A Deep Learning–Based Framework for Lung Cancer Detection Using Medical Imaging.

لا يزال سرطان الرئة المسبب الرئيسي للوفاة بالسرطان في جميع أنحاء العالم، حيث يحصد أرواحاً أكثر مما تسببه سرطانات الثدي والقولون والمستقيم والبروستاتا مجتمعة. ولا يكمن التحدي الذي يواجه الأطباء في العثور على المرض فحسب، بل في رصده في وقت مبكر بما يكفي لإحداث فارق. ويتطلب هذا غالباً فحص آلاف الصور من فحوصات التصوير المقطعي المحوسب (CT)، بحثاً عن علامات دقيقة وصغيرة جداً لأنسجة غير طبيعية قد تخطئها العين البشرية أو تسيء تفسيرها. وفي السنوات الأخيرة، برز فرع من فروع الذكاء الاصطناعي يُعرف بالتعلم العميق كأداة قوية لهذه المهمة. هذه الأنظمة، المبنية على هياكل تسمى الشبكات العصبية الالتفافية، مصممة لمحاكاة الطريقة التي يعالج بها الدماغ المعلومات البصرية. فهي تتعلم التعرف على الأنماط من خلال مسح الصور، وتحديد الحواف والقوام، وبناء فهم معقد تدريجياً لما تبدو عليه الأنسجة السليمة مقابل الأنسجة المريضة. والهدف هو إنشاء مساعد حاسوبي يمكنه مساعدة أطباء الأشعة في اتخاذ قرارات أسرع وأكثر دقة، مما قد ينقذ الأرواح عبر رصد المرض قبل انتشاره.

قام باحث من جامعة كوفنتري وجامعة تريبوفان باختبار مدى كفاءة نوعين مختلفين من أنظمة الذكاء الاصطناعي هذه عند تكليفهما بتشخيص سرطان الرئة. وقد ركزوا على سؤال محدد غالباً ما يؤرق التكنولوجيا الطبية: هل من الأفضل امتلاك نظام يتميز بدقة متناهية ولكنه يتطلب قدرة حوسبة كبيرة، أم نظام أسرع وأخف وزناً ولكنه ربما أقل دقة بقليل؟ ولإيجاد الإجابة، قام الباحث بتدريب نموذجين متميزين على مجموعة مكونة من 1,097 صورة من صور التصوير المقطعي المحوسب. تم تصنيف هذه الصور إلى ثلاث مجموعات: رئات سليمة، ورئات تحتوي على نموات حميدة (غير سرطانية)، ورئات تحتوي على أورام خبيثة (سرطانية). أخذ الباحث هذه الصور، وعدل أحجامها، واستخدم تقنية تسمى "تعزيز البيانات"، والتي تنشئ تنويعات طفيفة لنفس الصورة عن طريق تدويرها أو قلبها، لتعليم الحواسيب التعرف على المرض تحت ظروف مختلفة.

كان النموذج الأول الذي اختبروه يسمى VGG16. وهذا نموذج ذو بنية عميقة ومعقدة يعمل مثل مجهر عالي التفاصيل، حيث يقشر طبقات الصورة للعثور على سمات محددة ودقيقة للغاية. أما النموذج الثاني، وهو MobileNetV2، فهو نظام أخف وأسرع بكثير مصمم للعمل بكفاءة على الأجهزة ذات القدرة الحوسبية المحدودة، مثل الهواتف المحمولة أو أجهزة الكمبيوتر القديمة في المستشفيات. وعندما ترك الباحث هذه النماذج تتعلم من البيانات، كان الفرق في أدائها صارخاً. فقد أثبت نموذج VGG16 أنه مشخّص حاد للغاية؛ فبعد التدريب، حدد حالة الرئتين بشكل صحيح في 97.22% من حالات الاختبار. وكان بارعاً بشكل خاص في التمييز بين الفئات الثلاث، حيث نادراً ما خلط بين النمو الحميد والرئة السليمة أو أغفل وجود ورم خبيث. تعلم النظام بسرعة، واستقرت دقته في غضون جولات قليلة فقط من التدريب، وحافظ على هذا المستوى العالي من الموثوقية طوال مرحلة الاختبار.

في المقابل، عانى نموذج MobileNetV2 في تحقيق نفس المستوى من الدقة. وبينما عالج الصور بسرعة أكبر واستخدم موارد أقل بكثير، استقرت دقته عند 68.33%. لاحظ الباحث أن هذا النموذج الأخف غالباً ما يخلط بين النموات الحميدة والأنسجة الطبيعية السليمة. وبدا أنه يفتقر إلى التفاصيل الدقيقة والناعمة التي يستطيع نموذج VGG16 العميق رصدها بسهولة. وأظهرت البيانات أنه رغم كفاءة MobileNetV2، إلا أنه افتقر إلى قدرة استخراج السمات المتطورة اللازمة للتعامل مع تعقيد التمييز بين ثلاث حالات طبية مختلفة في صورة واحدة. ولم يكن هذا الارتباك عشوائياً؛ فقد أخطأ النموذج بشكل متكرر في تصنيف الحالات الحميدة على أنها طبيعية، وهو نوع من الأخطاء قد يكون خطيراً في بيئة سريرية حقيقية حيث يمثل تفويت مشكلة محتملة مخاطرة كبيرة.

تخلص الدراسة إلى أنه لا يوجد نموذج واحد "أفضل" لكل موقف، بل هناك مقايضة واضحة بين الدقة والسرعة. لقد أظهرت بنية VGG16 أنه بالنسبة للقرارات الطبية عالية المخاطر حيث تكون الدقة هي الأهم، فإن قدرة الحوسبة الإضافية تستحق الاستثمار؛ فهي توفر مستوى من الموثوقية التشخيصية يجعلها مناسبة لبيئات المستشفيات حيث الهدف هو الحصول على الإجابة الصحيحة في كل مرة. ومن ناحية أخرى، رغم دقة MobileNetV2 المنخفضة، فإنه لا يزال يحتفظ بقيمته في البيئات محدودة الموارد حيث تكون السرعة والتكلفة المنخفضة هي الشواغل الأساسية. ويقترح الباحث أنه بينما لا يعد النموذج الأخف جاهزاً لاستبدال النموذج الأكثر دقة في التشخيصات الحرجة، إلا أنه يمكن أن يعمل كأداة مفيدة للفحص السريع في المناطق التي تفتقر إلى البنية التحتية الطبية المتقدمة. وفي نهاية المطاف، يسلط هذا العمل الضوء على أنه بينما يحمل الذكاء الاصطناعي وعوداً كبيرة في اكتشاف سرطان الرئة، فإن اختيار التكنولوجيا يجب أن يتناسب بعناية مع الاحتياجات المحددة للبيئة التي ستُستخدم فيها.