Deep Transfer Learning for Automated Cervical Cell-Type Classification in Pap-Smear Images: A Comparative and Explainable Study
تُظهر هذه الدراسة أن نموذج التعلم بنقل التعلم العميق القائم على ResNet50، والمعزز بتقنيات الذكاء الاصطناعي القابل للتفسير مثل Grad-CAM، يحقق دقة عالية (91.50%) في تصنيف خمسة أنواع متميزة من الخلايا العنقية من صور لطخة باب (Pap-smear)، رغم مواجهته لتحديات محددة في التمييز بين فئتي الخلايا الكيلوسيتية (Koilocytotic) والخلايا الميتابلاستيكية (Metaplastic).
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
في كل عام، تخضع ملايين النساء لاختبار فحص روتيني بسيط للتحقق من العلامات المبكرة لسرطان عنق الرحم. في هذا الإجراء، المعروف باسم مسحة عنق الرحم (Pap smear)، يقوم الطبيب بجمع عينة من الخلايا من عنق الرحم ويرسلها إلى مختبر. هناك، يقوم أخصائي علم الأمراض بفحص الخلايا تحت المجهر، بحثاً عن تغيرات طفيفة في شكلها وحجمها وقوامها قد تشير إلى وجود مرض. وبينما نجحت هذه الطريقة في إنقاذ أرواح لا حصر لها، إلا أنها تعتمد كلياً على العين البشرية والتقدير البشري. فعندما يتلقى المختبر آلاف العينات، يمكن أن تؤدي الضخامة الهائلة في الحجم إلى الإجهاد، كما يمكن أن يكون من السهل تفويت الفروق الدقيقة بين الخلية السليمة والخلية غير الطبيعية قليلاً. ولمساعدة ذلك، أمضى العلماء سنوات في محاولة تعليم الحواسيب قراءة هذه الصور، آملين في إنشاء مساعد موثوق يمكنه رصد علامات التحذير بنفس العناية التي يوليها الخبير البشري.
يكمن التحدي في تعقيد الخلايا نفسها؛ فخلايا عنق الرحم ليست متجانسة، بل تأتي في أنواع مختلفة، وبعض هذه الأنواع تبدو متشابهة للغاية مع بعضها البعض. ويتطلب التمييز بينها ملاحظة التفاصيل الدقيقة في النواة والسيتوبلازم المحيط بها. وغالباً ما يفشل برنامج الحاسوب الذي يكتفي ببساطة بعدّ البكسلات أو البحث عن الأشكال الأساسية لأنه لا يستطيع استيعاب هذه الأنماط البيولوجية الدقيقة. وهنا يأتي دور تقنية تسمى "تعلم النقل" (transfer learning). فبدلاً من تعليم الحاسوب الرؤية من الصفر، يأخذ الباحثون نموذجاً تعلم بالفعل التعرف على آلاف الأشياء اليومية - مثل القطط والسيارات والأشجار - ويقومون بتكييفه للنظر في الصور الطبية. والفكرة هي أن الحاسوب قد تعلم بالفعل كيفية اكتشاف الحواف والقوام والأشكال، ويمكنه تطبيق تلك المعرفة على المهمة الجديدة الأكثر صعوبة المتمثلة في تحديد أنواع الخلايا.
في دراسة حديثة، سعى الباحثون لاختبار مدى فعالية هذا النهج لمشكلة محددة وصعبة: وهي تصنيف خلايا عنق الرحم إلى خمس فئات متميزة. وتشمل هذه الفئات الخلايا التي تموت قبل أوانها، والخلايا المصابة بفيروس، والخلايا التي يتغير هيكلها، ونوعين من الخلايا السليمة التي غالباً ما يتم الخلط بينهما. جمع الفريق مجموعة تضم أكثر من خمسة آلاف صورة عالية الجودة لهذه الخلايا. ولضمان نتائج عادلة وموثوقة، قاموا بتقسيم هذه المجموعة إلى ثلاث مجموعات: مجموعة كبيرة لتعليم الحاسوب، ومجموعة متوسطة للتحقق من تقدمه أثناء التدريب، ومجموعة نهائية غير مرئية لاختبار معرفته في النها cuối الأمر. ثم قاموا بتدريب ثلاثة أنواع مختلفة من نماذج الحاسوب، كل منها يعتمد على بنية شهيرة سبق استخدامها لتحديد الأشياء في الطبيعة. وقد تم ضبط هذه النماذج بعناية، باستخدام تقنيات لضمان اهتمامها بأنواع الخلايا الأقل شيوعاً تماماً كما تهتم بالأنواع الشائعة.
أظهرت النتائج أن نماذج الحاسوب يمكنها بالفعل التمييز بين أنواع الخلايا الخمسة بدرجة عالية من الدقة. وكان أحد النماذج، المعروف باسم ResNet50، هو الأفضل أداءً. فعند اختباره على المجموعة النهائية من الصور التي لم يرها من قبل، حدد نوع الخلية بشكل صحيح في أكثر من واحد وتسعين بالمائة من الحالات. وهذا يعني أنه من بين كل مائة صورة، أجاب الحاسوب بشكل صحيح على تسع وتسعين منها. كان النموذج جيداً بشكل خاص في التمييز بين نوعي الخلايا السليمة، اللذين غال باستمرار الأكثر صعوبة في الفصل بينهما. ومع ذلك، فقد واجه بعض الصعوبة في التعامل مع الخلايا المصابة بالفيروس أو تلك التي تمر بتغيرات هيكلية؛ فهذه الأنواع المحددة من الخلايا تتسم بطبيعتها بالتنوع في مظهرها، مما يجعل تصنيفها بدقة من قبل أي نظام أمراً صعباً.
ولفهم كيفية اتخاذ الحاسوب لقراراته، استخدم الباحثون أداة تسلط الضوء على الأجزاء المحددة من الصورة التي ركز عليها النموذج. وعندما نظروا إلى هذه المناطق المظللة، وجدوا أن الحاسوب كان ينظر بالفعل إلى الخلية نفسها، وليس إلى الخلفية أو الضوضاء العشوائية. وهذه خطوة حاسمة لأنها تثبت أن النموذج يتعلم الأشياء الصحيحة. ومع ذلك، كشفت الدراسة أيضاً أنه حتى عندما كان الحاسوب واثقاً جداً من إجابته، لم يكن دائماً على صواب. ففي بعض الحالات، حدد بشكل خاطئ وبثقة خلية مصابة بفيروس على أنها خلية ميتة، أو العكس. وهذا يشير إلى أنه على الرغم من قوة هذه التكنولوجيا، إلا أنها ليست مثالية بعد لاستبدال الطبيب البشري. ويؤكد الباحثون أن هذه النتائج تمثل خطوة كبيرة للأمام نحو أتمتة عملية الفحص، لكنها ليست حلاً نهائياً؛ فقد تم اختبار النماذج على صور من مصدر واحد، بينما تتضمن الممارسة الطبية في العالم الحقيقي عينات من مختبرات مختلفة، باستخدام مجاهر وطرق صبغ متنوعة.
تخلص الدراسة إلى أنه على الرغم من أن تعلم النقل يوفر طريقة قوية وفعالة لبناء أنظمة مؤتمتة لتصنيف خلايا عنق الرحم، إلا أنه لا يزال هناك عمل يتعين القيام به قبل أن يمكن استخدام هذه الأدوات بأمان في العيادات. لقد أثبت الحاسوب قدرته على تعلم اللغة البصرية لهذه الخلايا، لكن الطريق نحو الاستخدام السريري يتطلب مزيداً من الاختبار على مجموعات متنوعة من المرضى وفهماً أعمق للمواضع التي قد يرتكب فيها النظام الأخطاء. وفي الوقت الحالي، فإن الدور الواعد لهذه التكنولوجيا هو العمل كأداة داعمة، تساعد في تقليل عبء العمل على أخصائيي علم الأمراض وتضمن عدم مرور أي علامة دقيقة للمرض دون ملاحظة، بدلاً من العمل كمنظم تشخيص مستقل. إن الرحلة من تجربة حاسوبية ناجحة إلى جهاز طبي منقذ للحياة هي رحلة طويلة، لكن هذا البحث يؤكد أن الأساس متين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.