EfficientNet-B5 Based Breast Tumor Classification from CWT Morlet Scalogram Images of Microwave S-Parameters
تقترح هذه الورقة طريقة تعزيز على مستوى الإشارة موجهة بالطاقة للتغلب على ندرة البيانات في تصوير الثدي بالموجات الدقيقة، محققةً دقة بنسبة 94.7% في تصنيف الأورام الحميدة والخبيثة عن طريق تحويل استجابات معاملات S المُعززة إلى مخططات "سكالوجرام" من نوع "Morlet CWT" وضبط نموذج مصنف "EfficientNet-B5" بدقة.
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 في جميع أنحاء العالم، وغالبًا ما يكون الاكتشاف المبكر هو الفارق بين الحياة والموت. لعقود من الزمن، اعتمد الأطباء على أدوات مثل تصوير الثدي بالأشعة السينية (الماموجرام)، الذي يستخدم الأشعة السينية، أو الموجات فوق الصوتية، التي تستخدم الموجات الصوتية، للنظر داخل الثدي. وبينما تعد هذه الطرق فعالة، إلا أنها تنطوي على عيوب: فالأشعة السينية تتضمن إشعاعًا ويمكن أن تكون غير مريحة لأن الثدي يجب أن يُضغط بشكل مسطح، بينما يمكن أن تختلف نتائج الموجات فوق الصوتية بناءً على مهارة الفني. وفي السنوات الأخيرة، وجه العلماء اهتمامهم إلى نوع مختلف من الموجات: الموجات الدقيقة (الميكروويف). وخلافًا للأشعة السينية، فإن الموجات الدقيقة هي شكل من أشكال الإشعاع غير المؤين، مما يعني أنها لا تحمل نفس المخاطر المتمثلة في إتلاف الحمض النووي، ولا تتطلب ضغط الثدي. وتعمل هذه التقنية لأن الأنسجة السرطانية تتصرف بشكل مختلف عن الأنسجة السليمة عند تعرضها لهذه الموجات؛ حيث يمتص الورم الطاقة ويعكسها بطريقة فريدة. ومع ذلك، كان تعليم الكمبيوتر التعرف على هذه الاختلافات الدقيقة أمرًا صعبًا بسبب وجود أمثلة قليلة جدًا في الواقع لإشارات الموجات الدقيقة الناتجة عن أورام الثدي للتعلم منها.
قام فريق من الباحثين في المعهد الوطني للتكنولوجيا في سيلشار بالهند بتطوير طريقة جديدة لحل مشكلة نقص البيانات هذه، مما سمح لهم بتدريب برامج كمبيوتر قوية للتمييز بين أورام الثدي الحميدة والخطيرة باستخدام إشارات الموجات الدقيقة. وبدلاً من محاولة العثور على المزيد من المرضى أو بناء معدات أكثر تكلفة، ابتكر الباحثون طريقة لمضاعفة البيانات الموجودة لديهم بذكاء. بدأوا بقياس كيفية ارتداد إشارات الموجات الدقيقة ومرورها عبر نموذج لثدي بشري، يُعرف باسم "الفانتوم" (النموذج المحاكي)، والذي صُمم ليحاكي الخصائص الكهربائية للأنسجة الحقيقية. وقد تضمن هذا النموذج أنسجة سليمة وأورامًا محاكية، بعضها حميد وبعضها خبيث. وباستخدام زوج من الهوائيات الصغيرة، سجلوا الإشارات أثناء تحركها حول النموذج، ملتقطين آلاف النقاط البيانية التي تمثل "بصمة" فريدة للبنية الداخلية للثدي.
كان التحدي يكمن في أن هذه الإشارات الخام كانت قليلة جدًا لتعليم نظام كمبيوتر متطور بشكل فعال. فإذا قام الباحثون ببساطة بنسخ البيانات أو إجراء تغييرات عشوائية عليها، فسوف يتعلم الكمبيوتر الأنماط الخاطئة أو يفقد الإشارات الدقيقة التي تشير إلى وجود ورم. ولحل هذه المشكلة، وضع الفريق استراتيجية تعتمد على الطاقة الموجودة داخل الإشارات. فقد أدركوا أن ليس كل جزء من الإشارة له نفس الأهمية؛ إذ تحتوي بعض الأجزاء على أقوى المعلومات حول الورم، بينما تكون أجزاء أخرى مجرد ضوضاء خلفية. لذا قاموا بتقسيم الإشارات إلى قطع بناءً على مقدار الطاقة التي يحملها كل جزء، بدلاً من مجرد قطعها إلى شرائح زمنية متساوية. ثم قاموا بعناية بتجميع القطع الأكثر غنى بالمعلومات من إشارات مختلفة من النوع نفسه — حيث خلطوا القطع الحميدة مع قطع حميدة أخرى، والقطع الخبيثة مع الخبيثة. ولضمان ألا تبدو الإشارات الجديدة متقطعة أو مصطنعة، قاموا بتنعيم الوصلات بين القطع. أدت هذه العملية إلى إنشاء آلاف الأمثلة التدريبية الجديدة من مجموعة أصلية صغيرة، مما علم الكمبيوتر بفعالية ما يجب البحث عنه دون اختراع بيانات وهمية.
بمجرد حصولهم على هذه المكتبة الموسعة من الإشارات، قام الباحثون بتحويلها إلى صور يمكن للكمبيوتر فهمها بسهولة. لقد حولوا بيانات الموجات الخام إلى خرائط بصرية تسمى "السكالوجرام" (المخططات الطيفية)، والتي توضح كيف تتغير ترددات الإشارة وقوتها بمرور الوقت، تمامًا كما تُظهر النوتة الموسيقية تغير النغمات بمرور الوقت. ثم تم تغذية هذه الصور في نموذج تعلم عميق، وهو نوع من الذكاء الاصطناعي المصمم للتعرف على الأنماط في الصور. واختبر الباحثون عدة نماذج مختلفة، لكنهم وجدوا أن بنية محددة، تُعرف باسم EfficientNet-B5، كانت الأفضل أداءً. فقد تمكن هذا النموذج من تعلم الأنماط البصرية المعقدة في صور الموجات الدقيقة التي تميز بين النمو الحميد والنمو الخبيث.
كانت نتائج هذا النهج مبهرة. فعند اختبار النظام على بيانات لم يسبق له رؤيتها، حدد نوع الورم بدقة تقترب من 95 في المائة من الحالات. وكانت هذه الدقة أعلى من نماذج الكمبيوتر الشهيرة الأخرى التي اختُبرت في نفس الدراسة، كما تفوقت على العديد من الدراسات الحديثة التي استخدمت طرق تصوير مختلفة مثل الموجات فوق الصوتية أو الكاميرات الحرارية. كما تحقق الباحثون من مدى استقرار نظامهم من خلال اختباره عدة مرات باستخدام تقسيمات مختلفة من البيانات، وظلت النتائج مرتفقة باستمرار مع تباين ضئيل جدًا. ووجدوا أنه كلما استخدموا طريقتهم القائمة على الطاقة لتوسيع البيانات، أصبح الكمبيوتر أفضل في اتخاذ القرار الصحيح، وصولاً إلى نقطة معينة يبدأ عندها إضافة المزيد من البيانات في تقديم عوائد متناقصة.
يشير هذا العمل إلى أن تصوير الموجات الدقيقة، عندما يقترن بتقنيات البيانات الذكية، يمكن أن يصبح بديلاً قابلاً للتطبيق ومريحاً وآمناً لفحص سرطان الثدي. فهذه الطريقة لا تتطلب تعرض المريضة للإشعاع أو تعرضها للضغط الجسدي، مما يجعلها خياراً قد يكون أكثر ملاءمة للمرضى. ورغم أن الدراسة أجريت باستخدام نموذج لثدي وليس على مرضى حقيقيين، إلا أن المستوى العالي من الدقة الذي تحقق في هذه التجارות المنضبطة يوفر أساساً قوياً للتطوير المستقبلي. لقد أثبت الباحثون أنه من خلال فهم فيزياء الإشارات واستخدام تلك المعرفة لتوليد بيانات تدريب أفضل، من الممكن التغلب على قيود مجموعات البيانات الصغيرة وبناء أدوات موثوقة للكشف المبكر عن السرطان.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.