمهر أخصائيي الأشعة. وهنا يأتي دور الذكاء الاصطناعي، ليقدم وعداً بكونه عيناً ثانية لا تمل. والهدف هو تعليم الحواسيب التعرف على الأنماط الدقيقة للمرض، ولكن لا تزال هناك عقبة رئيسية: ضمان أن تتعلم هذه الحواسيب من العلامات الفعلية للمرض بدلاً من الأدلة العرضية المخفية في البيانات نفسها.

قام فريق من الباحثين من الهند بتطوير نهج جديد لهذا التحدي، حيث ابتكروا نظاماً مصمماً للكشف عن ست حالات رئوية مختلفة من صور الأشعة السينية بموثوقية عالية. يركز عملهم على مشكلة حرجة في الذكاء الاصطناعي الطبي: وهي أن مجموعات البيانات غالباً ما تكون منحازة. فإذا تم تدريب الحاسوب على صور من مستشفيات مختلفة، فقد يتعلم بالخطأ تحديد المستشفى أو الجهاز المستخدم في التقاط الصورة، بدلاً من تحديد المرض. ولمنع حدوث ذلك، بنى الباحثون إطار عمل يعامل جميع الصور بنفس الطريقة، مما يجردها من أي تلميحات حول مصدرها. لقد جمعوا أكثر من 13,000 صورة من مصادر عامة متنوعة، تغطي حالات مثل الالتهاب الرئوي، والسل، وسرطان الرئة، والرئة السليمة الطبيعية. ثم قاموا بموازنة البيانات بعناقة، لضمان رؤية الحاسوب لأمثلة كافية عن الأمراض النادرة لتعلمها بشكل صحيح، تماماً كما رأى الأمراض الشائعة.

اختبر الباحثون ثلاث نسخ مختلفة من بنية ذكاء اصطناعي شهيرة تُعرف باسم "ResNet"، والتي تعمل بمثابة عقل النظام. تباينت هذه النسخ في عمقها، أو تعقيدها؛ حيث كانت إحداها شبكة عميقة ومعقدة مكونة من 101 طبقة، والأخرى مكونة من 50 طبقة، والثالثة ذات تصميم أكثر إيجازاً مكون من 38 طبقة. وغالباً ما تشير الحكمة التقليدية في الذكاء الاصطناعي إلى أن الشبكات الأعمق والأكثر تعقيداً هي الأفضل دائماً لأنها تستطيع تعلم ميزات أكثر تفصيلاً. ومع ذلك، وجدت هذه الدراسة العكس تماماً بالنسبة لهذه المهمة الطبية؛ إذ كان النموذج الأكثر نجاحاً هو ذا الـ 38 طبقة، حيث حقق دقة تقارب 93 بالمائة، محددًا المرض بشكل صحيح في الغالبية العظمى من الحالات. أما النماذج الأعمق، رغم قوتها، فقد كان أداؤها أقل قليلاً، حيث سجلت دقة بلغت حوالي 87 و89 بالمائة. ويشير الباحثون إلى أنه بالنسبة لحجم وطبيعة مجموعة البيانات الطبية هذه، فإن التعقيد الإضافي للشبكات الأعمق قد أدى إلى جعلها تحفظ صور التدريب بدلاً من تعلم القواعد العامة للمرض، وهي ظاهرة تُعرف باسم "الإفراط في التخصيص" (overfitting).

ولضمان أن النظام ينظر حقاً إلى الرئتين وليس مجرد التخمين بناءً على ضوضاء الخلفية، استخدم الباحثون فحصاً ذكياً؛ حيث حاولوا تدريب نموذج لتحديد المستشفى أو قاعدة البيانات التي تنتمي إليها الصورة. فشل النموذج في هذه المهمة، وكان أداؤه بالكاد أفضل من الصدفة العشوائية. وكان هذا الفشل في الواقع نجاحاً للدراسة؛ فقد أثبت أن الصور قد تم توحيدها بنجاح، وأن نظام تصنيف الأمراض كان يتعلم من الاعتلال المرضي الفعلي، وليس من مصدر البيانات. علاوة على ذلك، استخدم الفريق تقنية تصور تسمى "Grad-CAM"، والتي تسلط الضوء على المناطق المحددة في الأشعة السينية التي ركز عليها الحاسوب لاتخاذ قراره. وقد راجع خبير طبي مؤهل هذه التوضيحات وأكد أن الحاسوب كان ينظر بالفعل إلى الأجزاء ذات الصلة من الرئتين، مثل البقع الضبابية للالتهاب الرئوي أو الأشكال المتميزة للأورام، بدلاً من العيوب العشوائية.

كما أخضعت الدراسة النتائج لاختبارات إحصائية صارمة لضمان أن النتائج ليست محض صدفة. ومن خلال تقسيم البيانات مراراً وتكراراً إلى مجموعات تدريب واختبار مختلفة، أكدوا أن أداء نموذج الـ 38 طبقة ظل مستقراً ومتسقاً. كما اختبروا النظام على مجموعة منفصلة تماماً من الصور التي لم يسبق له رؤيتها من قبل، وحافظ على مستوى عالٍ من الدقة، مما أظهر قدرته على تعميم معرفته على مرضى جدد. وخلص الباحثون إلى أنه في مجال التصوير الطبي، ليس الأكبر هو الأفضل دائماً؛ فنموذج متوسط الحجم ومضبوط بعناية، مدعوم بعملية تدريب واعية بالانحياز، يمكن أن يتفوق على نظائره الأعمق والأكثر تعقيداً. وتقدم هذه النتيجة مساراً عملياً للمضي قدماً في تطوير أدوات ذكاء اصطناعي موثوقة يمكنها مساعدة الأطباء في تشخيص أمراض الرئة بسرعة ودقة، مما قد ينقذ الأرواح عبر اكتشاف هذه الحالات في مراحل مبكرة.

أبحاث مشابهة