VIT-DRN-OCAFF: An Optimized Cross-Attention Feature Fusion Framework for Multi- Class COVID-19 and Pulmonary Disease Diagnosis Using Thoracic CT Images

تعد الرئة البشرية عضواً معقداً وحساساً، وعندما تمرض، تكون العلامات دقيقة ويمكن الخلط بينها بسهولة. فقد يكون السعال، أو الحمى، أو الشعور بضيق التنفس إشارة إلى عدوى فيروسية شائعة، أو التهاب رئوي بكتيري، أو حالة أكثر خطورة مثل كوفيد-19. وبالنسبة للأطباء، يعد التمييز بين هذه الأسباب أمراً بالغ الأهمية، ومع ذلك، فإن الأعراض غالباً ما تتداخل، مما يجعل التشخيص السريع والدقيق تحدياً كبيراً. ولرؤية ما بداخل الصدر دون جراحة، يعتمد المتخصصون الطبيون على التصوير المقطعي المحوسب (CT)، الذي ينشئ صوراً تفصيلية لمقاطع عرضية للرئتين. وتكشف هذه الصور عن نسيج أنسجة الرئة، حيث تظهر مناطق العدوى أو السوائل أو الالتهاب. ومع ذلك، فإن قراءة آلاف من هذه الفحوصات تشكل عبئاً ثقيلاً على أطباء الأشعة، كما أن الاختلافات البصرية بين الأمراض المتشابهة قد تكون طفيفة جداً لدرجة أن الخبراء أنفسهم قد يغفلون عن تفصيل حاسم أو يخطئون في تحديد السبب.

في السنوات الأخيرة، بدأت الحواسيب في المساعدة في هذه المهمة، باستخدام الذكاء الاصطناعي لتعلم كيف تبدو الأمراض المختلفة في الفحص. وقد استخدمت المحاولات المبكرة أدوات التعرف على الصور القياسية، لكنها غالباً ما واجهت صعوبة في رؤية الصورة الكبيرة لكيفية انتشار المرض عبر الرئة مع ملاحظة البقع الصغيرة المحددة حيث تكون العدوى أكثر نشاطاً في آن واحد. وتقترح دراسة جديدة طريقة أكثر تقدماً لتعليم الكمبيوتر قراءة هذه الفحوصات، من خلال الجمع بين طريقتين مختلفتين للنظر في الصورة لإنشاء صورة أوضح للمرض. وقد هدف الباحثون إلى بناء نظام لا يمكنه فقط معرفة ما إذا كان المريض مريضاً، بل وأيضاً تحديد نوع المرض بدقة، سواء كان كوفيد-19، أو التهاباً رئوياً فيروسياً، أو التهاباً رئوياً بكتيرياً، أو مشاكل رئوية أخرى غير فيروسية.

قام الباحثون بتطوير إطار عمل حاسوبي جديد مصمم ليعمل كزوج من العيون الخبيرة التي تعمل معاً. جزء من النظام مدرب على النظر إلى صورة الرئة بأكملها دفعة واحدة، وفهم الأنماط الواسعة لكيفية انتشار العدوى عبر العضو. هذا الجزء جيد في رؤية "الغابة"، حيث يتعرف على الشكل العام وتوزيع المرض. أما الجزء الثاني من النظام، فيركز بكثافة على التفاصيل الصغيرة، حيث يقترب جداً ليجد الأنسجة والحواف المحددة للمناطق المصابة، مثل "الأشجار" في تلك الغابة. وبمفرده، قد يفتقد الجزء الأول بقعة صغيرة ولكنها حرجة من العدوى، بينما قد يضيع الجزء الثاني في التفاصيل دون فهم السياق العام. ويكمكم الابتكار في هذه الدراسة في كيفية ربط هذين الجزأين؛ فقد ابتكر الباحثون آلية خاصة تسمح للنظامين بالتواصل مع بعضهما البعض، والتحقق المستمر من رؤيتهما وتدقيقها. وتضمن هذه العملية أن يعطي الكمبيوتر الأولوية للميزات الأكثر أهمية للتشخيص مع تجاهل الضوضاء غير ذات الصلة أو الأنماط المربكة التي لا تساعد في تحديد المرض.

ولاختبار هذا النهج الجديد، جمع الفريق مجموعة ضخمة من فحوصات الرئة، بلغ مجموعها ما يقرب من 25,000 صورة. جاءت هذه الصور من قواعد بيانات طبية عامة ومن مستشفيات في الهند، لتغطي نطاقاً واسعاً من المرضى وشدة الأمراض. وتضمنت مجموعة البيانات فحوصات لأشخاص مصابين بكوفيد-19، والتهاب رئوي فيروسي، والتهاب رئوي بكتيري، وأولئك الذين يعانون من تشوهات رئوية أخرى غير فيروسية. وقبل أن يتمكن الكمبيوتر من التعلم من هذه الصور، قام الباحثون بتنظيفها وتحضيرها بعناة؛ حيث أزالوا أجزاء الجسم غير الضرورية من الفحوصات، وعدلوا السطوع والتباين لجعل المناطق المصابة أكثر وضوحاً، ونعموا أي ضوضاء حبيبية قد تربك النظام. وقد ضمن هذا التحضير أن يتعلم الكمبيوتر من العلامات الفعلية للمرض وليس من الشوائب الناتلة عن جهاز المسح.

بعد ذلك، تم تدريب الكمبيوتر على جزء كبير من هذه الصور، ليتعلم التعرف على البصمات الفريدة لكل مرض. وبمجرد اكتمال التدريب، تم اختبار النظام على مجموعة منفصلة من الصور التي لم يسبق له رؤيتها من قبل لمعرفة مدى قدرته على الأداء في سيناريو واقعي. وكانت النتائج مرتفعة بشكل ملحوظ؛ حيث حدد النظام نوع مرض الرئة بدقة بلغت (AUC) قدرها 0.99. وكان بارعاً بشكل خاص في تجنب الإنذارات الكاذبة، حيث حدد بدقة الرئات السليمة أو الحالات غير المرضية عند وجودها، ونادراً ما فاتته حالة حقيقية من العدوى. وعندما فكك الباحثون الأداء حسب نوع المرض، تفوق النظام في التمييز بين كوفيد-19 والعدوى الأخرى، محققاً دقة تقارب الكمال. كما قدم أداءً قوياً في الفصل بين الالتهاب الرئوي الفيروسي والالتهاب الرئوي البكتيري، وهما حالتان يصعب التمييز بينهما حتى بالنسبة للأطباء البشريين.

ولفهم سبب نجاح هذا النظام الجديد بهذا الشكل، قارنه الباحثون بالطرق القديمة. فقد اختبروا أدوات الرؤية الحاسوبية القياسية، ونماذج التعلم العميق التقليدية، وحتى الأنظمة المتقدمة الأخرى التي استخدمت واحداً فقط من النهجين المذكورين أعلاه. ورغم أن الطرق القديمة كانت أفضل من التخمين العشوائي، إلا أنها أخفقت باستمرار، حيث تراوحت معدلات الدقة فيها بين منتصف الثمانينات وأواخر التسعينات بالمئة. وقد تفوق النظام الجديد، الذي جمع بين الرؤية الواسعة والرؤية التفصيلية مع رابط التواصل الخاص به، على جميع تلك الطرق. كما أظهرت الدراسة أن النظام يتسم بالكفاءة، حيث يعالج الصور بسرعة كافية ليكون مفيداً في بيئة المستشفيات المزدحمة دون الحاجة إلى قدرات حوسبة مفرطة.

ولم يتوقف الباحثون عند مجرد الأرقام، بل نظروا أيضاً في كيفية "رؤية" النظام للصور. فقد قارنوا المناطق التي سلط الكمبيوتر الضوء عليها كأماكن مصابة مقابل المناطق المصابة الفعلية التي حددها الأطباء البشريون. وقد تطابق تركيز الكمبيوتر مع نتائج الخبراء البشريين بدقة عالية، حيث حدد بدقة حدود العدوى والأنسجة المحددة المرتبطة بكل مرض. ويشير هذا المستوى من الاتفاق إلى أن النظام لا يخمن بناءً على الأنماط فحسب، بل يتعلم بالفعل الخصائص البصرية للأمراض. وتخلص الدراسة إلى أن إطار العمل الجديد هذا يقدم أداة موثوقة للغاية لتشخيص أمراض الرئة من خلال الفحص المقطعي. ومن خلال الجمع بين الفهم الواسع لحالة الرئة والتركيز الحاد على الآفات المحددة، يوفر النظام مستوى من الدقة يمكن أن يساعد الأطباء بشكل كبير في اتخاذ قرارات أسرع وأكثر ثقة لمرضاهم. وبينما أجريت هذه الدراسة على مجموعة محددة من البيانات، فإن النتائج تشير إلى خطوة قوية نحو استخدام الذكاء الاصطناعي لدعم تشخيص الأمراض التنفسية.