Brain tumor classification: A comparative analysis of deep learning techniques and impact of augmentation approaches on T1-CE MRI scans

يُعد الدماغ البشري مركز القيادة في الجسم، وهو عبارة عن شبكة معقدة من الخلايا التي تنسق التفكير والحركة والإحساس. وعندما تبدأ خلايا غير طبيعية في التكاثر بشكل لا يمكن السيطرة عليه داخل هذا العضو الحساس، فإنها تشكل أوراماً يمكن أن تعطل الوظائف الحيوية، وإذا تُركت دون علاج، قد تصبح مهددة للحياة. ويعتمد الأطباء على التصوير الطبي، وتحديداً التصوير بالرنين المغناطيسي، للنظر داخل الجمجمة ورصد هذه الأورام. تنتج هذه الفحوصات صوراً تفصيلية لأنسجة الدماغ، لكن تفسيرها يتطلب عيناً مدربة للتمييز بين أنواع الأورام المختلفة، مثل الأورام السحائية، والأورام الدبقية، وأورام الغدة النخامية، حيث يتطلب كل منها استراتيجية علاج مختلفة. وفي السنوات الأخيرة، توجه العلماء إلى الذكاء الاصطناعي للمساعدة في هذه المهمة الحرجة. ومن خلال تدريب البرامج الحاسوبية على التعرف على الأنماط في هذه الصور، يأمل الباحثون في إنشاء أدوات يمكنها تشخيص أورام الدماغ بشكل أسرع وأكثر دقة من الطرق التقليدية وحدها.

لقد سعى فريق من الباحثين في جامعة "أمريتا فيشوا فيديبيثام" في الهند لاختبار مدى كفاءة أنظمة الذكاء الاصطناعي هذه عند مواجهة تحدي البيانات المحدودة. ففي عالم التصوير الطبي، غالباً ما تكون الفحوصات عالية الجودة نادرة، ويتطلب تدريب الحاسوب على التعرف على مرض ما عادةً آلاف الأمثلة. ولحل هذه المشكلة، استكشف الفريق تقنية تسمى "تعزيز البيانات" (data augmentation). تتضمن هذه العملية أخذ الصور الموجودة وتعديلها رياضياً — عبر تدويرها، أو قلبها، أو ضبط سطوعها — لإنشاء نسخ اصطناعية جديدة. أراد الباحثون معرفة أي طريقة لإنشاء هذه الصور الإضافية هي الأفضل؛ حيث اختبروا التغييرات الهندسية القياسية، وتقنيات الخلط المتقدمة التي تدمج صورتين معاً، وطريقة متطورة تستخدم الشبكات التنافسية التوليدية (GANs)، وهي نوع من الذكاء الاصطناعي الذي ينشئ صوراً جديدة تماماً من الصفر.

ركزت الدراسة على مجموعة محددة مكونة من 3,064 صورة مسح للدماغ، تم التقاطها جميعها باستخدام عامل تباين لإبراز الأورام بوضوح. قام الفريق بتغذية هذه الصور في سبعة نماذج مختلفة من الذكاء الاصطناعي سابقة التدريب، وهي بمثابة أدمغة رقمية تعلمت بالفعل التعرف على الأنماط من كميات هائلة من البيانات الأخرى. واختبروا هذه النماذج لمعرفة أي منها يمكنه تحديد الأنواع الثلاثة الرئيسية لأورام الدماغ بشكل صحيح. وأظهرت النتائج أن نموذجاً معيناً، يُعرف باسم VGG-16، قد تفوق على غيره. حقق هذا النظام معدل دقة بلغ 92.45%، مما يعني أنه حدد نوع الورم بشكل صحيح في أكثر من تسع حالات من أصل عشر حالات. كما أظهر موثوقية عالية في التمييز بين الأورام والأنسجة السليمة، بنسبة نوعية بلغت 96.22%. ووجد الباحثون أن اختيار الأداة الرياضية المستخدمة لتعليم النموذج كان أمراً بالغ الأهمية؛ حيث ثبت أن طريقة تسمى "Adam" كانت الأكثر فعالية في توجيه عملية التعلم، مما ساعد النظام على الوصول إلى الإجابة الصحيحة بشكل أسرع وأكثر موثوقية من الخيارات الأخرى.

ولضمان أن هذه النتائج لم تكن مجرد ضربة حظ، أخضع الفريق أفضل نموذج لديهم لاختبارات صارمة. استخدموا طريقة تسمى "التحقق المتقاطع" (cross-validation)، والتي تتضمن تقسيم البيانات إلى خمس مجموعات مختلفة واختبار النموذج على كل منها لضمان عمله باستمرار. كما قارنوا بين الطرق المختلفة لإنشاء صور إضافية. ووجدت الدراسة أنه بينما كان إنشاء صور جديدة من الصفر باستخدام الشبكات التنافسية التوليدية نهجاً مثيراً للاهتمام، فإن النت\الأكثر اتساقاً جاءت من الطرق التقليدية البسيطة مثل تدوير وقلب المسحات الأصلية. فعندما قام الباحثون بخلط صورتين معاً أو استخدام النهج التوليدي المتقدم، لم يتحسن الأداء بشكل ملحوظ عن التقنيات القياسية. في الواقع، حقق النهج التقليدي النتائج الأكثر استقراراً عبر جميع الاختبارات، بمتوسط دقة يزيد عن 91%.

إن فهم كيفية اتخاذ الذكاء الاصطناعي لقرار ما لا يقل أهمية عن القرار نفسه، خاصة في الطب. إذ يحتاج الطبيب إلى معرفة ما إذا كان الحاسوب ينظر إلى الورم أم أنه يخمن بناءً على ظل عشوائي. ولمعالجة ذلك، استخدم الباحثون تقنية تسمى Grad-CAM، والتي تعمل مثل "كشاف ضوئي" لتركيز انتباه الحاسوب. تولد هذه الأداة خريطة حرارية تسلط الضوء على المناطق المحددة في مسح الدماغ التي أثرت على تنبؤ النموذج. وعند تطبيقها على نموذج VGG-16، أظهرت هذه الخرائط الحرارية بوضوح تركيز النظام على مناطق الورم الفعلية، مما أكد أن الذكاء الاصطناعي كان يتعلم السمات التشريحية الصحيحة بدلاً من الاعتماد على أنماط مضللة. وتعد هذه الشفافية خطوة حاسمة نحو بناء الثقة في هذه الأدوات للاستخدام السريري في العالم الحقيقي.

وعلى الرغم من هذه النتائج الواعدة، يقر الباحثون بأن لعملهم حدوداً. فقد اعتمدت الدراسة على مجموعة بيانات واحدة متاحة للجمهور، مما يعني أن قدرة النموذج على التعامل مع أنواع مختلفة من المسحات أو المعدات من مستشفيات أخرى لم تثبت بعد. علاوة على ذلك، يتطلب النموذج الأفضل أداءً قوة حوسبة كبيرة، مما قد يشكل عقبة أمام المستشفيات ذات الموارد المحدودة. ويقترح المؤلفون أن العمل المستقبلي يجب أن يستكشف نماذج أخف وأكثر كفاءة، واختبارها على مجموعة متنوعة من مسحات الدماغ، بما في ذلك أنواع مختلفة من صور الرنين المغناطيسي. كما يقترحون دمج هذه الأنظمة في سير العمل بالمستشفيات لمساعدة الأطباء في الوقت الفعلي. وفي الوقت الحالي، يوفر هذا البحث خارطة طريق واضحة، توضح أنه مع الجمع الصحيح بين إعداد البيانات واختيار النموذج، يمكن للذكاء الاصطناعي أن يعمل كشريك قوي وموثوق في المعركة ضد أورام الدماغ.