Swin-TCN-XAI: A Hybrid End-to-End Framework for Explainable Multi-Class Brain Tumor MRI Classification

المحقق، ودفتر ملاحظات المحقق، والشيفرة السرية للدماغ

تخيل أنك محقق تحاول حل لغز داخل مدينة معقدة ومتعرجة. هذه المدينة هي الدماغ البشري، واللغز هو ورم خفي. لرؤية هذه المدينة، لا تستخدم مصباحاً يدوياً؛ بل تستخدم كاميرا خاصة تسمى التصوير بالرنين المغناطيسي (MRI) والتي تلتقط مئات الصور الرقيقة، شريحة تلو الأخرى، مثل صفحات الكتاب. لفترة طويلة، كان على الأطباء قراءة كل صفحة من هذا الكتاب يدوياً، بحثاً عن أدلة صغيرة تشير إلى وجود خطب ما. كان عملاً مرهقاً، وأحياناً كان أفضل المحققين يغفلون عن دليل لأن الصور كانت متشابهة جداً أو لأن الورم كان مخادعاً.

مؤخراً، بدأ العلماء في تعليم الحواسيب كيف تكون محققين. لقد بنوا نماذج "ذكاء اصطناعي" (AI) يمكنها النظر إلى صور الدماغ هذه والقول: "آه، أرى ورماً هنا!". لكن كان هناك عقبة؛ فهؤلاء المحققون الحاسوبيون كانوا غالباً بمثابة "صناديق سوداء". كانوا يعطونك الإجابة، لكنهم لا يستطيعون شرح لماذا اعتقدوا ذلك. كان الأمر يشبه صديقاً يخمن إجابة لغز دون أن يريك طريقة تفكيره. في الطب، معرفة "لما কেন" لا تقل أهمية عن معرفة "ما هو". إذا قال الحاسوب إن المريض لديه ورم، يحتاج الطبيب إلى رؤية الجزء الذي ينظر إليه الحاسوب بالضبط لكي يثق في الإجابة. تقدم هذه الورقة نوعاً جديداً من فرق التحقيق المصممة ليس فقط لحل اللغز بسرعة ودقة مذهلتين، بل وأيضاً لإظهار خطوات عملها، خطوة بخطوة، حتى يتمكن الأطباء من التحقق من الأدلة.

---

الفريق: فرقة تحقيق هجينة

أنشأ الباحثون وراء هذه الدراسة نظاماً جديداً يسمونه Swin-TCN-XAI. فكر في هذا النظام كفرقة تحقيق مكونة من جزئين تعملان معاً لحل قضية أورام الدماغ.

الجزء الأول: المراقب الفائق (Swin Transformer)
أولاً، تخيل مراقباً حاد البصر ينظر إلى صفحة واحدة من كتاب صور الدماغ. هذا المراقب هو الـ Swin Transformer. مهمته هي النظر إلى شريحة واحدة من الدماغ وإيجاد كل التفاصيل الصغيرة — الأشكال، الأنسجة، والأنماط — التي قد تبدو مثل الورم. إنه بارع جداً في رصد الأشياء في صورة واحدة، تماماً كما قد ترصد شخصية معينة في صورة مزدحمة.

الجزء الثاني: الراوي (TCN)
لكن الدماغ ليس مجرد صورة واحدة؛ إنه كتاب كامل من الصفحات المتراكمة فوق بعضها البعض. قد يبدو الورم غريباً في صفحة واحدة ولكنه يبدو طبيعياً في الصفحة التالية، أو قد يمتد عبر عدة صفحات. هنا يأتي دور المحقق الثاني، وهو الشبكة التلافيفية الزمنية (Temporal Convolutional Network - TCN). بينما ينظر المحقق الأول إلى صفحة واحدة، يقرأ الـ TCN قصة الصفحات. إنه ينظر إلى تسلسل الصور، فاهماً كيف تتصل شريحة بالأخرى. الأمر يشبه قراءة قصة مصورة بدلاً من مجرد النظر إلى لوحة واحدة؛ فهو يفهم التدفق والعلاقات بين الصفحات.

من خلال العمل الجماعي، يجد المراقب الفائق التفاصيل، ويفهم الراوي كيف تتناسب تلك التفاصيل مع بعضها في الفضاء ثلاثي الأبعاد. وتظهر الورقة أن هذا الفريق يعمل بشكل أفضل بكثير من استخدام أحدهما فقط.

الاختبار الكبير: لا مكان للتعميم الزائد!

كانت إحدى أكبر المشكلات التي واجهت فرق التحقيق الحاسوبية السابقة هي أنها كانت أحياناً تقع في فخ "التعميم الزائد" (Overfitting) أثناء تدريبها. تخيل لو كنت تدرس لاختبار ما، وأعطاك معلمك نفس الأسئلة التي تدربت عليها بالضبط في الاختبار. ستحصل على درجة كاملة، لكنك لن تكون قد تعلمت المادة فعلياً؛ بل قمت فقط بحفظ الإجابات.

في عالم فحوصات الدماغ، يحدث هذا إذا رأى الحاسوب شرائح من نفس المريض في كل من مجموعتي التدريب والاختبار. قد يحفظ الحاسوب أن "دماغ المريض (أ) يبدو بهذا الشكل" بدلاً من تعلم كيف يبدو الورم الحقيقي.

لقد كان مؤلفو هذه الورقة صارمين للغاية بشأن هذا الأمر. فقد تأكدوا أنه إذا كانت شرائح دماغ مريض ما موجودة في مجموعة التدريب، فلا يُسمح لأي من شرائح ذلك المريض بالتواجد في مجموعة الاختبار. لقد كان تقسيماً "على مستوى المريض". وهذا يعني أن على الحاسوب أن يثبت قدرته على التعرف على الورم لدى مريض جديد تماماً لم يره من قبل. هذا هو الاختبار الحقيقي لمعرفة ما إذا كان المحقق ذكياً حقاً أم مجرد حافظ للمعلومات.

النتائج: درجة تقارب المثالية

عندما وضعوا فريق Swin-TCN-XAI الجديد تحت اختبار هذا التحدي الصارم ضد التعميم الزائد، كانت النتائج مذهلة.

• الدقة: أصاب النظام في إجابته بنسبة 99.41%.
• حالة "لا يوجد ورم": كان النظام مثالياً في اكتشاف الأدمغة السليمة. لم يتهم شخصاً سليماً بوجود ورم أبداً (دقة 100%) ولم يخطئ في تحديد دماغ سليم (استدعاء 100%).
• الحالات الصعبة: حتى بالنسبة لأصعب أنواع الأورام في الرصد (الورم الدبقي - glioma)، كان النظام دقيقاً للغاية، حيث سجل درجة 0.9925 (وهي مقياسة لمدى توازنه بين إيجاد الأورام وعدم ارتكاب الأخطاء).

قارنت الورقة فريقهم بخمسة فرق تحقيق أخرى رفيعة المستوى (باستخدام طرق ذكاء اصطناعي مختلفة مثل LSTMs أو الشبكات العصبية التلافيفية القياسية CNNs). وقد تفوق فريق Swin-TCN عليهم جميعاً في كل مقياس. لم يكن مجرد أفضل قليلاً؛ بل كان الأفضل باستمرار.

سحر "القابلية للتفسير": إظهار خطوات العمل

الجزء الأكثر إثارة في هذه الورقة ليس فقط الدرجة العالية، بل هو جزء الـ XAI (الذكاء الاصطناعي القابل للتفسير). لم يرد المؤلفون مجرد "صندوق أسود"، بل أرادوا صندوقاً شفافاً. لقد أضافوا ثلاث أدوات مختلفة لمساعدة الحاسوب على شرح طريقة تفكيره:

1. Grad-CAM (أداة التحديد): تأخذ هذه الأداة صورة الدماغ وتحدد المواضع التي ينظر إليها الحاسوب بألوان زاهية. إذا قال الحاسوب "ورم"، فإن أداة التحديد تظهر بقعة حمراء متوهجة فوق الورم مباشرة. وتظهر الورقة أن الحاسوب ينظر بالفعل إلى الورم، وليس مجرد ضوضاء عشوائية أو حافة الجمجمة.
2. SHAP (بطاقة النقاط): تقوم هذه الأداة بتفكيك القرار مثل بطاقة نقاط. فهي تخبرك أي أجزاء محددة من الصورة ساهمت أكثر في التخمين النهائي. الأمر يشبه قول الحاسوب: "لقد قلت 'ورم' بسبب هذه الأنسجة المحددة هنا، وهذه الأشكال المحددة هناك".
3. LIME (المحقق المحلي): تنظر هذه الأداة إلى صورة واحدة وتسأل: "ماذا لو غطينا هذا الجزء الصغير؟ هل ستتغير الإجابة؟". وهي تساعد في التحقق من أن القرار مبني على الآفة الفعلية وليس على خلل غريب في الصورة.

وجدت الورقة أن الأدوات الثلاث كانت متفقة مع بعضها البعض. فكلها أشارت إلى نفس المواقع التشريحية، مما يؤكد أن الحاسوب كان يتخذ قراراته بناءً على أدلة طبية حقيقية، وليس مجرد تخمينات عشوائية.

ماذا يعني هذا (وماذا لا يعني)

المؤلفون واضحون جداً بشأن ما حققوه وما لم يحققوه. لقد أثبتوا أن هذا الفريق الهجين المحدد (Swin + TCN) دقيق للغاية وموثوق لتصنيف أربعة أنواع من حالات الدماغ: الورم الدبقي (Glioma)، الورم السحائي (Meningioma)، أورام الغدة النخامية (Pituitary tumors)، و"لا يوجد ورم". لقد أظهروا أن النظر إلى تسلسل الشرائح (القصة) أفضل من النظر إليها واحدة تلو الأخرى.

ومع ذلك، تشير الورقة أيضاً إلى أن هذا النهج هو نهج "شريحة بشريحة". الحاسوب يقرأ صفحات الكتاب واحدة تلو الأخرى، رغم أنه يفهم الترتيب. لم يتعلم بعد كيفية النظر إلى حجم الدماغ ثلاثي الأبعاد بالكامل دفعة واحدة، وهو ما قد يكون أفضل للأشكال المعقدة. وأيضاً، بينما يبرع النظام في شرح أين نظر، يعترف المؤلفون بأنه لا يشرح تماماً السبب السببي (الـ "لماذا" العميقة) بطريقة تحل محل حكم الطبيب.

تخلص الورقة إلى أن هذا الإطار يعد أداة قوية للأطباء. هو ليس هنا ليحل محل اختصاصي الأشعة، بل ليعمل كـ "رأي ثانٍ" فائق الذكاء يوضح خطوات عمله، مما يساعد الأطباء على اتخاذ قرارات أسرع وأكثر ثقة. إنها خطوة نحو مستقبل لا يعطي فيه الذكاء الاصطناعي الإجابات فحسب، بل يساعدنا أيضاً على فهم لغز الدماغ معنا.