Lung Cancer Classification from CT Images: A Comparative Study of SVM, Modified CNN, and EfficientNet–SVM Hybrid Models
تقدم هذه الورقة إطار عمل شاملاً للتشخيص بمساعدة الحاسوب لتصنيف سرطان الرئة على مجموعة بيانات IQ-OTH/NCCD CT، مُظهرةً أن بنية الشبكة العصبية التلافيفية (CNN) المعدلة والمعززة بالتطبيع الدفعي تتفوق على كل من نهج SVM التقليدي ونموذج EfficientNet–SVM الهجين من خلال تحقيق دقة اختبار بلغت 99.41%.
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
لا يزال سرطان الرئة السبب الرئيسي للوفاة الناجمة عن السرطان في جميع أنحاء العالم، حيث يحصد ملايين الأرواح سنوياً. وغالباً ما يكمن الفرق بين النجاة والمأساة في التوقيت؛ فعندما يتم اكتشاف المرض مبكراً، بينما لا يزال مجرد بقعة صغيرة موضعية، تكون فرصة البقاء على قيد الحياة لمدة خمس سنوات عالية. أما بمجرد انتشاره، فإن هذه الفرصة تنخفض بشكل حاد. ويعتمد الأطباء بشكل كبير على التصوير المقطعي المحوسب، أو الأشعة المقطعية، للعثور على هذه العلامات المبكرة. يقوم التصوير المقطعي بإنشاء خريطة ثلاثية الأبعاد مفصلة للرئتين من خلال أخذ مئات الصور المقطعية الرقيقة. ومع ذلك، فإن قراءة هذه الأشعة مهمة شاقة بالنسبة لأطباء الأشعة البشر. فقد تحتوي أشعة المريض الواحد على مئات الشرائح، ويمكن أن تكون العُقيدات المبكرة التي تشير إلى السرطان دقيقة، أو يسهل تفويتها، أو الخلط بينها وبين بقع غير ضارة. وقد دفع هذا العبء المعرفي واحتمالية الخطأ البشري الباحثين إلى تطوير أنظمة حاسوبية يمكنها المساعدة في رصد هذه الأنماط الخطيرة.
وفي هذا السياق، شرع فريق من الباحثين من بنغلاديش والولايات المتحدة في بناء واختبار نوع جديد من نظام التشخيص بمساعدة الحاسوب. لقد ركزوا على تحدٍ محدد: تعليم الحاسوب كيفية النظر إلى شرائح الأشعة المقطعية وتصنيفها بشكل صحيح إلى ثلاث فئات: أنسجة الرئة الطبيعية، والعُقيدات الحميدة (غير الضارة)، والعُقيدات الخبيثة (السرطانية). عمل الباحثون مع مجموعة عامة تضم أكثر من ألف شريحة من الأشعة المقطعية لـ 110 مرضى. ويتمثل أحد العقبات الرئيسية في هذا العمل في أن البيانات غير متوازنة؛ حيث يوجد عدد أكبر بكثير من صور الرئات المصابة بالسرطان مقارنة بالصور السليمة. وإذا تم تدريب الحاسوب على مثل هذه البيانات غير المتكافئة، فإنه يميل إلى تجاهل الحالات النادرة، وهو عكس ما يحتاجه الأطباء تماماً. ولحل هذه المشكلة، لم يعتمد الفريق على طريقة واحدة، بل بنوا إطار عمل شاملاً اختبر أربعة نهج مختلفة جنباً إلى جنب لمعرفة أيها يعمل بشكل أفضل.
كان النهج الأول الذي استكشفه الفريق هو الطريقة التقليدية التي تعتمد على قواعد صممها البشر. فقد أخذوا صور الأشعة المقطعية الخام وقاموا بتنظيفها باستخدام سلسلة من الخطوات: تنعيم الضجيج الحبيبي، وزيادة تباين السطوع لإبراز الميزات، وتتبع حواف أنسجة الرئة لعزلها عن بقية الجسم. ومن هذه الصور المنظفة، استخرجوا أوصافاً رقمية محددة للملمس والشكل والسطوع للبقع. ثم أدخلوا هذه الأرقام في مصنف رياضي يُعرف باسم "آلة متجه الدعم" (Support Vector Machine). وللتعامل مع عدم التوازن في البيانات، اختبروا ست استراتيجيات مختلفة لموازنة عدد الأمثلة التي يراها الحاسوب اصطناعياً، مثل تكرار الحالات النادرة أو إنشاء أمثلة اصطناعية جديدة تشبه الحالات النادرة. كما اختبروا ثلاث طرق مختلفة ليقوم الحاسوب بقياس المسافة بين نقاط البيانات. وكانت النسخة الأكثر نجاحاً من هذا النهج التقليدي تستخدم استراتيجية محددة لموازنة البيانات وطريقة غير خطية لقياس المسافات، محققة دقة متوازنة تقترب من 99 بالمائة.
أما النهج الثاني فقد تخلى عن القواعد المصممة بشرياً وترك الحاسوب يتعلم الأنماط من تلقاء نفسه باستخدام نموذج التعلم العميق المعروف باسم الشبكة العصبية الالتفافية (CNN). بدأ الفريق بنسخة أساسية من هذه الشبكة، وهي في الأساس عبارة عن مجموعة من الطبقات التي تمسح الصورة للعثور على الحواف البسيطة، ثم الأشكال، وأخيراً الهياكل المعقدة. أدى هذا النموذج الأساسي أداءً جيداً للغاية، حيث حدد حالة الرئة بشكل صحيح في ما يقرب من 99 بالمائة من حالات الاختبار. ومع ذلك، أجرى الباحثون تعديلاً محدداً لتحسينه بشكل أكبر؛ حيث أضافوا خطوة تسمى "تطبيع الدفعة" (batch normalization)، والتي تعمل كمثبت لعملية التعلم، مما يساعد الحاسوب على ضبط إعداداته الداخلية بكفاءة أكبر أثناء التدريب. وقد دفع هذا التغيير الوحيد الدقة إلى مستوى أعلى، لتصل إلى 99.41 بالمائة، مما جعل هذا النموذج هو الأكثر نجاحاً في دراستهم.
والنهج الثالث كان هجيناً، يجمع بين نقاط القوة في النهجين السابقين. استخدم الباحثون نموذج تعلم عميق قوي ومُدرب مسبقاً يُسمى "إيفيشنت نت" (EfficientNet) ليعمل كمستخرج للميزات. هذا النموذج، الذي تعلم بالفعل التعرف على الأشياء في ملايين الصور اليومية، استُخدم لتحويل كل شريحة من الأشعة المقطعية إلى ملخص رياضي مقتضب. وبدلاً من ترك نموذج التعلم العميق يتخذ القرار النهائي، قاموا بتمرير هذا الملخص إلى "آلة متجه الدعم" لاتخاذ القرار النهائي. سمح هذا الفصل في المهام للنظام بالاستفادة من قدرة نموذج التعلم العميق على رؤية الأنماط المعقدة، مع استخدام القدرة القوية لآلة متجه الدعم في اتخاذ القرار. حقق هذا النموذج الهجين دقة بلغت 98 بالمائة، مما أثبت أن الجمع بين أنواع مختلفة من الذكاء يمكن أن يؤدي إلى نتائج قوية دون الحاجة إلى الأنظمة الأكثر ضخامة وتعقيداً.
قارن الباحثون نتائجهم مع دراسات حديثة أخرى استخدمت نفس مجموعة البيانات. وبينما حقق بعض الفرق درجات عالية مماثلة، إلا أنهم غالباً ما اعتمدوا على تقنيات أكثر تعقيداً، مثل توليد صور وهمية لتدريب النظام أو استخدام شبكات عصبية ضخمة وثقيلة. حقق نموذج الـ CNN المعدل من قبل الفريق أعلى دقة، وهي 99.41 بالمائة، دون الحاجة إلى هذه الخطوات الإضافية المكلفة حاسوبياً. كما لاحظ الفريق أن نظامهم كان جيداً بشكل خاص في تحديد الحالات الخبيثة، وهي المهمة الأكثر حرجاً لإنقاذ الأرواح. وتخلص الدراسة إلى أن نموذجاً حاسوبياً متوسط الحجم ومضبوطاً بعناية يمكن أن يضاهي أداء الأنظمة الأكبر والأكثر تعقيداً. ومن خلال الاختبار المنهجي لطرق مختلفة للتعامل مع عدم توازن البيانات والتعديلات الهيكلية المختلفة، أثبت الباحثون أن الأداء العالي في التصوير الطبي لا يتطلب دائماً الأدوات الأكثر تعقيداً، بل يتطلب مزيجاً مدروساً من الطرق الراسخة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.