An Attention-Guided Transfer Learning Framework for Automated Basal Cell Carcinoma Diagnosis from Histopathological Images
تقترح هذه الدراسة إطار عمل للتعلم بنقل المعرفة موجّه بالانتباه، يدمج آلية انتباه هجينة للقنوات والمكان مع بنية EfficientNet-B2 لتحقيق دقة عالية، ومتانة، وقابلية للتفسير في التشخيص الآلي لسرطان الخلايا القاعدية في الفحص النسيجي المرضي.
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
يعد سرطان الجلد تهديداً شائعاً، ولكن هناك نوعاً واحداً على وجه الخصوص، وهو سرطان الخلايا القاعدية، يمكن علاجه بفعالية عالية إذا تم اكتشافه مبكراً. وتتمثل المعايير الذهبية لتشخيص هذا السرطان في قيام أخصائي علم الأمراض بفحص شريحة رقيقة جداً من الجلد تحت المجهر، بحثاً عن أنماط محددة في الخلايا تشير إلى وجود المرض. هذه العملية حيوية، ومع ذلك فهي بطيئة وتعتمد بشكل كبير على العين البشرية، التي قد تغفل أحياناً عن تفاصيل دقيقة أو تفسر الصورة نفسها بشكل مختلف عن خبير آخر. وفي السنوات الأخيرة، بدأ العلماء في تعليم الحواسيب كيفية النظر إلى هذه الصور المجهرية، آملين في إنشاء أدوات يمكنها مساعدة الأطباء عبر رصد علامات السرطان بالسرعة والاتساق. ويكمن التحدي في تعليم هذه الآلات التعرف على الأنسجة البشرية ذات القوام المعقد والمضطرب دون أن ترتبك بسبب الكم الهائل من البيانات أو العدد المحدود من الأمثلة المتاحة للتدريب.
لقد وضع فريق من الباحثين هدفاً لبناء طريقة أكثر ذكاءً للحواسيب لتشخيص هذا النوع المحدد من سرطان الجلد. وقد ركزوا على إنشاء نظام لا يكتفي فقط بإعطاء الإجابة الصحيحة، بل يوضح أيضاً طريقة عمله، مما يسمح للطبيب البشري برؤية الأجزاء المحددة من الصورة التي أدت بالكمبيوتر إلى استنتاجه. ولتحقيق ذلك، بدأوا بمجموعة تضم 1,150 صورة مجهرية لأنسجة الجلد، نصفها يظهر السرطان والنصف الآخر يظهر جلداً سليماً. ولأن هذا الرقم صغير نسبياً لتدريب كمبيوتر، استخدم الباحثون تقنية تسمى "تعزيز البيانات". تضمن ذلك أخذ الصور الموجودة وإنشاء نسخ عديدة معدلة قليلاً منها عن طريق تدويرها، أو قلبها، أو تعديل سطوعها. أدت هذه العملية إلى توسيع مكتبة التدريب الخاصة بهم لتصل إلى حوالي 6,000 صورة، مما منح الكمبيوتر أمثلة أكثر للتعلم منها دون الحاجة إلى جمع آلاف الشرائح الفيزيائية الجديدة.
اختبر الباحثون أنواعاً مختلفة من بنيات "أدمغة الكمبيوتر" سابقة التدريب، وهي تشبه أنماطاً مختلفة من محركات التفكير التي تعلمت بالفعل التعرف على الأشياء في الصور الفوتوغرافية العامة. وقد قاموا بضبط هذه المحركات بدقة للتركيز بشكل خاص على الأنماط الموجودة في أنسجة الجلد. ولجعل النظام أكثر حدة، أضافوا آلية "انتباه" خاصة. يمكنك التفكير في آلية الانتباه هذه ككشاف ضوئي يشعله الكمبيوتر داخل الصورة؛ فبدلاً من النظر إلى الصورة بأكملها بالتساوي، يجبر الكشاف الضوئي الكمبيوتر على التركيز بكثافة على تجمعات الخلايا المحددة التي تبدو كالسرطان، مع تجاهل الأنسجة السليمة المحيطة أو الضوضاء الخلفية التي قد تشتت انتباهه. اختبر الفريق هذا النهج على ثلاثة تصميمات مختلفة للمحركات لمعرفة أي مزيج سيعطي أفضل النتائج.
أظهرت النتائج أن النظام كان يعمل بشكل جيد للغاية. فقد نجح الإعداد الأكثر نجاحاً في الجمع بين تصميم محرك محدد وفعال وآلية انتباه الكشاف الضوئي. وفي الصور التي تعلم منها الكمبيوتر، حدد هذا النظام السرطان أو الأنسجة السليمة بشكل صحيح في 98.26% من الحالات. والأهم من ذلك، عندما اختبر الباحثون هذا النظام نفسه على مجموعة جديدة تماماً مكونة من 250 صورة لم يسبق له رؤيتها من قبل، مأخوذة من أرشيف مستشفى مختلف، ظل أداؤه قوياً، حيث حقق دقة بلغت 87.54%. هذا الاختبار على بيانات جديدة أمر بالغ الأهمية لأنه يثبت أن النظام لا يقوم بمجرد حفظ صور التدريب، بل يتعلم فعلياً القواعد الأساسية لما يبدو عليه السرطان. كما أثبت النظام أنه أسرع وأكثر كفاءة من العديد من النماذج المعقدة الأخرى التي اختبروها، مما يجعله مرشحاً عملياً للاستخدام في العالم الحقيقي.
وبعيداً عن مجرد الأرقام، نظر الباحثون في المكان الذي كان ينظر إليه الكمبيوتر. لقد قاموا بإنشاء خرائط بصرية توضح بالضبط الأجزاء التي اعتبرها الكمبيوتر مهمة. وقد سلطت هذه الخرائط الضوء باستمرار على أعشاش الخلايا السرطانية المحددة، وهو ما يتطابق مع المناطق التي يفحصها أخصائي علم الأمراض البشري. إن القدرة على الإشارة إلى المكان الصحيح تمنح الأطباء سبباً للثقة في قرار الكمبيوتر، مما يحول هذه الأداة من "صندوق أسود" غامض إلى مساعد شفاف. وتخلص الدراسة إلى أنه من خلال الجمع بين القدرة على التعلم من المعرفة الموجودة، وكفاءة التصميمات الحاسوبية المبسطة، والتركيز الذي توفره آلية الانتباه، فمن الممكن إنشاء أداة تشخيصية دقيقة وسريعة وقابلة للتفسير. وبينما يشير الباحثون إلى الحاجة إلى مزيد من الاختبارات على مجموعات أكبر وأكثر تنوعاً من المرضى، فإن عملهم يشير إلى مسار واضح لمساعدة أخصائيي علم الأمراض في تشخيص سرطان الجلد بشكل أكثر موثوقية وسرعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.