← أحدث الأبحاث
💻 computer science

An Adaptive Multi-Scale Multi-Expert Hybrid Deep Learning Framework for Explainable Breast Cancer Histopathological Image Classification

تقترح هذه الدراسة إطار عمل هجين للتعلم العميق متعدد المقاييس ومتعدد الخبراء وتكيفي يجمع بين EfficientNetB7 وVision Transformer مع دمج الميزات الديناميكي وصقل الانتباه لتحقيق دقة وقابلية للتفسير تضاهي أحدث ما توصل إليه العلم في تصنيف صور نسيج الثدي المرضية باستخدام مجموعة بيانات BreakHis.

المؤلفون الأصليون: Praveen Kumar Kalangi, Sammulal Porika

نُشر 2026-09-01
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Praveen Kumar Kalangi, Sammulal Porika

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

لا يزال سرطان الثدي يمثل أحد أهم التحديات الصحية التي تواجه النساء عالمياً، وهو مرض تعني فيه سرعة ودقة التشخيص الفرق بين الحياة والموت. لعقود من الزمن، اعتمد الأطباء على فحص شرائح رقيقة من الأنسجة تحت المجهر لتحديد المرض، من خلال البحث عن تغيرات طفيفة في أشكال الخلايا وكيفية ترتيبها. هذه العملية، المعروفة باسم علم الأمراض النسيجي (histopathology)، هي مسعى بشري يتطلب تركيزاً شديداً وخبرة، ومع ذلك فهي عرضة للإرهاق والاختلافات الطبيعية في كيفية تفسير الخبراء المختلفين لما يرونه. وفي السنوات الأخيرة، بدأت الحواسيب في المساعدة في هذه المهمة، باستخدام الذكاء الاصطناعي لمسح هذه الصور المجهرية وتحديد المشكلات المحتملة. ومع ذلك، غالباً ما تواجه هذه المساعدات الرقمية عملية توازن صعبة: فهي إما جيدة في رصد التفاصيل الدقيقة مثل نسيج خلية واحدة، أو جيدة في فهم المشهد الأوسع للنسيج، لكن نادراً ما تنجح في القيام بالأمرين معاً. وقد ترك هذا القصور فجوة في قدرة الآلات على محاكة الحكم الشمولي والمتأني الذي يتمتع به أخصائي الأمراض الماهر.

اقترح فريق من الباحثين من جامعة جواهر لال-نيهر التكنولوجية في حيدر آباد طريقة جديدة لسد هذه الفجوة. فقد طوروا نظاماً حاسوبياً هجيناً مصمماً للنظر إلى صور سرطان الثدي بالطريقة التي يفعلها الخبير البشري: من خلال الانتباه إلى كل من التفاصيل الصغيرة المحددة والسياق الأكبر في آن واحد. وبدلاً من الاعتماد على نوع واحد من الذكاء الاصطناعي، يجمع إطار عملهم بين نهجين مختلفين. جزء من النظام متخصص في رؤية التفاصيل المحلية الدقيقة، مثل شكل نواة الخلية أو نسيج الأنسجة المحيطة. أما الجزء الآخر، فقد صُمم لفهم العلاقات طويلة المدى بين الأجزاء المختلفة من الصورة، والتعرف على كيفية تنظيم مجموعات الخلايا في هياكل أكبر. ولا يكمن الابتكار في استخدام هذين الأداتين فحسب، بل في كيفية دمجهما؛ فبدلاً من إجبار الكمبيوتر على معاملة كل صورة بنفس الطريقة، يتعلم النظام اتخاذ قرار، لكل صورة محددة، بشأن مقدار الوزن الذي يجب إعطاؤه للتفاصيل المحلية مقابل السياق العالمي. إنها عملية ديناميكية حيث يكيف الكمبيوتر استراتيجيته الخاصة بناءً على ما يراه أمامه.

اختبر الباحثون هذا النظام التكيفي على مجموعة كبيرة من صور سرطان الثدي المعروفة باسم مجموعة بيانات (BreakHis)، والتي تحتوي على آلاف الشرائح المجهرية لمرضى يعانون من أنواع مختلفة من الأورام الحميدة والخبيثة. وقد تم التقاط هذه الصور بمستويات تكبير مختلفة، تتراوح من عرض واسع إلى نظرة قريبة جداً. قام الفريق بتدريب نموذجهم الهجين للتمييز بين ثمانية أنواع فرعية مختلفة من سرطان الثدي، وهي مهمة تتطلب التمييز بين أنماط نسيجية متشابهة للغاية. كانت النتائج مذهلة؛ فقد حقق النظام دقة بلغت 98.4 بالمائة، حيث حدد الغالبية العظمى من الحالات بشكل صحيح. والأهم من ذلك، أنه لم يكتفِ بالتخمين، بل قدم تفسيراً واضحاً لقراراته. فمن خلال استخدام تقنية تصور تسلط الضوء على المناطق المحددة في الصورة التي أثرت على اختيار الكمبيوتر، استطاع الباحثون إظهار الأجزاء المحددة من النسيج التي ركز عليها النموذج بالضبط. وقد تطابقت هذه المناطق المظللة مع المناطق التي يعتبرها أخصائيو الأمراض البشرية ذات أهمية تشخيصية، مثل تجمعات الخلايا غير المنتظمة أو هياكل الغدد غير الطبيعية.

كما تناولت الدراسة انتقاداً شائعاً للذكاء الاصطناعي في الطب، وهو مشكلة "الصندوق الأسود"، حيث يعطي الكمبيوتر إجابة دون شرح كيفية التوصل إليها. في هذا الإطار الجديد، يكون منطق الكمبيوتر مرئياً؛ فعندما يحدد النظام ورماً خبيثاً، فإنه ينتج خريطة حرارية تتوهج فوق الخلايا وأنماط الأنسجة المحددة التي أطلقت الإنذار. هذه الشفافية أمر بالغ الأهمية للاستخدام السريري، حيث تسمح للأطباء بالتحقق من أن الآلة تنظر إلى الأشياء الصحيحة. ووجد الباحثون أن طريقتهم تفوقت على العديد من النماذج المتقدمة الأخرى التي تعتمد على نوع واحد من الشبكات أو طريقة ثابتة لدمج المعلومات. ومن خلال السماح للنظام بتعديل كيفية دمج المعلومات ديناميكياً، أصبح النموذج أكثر قوة وموثوقية، حتى عند مواجهة الاختلافات الطبيعية الموجودة في العينات الطبية الواقعية.

وعلى الرغم من أن النتائج واعدة، إلا أن الباحثين حذرون من اعتبار ذلك خطوة للأمام وليس حلاً نهائياً. فقد تم اختبار النظام على مجموعة بيانات محددة ومتاحة للجمهور، ويشير المؤلفون إلى أن العمل المستقبلي سيتطلب التحقق من هذه النتائج على مجموعة متنوعة من الصور من مستشفيات مختلفة ومع تقنيات صبغ مختلفة. كما يخططون لاستكشاف كيفية تكييف النظام للعمل مع صور الشريحة الكاملة (whole-slide images)، والتي تعد أكبر بكثير وأكثر تعقيداً من الصور الفردية المستخدمة في هذه الدراسة. والهدف ليس استبدال أخصائي الأمراض، بل توفير أداة قوية وشفافة يمكنها المساعدة في تقليل عبء المراجعة اليدوية وضمان عدم تفويت أي علامات دقيقة للسرطان. وفي مجال يمكن أن تترجم فيه كل كسر من المائة في الدقة إلى إنقاذ أرواح، يقدم هذا النهج رؤية مقنعة لكيفية تعلم الذكاء الاصطناعي رؤية العالم بطريقة تكمل الخبرة البشرية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →