Feature Fusion Based Deep Learning Framework for Brain Tumor Classification

يعتبر الدماغ البشري عضواً معقداً، وعندما تظهر فيه نموات غير طبيعية، تُعرف بالأورام، تصبح الرهانات في عملية التشخيص عالية للغاية. يمكن أن تكون هذه النموات حميدة أو مهددة للحياة، ويحدد موقعها وحجمها ونوعها النوعي كيفية تعامل الأطباء معها. ولعقود من الزمن، ظل التصوير بالرنين المغناطيسي (MRI) هو المعيار الذهبي للنظر داخل الجمجمة، حيث يوفر صوراً تفصيلية للأنسجة الرخوة دون استخدام الإشعاع. ومع ذلك، فإن قراءة هذه الصور مهمة صعبة؛ فهناك أكثر من مائة نوع مختلف من أورام الدماغ، وحتى أخصائيو الأشعة ذوو الخبرة قد يجدون صعوبة في التمييز بينها، خاصة عندما تكون الاختلافات البصرية دقيقة. إن التشخيص المفقود أو المتأخر يمكن أن يغير حالة المريض، مما يخلق حاجة ملحة لأدوات يمكنها مساعدة الأطباء في اتخاذ قرارات أسرع وأكثر دقة.

في السنوات الأخيرة، برز فرع من الذكاء الاصطناعي يُسمى "التعلم العميق" كحليف قوي في هذه المعركة. تم تصميم هذه الأنظمة الحاسوبية لتتعلم من كميات هائلة من البيانات، تماماً مثل طالب يدرس آلاف الأمثلة للتعرف على الأنماط. وفي سياق التصوير الطبي، يمكن لهذه الأنظمة تحليل صور الرنين المغناطيسي لتحديد الأورام. ومع ذلك، غالباً ما يعتمد نموذج حاسوبي واحد على طريقة واحدة محددة للنظر إلى الصورة، مما قد يحد من قدرته على رؤية الصورة الكاملة. وللتغلب على ذلك، يستكشف الباحثون الآن طرقاً لدمج نقاط قوة نماذج متعددة، مما يخلق نظاماً ليس أكثر دقة فحسب، بل قادراً أيضاً على شرح منطقه للأطباء البشريين. وتعد هذه الشفافية أمراً بالغ الأهمية، حيث يحتاج المهنيون الطبيون إلى الثقة في المنطق الكامن و want وراء التشخيص قبل أن يتمكنوا من الاعتماد عليه في بيئة سريرية.

قام فريق من الباحثين في الجامعة الوطنية للعلوم والتكنولوجيا في باكستان بتطوير إطار عمل جديد يعالج هذه التحديات مباشرة. يركز عملهم على مشكلة تصنيف سباعية الفئات، مما يعني أن النظام يجب أن يميز بين ستة أنواع مختلفة من أورام الدماغ وفئة واحدة من أنسجة الدماغ السليمة. وتشمل الأورام التي درسوها: الورم الدبقي (glioma)، والورم السحائي (meningioma)، والورم النخامي (pituitary tumor)، والورم النجمي (astrocytoma)، والورم العصبي (ependymoma)، والورم العصباني (schwannoma). لبناء نظامهم، لم يعتمد الباحثون على نموذج واحد للذكاء الاصطناعي، بل بدأوا بست بنيات مختلفة وموجودة مسبقاً للتعلم العميق، تم تدريب كل منها على ملايين الصور العامة ثم تم ضبطها بدقة للتعرف على أورام الدماغ. وقد تم تدريب هذه النماذج الستة، والتي تشمل تصميمات معروفة مثل Xception و VGG16 و InceptionV3، بشكل منفصل على مجموعة بيانات مكونة من 11,288 صورة رنين مغناطيسي.

يكمن الابتكار الجوهري لهذا البحث في كيفية جمع هذه النماذج المنفصلة. فبدلاً من ترك كل نموذج يصوت على التشخيص ويأخذ رأي الأغلبية، قام الباحثون بدمج البيانات الداخلية الفعلية التي استخدمتها النماذج لاتخاذ قراراتها. تخيل كل نموذج كخبير ينظر إلى الورم من خلال عدسة مختلفة؛ فقد يكون أحدهم بارعاً في رصد الأنسجة الدقيقة، بينما يكون الآخر أفضل في رؤية الشكل العام. لقد أخذ الباحثون الأوصاف التفصيلية للورم التي أنشأها كل نموذج ودمجوها في وصف واحد أكثر ثراءً. وقاموا باختبار كل التوليفات الممكنة لهذه النماذج الستة، مما نتج عنه خمسة عشر مزيجاً هجيناً مختلفاً. سمحت هذه المنهجية المنهجية لهم برؤية أي التوليفات كانت تعمل بشكل أفضل، متجاوزين مرحلة التخمين للعثور على الفريق الأمثل من الخبراء.

كانت نتائج هذا الاختبار المكثف واضحة؛ حيث أثبت الجمع بين نموذجي InceptionV3 و VGG16 أنه الأكثر فعالية. وعند اختباره على مجموعة أخرى من الصور لم يسبق له رؤيتها، حقق هذا النظام الهجين دقة بلغت 97.87 بالمائة. لقد حدد نوع الورم بدقة في كل حالة تقريباً، مع وجود أخطاء قليلة جداً. كان هذا الأداء أفضل بكثير من أي من النماذج الفردية التي تعمل بمفردها. ووجد الباحثون أنه من خلال دمج نقاط القوة الفريدة لهذين التصميمين، استطاع النظام التقاط نطاق أوسع من التفاصيل، مما سمح له بالتمييز بين الأورام التي تبدو متشابهة جداً للعين البشرية. ومع ذلك، أشارت الدراسة إلى أنه بينما كان النظام يعمل جيداً بشكل عام، فقد أظهر "استدعاءً" (recall) أقل نوعاً ما للورم النجمي (astrocytoma) مقارنة بالفئات الأخرى، مما يشير إلى تباين أعلى ضمن هذا النوع المحدد من الأورام وتشابه بصري أقوى مع أورام أخرى مرتبطة بالورم الدبقي.

ومع ذلك، فإن الدقة وحدها ليست كافية لجعل الأداة مفيدة في المستشفى؛ إذ يحتاج الأطباء إلى معرفة سبب اتخاذ الحاسوب لقرار معين. ولمعالجة ذلك، زود الباحثون نظامهم الأفضل أداءً بطريقتين مختلفتين لتصور عملية تفكيره. الطريقة الأولى تنشئ خريطة حرارية، تسلط الضوء على المناطق المحددة في صورة الرنني المغناطيسي التي ركز عليها الحاسوب عند اتخاذ قراره. أما الطريقة الثانية فتعمل عن طريق تغطية أجزاء من الصورة مؤقتاً لمعرفة ما إذا كانت ثقة الحاسوب ستنخفض، مما يؤكد أن تلك الأجزاء المخفية كانت مهمة بالفعل. وعندما طبق الباحثون هذه التقنيات، وجدوا أن النظام ركز باستمرار على مناطق الورم الفعلية، متجاهلاً أنسجة الدماغ السليمة المحيطة بها. يساعد هذا الإثبات البصري في سد الفجوة بين خوارزمية "الصندوق الأسود" والمساعد الطبي الموثوق، حيث يوضح للأطباء بالضبط ما يراه الجهاز.

ولضمان أن هذا النجاح لم يكن مجرد ضربة حظ ناتجة عن البيانات المحددة التي استخدموها، اختبر الفريق أفضل نموذج لديهم على مجموعة مختلفة تماماً من الصور من مصدر آخر. تضمنت هذه الاختبارات الخارجية 234 صورة رنين مغناطيسي تمثل خمسة أنواع مختلفة من الأورام وفئة غير ورمية. حافظ النظام على مستوى عالٍ من الأداء، حيث صنف الغالبية العظمى من هذه الحالات الجديدة بشكل صحيح. وتعد هذه الخطوة حيوية لأنها تثبت أن النظام يمكنه تعميم معرفته على مرضى جدد وظروف تصوير مختلفة، بدلاً من مجرد حفظ بيانات التدريب. وأشار الباحثون إلى أنه رغم أداء النظام الاستثنائي، إلا أنه ليس مثالياً؛ فعلى سبيل المثال، أظهر صعوبة طفيفة مع نوع واحد محدد من الأورام، مما يشير إلى وجود مجال للتحسين.

خلصت الدراسة إلى أن دمج نماذج التعلم العمما المتعددة من خلال "دمج الميزات" (feature fusion) يخلق أداة تشخيصية أكثر قوة ودقة من استخدام نموذج واحد. ومن خلال اختبار خمسة عشر زوجاً بشكل منهجي، حدد الباحثون مزيجاً معيناً تفوق على جميع الآخرين. علاوة على على ذلك، ومن خلال دمج أدوات التفسير البصري، جعلوا قرارات النظام شفافة ومفهومة. وبينما يظهر هذا الإطار وعداً كبيراً، يقر المؤلفون بأن العمل المستقبلي سيتطلب اختبار النظام على مجموعات بيانات أكبر وأكثر تنوعاً من مستشفيات مختلفة لتأكيد موثوقيته بالكامل. وفي الوقت الحالي، يمثل هذا البحث خطوة كبيرة للأمام، حيث يوفر مساراً واضحاً نحو أنظمة ذكاء اصطناعي يمكنها مساعدة الأطباء في تشخيص أورام الدماغ بسرعة ودقة وثقة أكبر.