LungColonCancerPred-NN: A Neural Network Approach for Lung and Colon Histopathology Prediction
تقدم الورقة البحثية نموذج LungColonCancerPred-NN، وهو شبكة عصبية مدمجة ثلاثية الفروع تحقق دقة تبلغ 99.25% وهي الأفضل في حالتها لتصنيف خمس فئات من الأنسجة المرضية للرئة والقولون، وذلك من خلال معالجة تسرب البيانات في معيار LC25000 عبر بروتوكول تقييم صارم قائم على عائلات التعزيز.
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
يُشخَّص ملايين الأشخاص بالسرطان كل عام، ويعد سرطان الرئة والقولون من أكثر أشكال السرطان شيوعاً وفتكاً. وعندما يشتبه الطبيب في وجود هذه الأمراض، فإنه يعتمد على عالم الأمراض (الباثولوجي) لفحص شرائح رقيقة جداً من الأنسجة تحت المجهر. تُصبغ هذه الشرائح بصبغات خاصة تحوّل نوى الخلايا إلى اللون الأرجواني وأجزاء أخرى إلى اللون الوردي، مما يخلق خريطة معقدة للبنية المجهرية للجسم. وتتمثل مهمة عالم الأمراض في قراءة هذه الخريطة، والتمييز بين الأنسجة السليمة والسرطانية، ثم تحديد نوع السرطان بدقة. وهذه مهمة حاسمة لأن علاج أحد أنواع سرطان الرئة غالباً ما يختلف عن غيره، كما أن الفرق بين النمو الحميد والخبيث هو ما يحدد ما إذا كان المريض يحتاج إلى جراحة أم علاج كيميائي. ومع ذلك، فإن هذه العملية بطيئة وصعبة وتعتمد كلياً على توافر خبراء بشريين مدربين تدريباً عالياً.
لسنوات، حاول العلماء تعليم الحواسيب كيفية قراءة هذه الخرائط المجهرية، آملين في إنشاء أداة يمكنها مساعدة الأطباء أو حتى العمل بشكل مستقل. يستخدمون مجموعات كبيرة من الصور الرقمية لتدريب هذه البرامج الحاسوبية، المعروفة بالشبكات العصبية، للتعرف على الأنماط. لكن هناك فخاً خفياً في كيفية بناء هذه المجموعات؛ فالكثير من الصور المستخدمة للتدريب ليست صوراً فريدة لمرضى مختلفين، بل يتم إنشاؤها عن طريق أخذ صورة أصلية واحدة وتدويرها رقمياً، أو قلبها، أو إزاحتها قليلاً لإنشاء نسخ عديدة منها. فإذا تم اختبار برنامج حاسوبي على صورة هي مجرد نسخة مقلوبة لصورة رآها بالفعل أثناء التدريب، فقد يعطي الإجابة الصحيحة ليس لأنه فهم المرض، بل لمجرد أنه تعرّف على الصورة. هذا الخلل، المعروف باسم "تسرب البيانات"، جعل من الصعب معرفة ما إذا كانت هذه البرامج الحاسوبية تتعلم حقاً تشخيص السرطان أم أنها تقوم فقط بحفظ الاختبار.
قام فريق من الباحثين في جامعة محمد الخامس في المغرب بمعالجة هذه المشكلة مباشرة. فقد بنوا نظاماً حاسوبياً جديداً يسمى (LungColonCancerPred-NN) واختبروه باستخدام منهجية أكثر صرامة مما استُخدم سابقاً. فبدلاً من خلط الصور عشوائياً، قاموا بتجميعها بعناية حسب مصدرها الأصلي. بدأوا بمجموعتين عامتين كبيرتين من صور الأنسجة، بإجمالي 40,000 ملف. أولاً، قاموا بإزالة الآلاف من النسخ المتطابقة تماماً حيث ظهر نفس الملف الرقمي مرتين. ثم بحثوا عن "عائلات" الصور التي جاءت من نفس عينة المريض الأصلية. وباستخدام نظام ذكي يفهم كيف تبدو الصور متشابهة حتى عند تدويرها أو قلبها، قاموا بتجميع كل هذه الصور المرتبطة معاً. ثم تأكدوا من عدم تقسيم أي مجموعة من الصور المرتبطة بين مجموعة التدريب ومجموعة الاختبار. وهذا يعني أن الحاسوب كان عليه أن يتعلم التعرف على المرض من الصفر، دون أن يرى أبداً نسخة شبه مطابقة لصور الاختبار أثناء تدريبه.
يتميز النظام الحاسوبي الذي بنوه بأنه مدمج بشكل مثير للإعجاب، حيث يحتوي على حوالي 5.8 مليون إعداد قابل للضبط، وهو حجم صغير بما يكفي ليعمل على بطاقة رسوميات قياسية. يعمل النظام من خلال النظر إلى صور الأنسجة عبر ثلاث "عدسات" مختلفة في آن واحد؛ إذ تركز العدسة الأولى على الملمس العام ولون الخلايا، تماماً مثل العين البشرية التي تمسح الأنماط العامة. وتركز العدسة الثانية على أشكال ومجموعات محددة من الخلايا التي تتشابه مع بعضها البعض، حتى لو كانت متباعدة في الصورة، مما يسمح لها بربط الأجزنت المشتتة للورم. أما العدسة الثالثة، فتولي اهتماماً للموقع الدقيق لكل خلية، وتفهم كيفية تنظيم الأنسجة في الفضاء. ثم تقوم آلية خاصة بوزن المعلومات من جميع العدسات الثلاث لكل صورة، وتحدد أي عرض هو الأكثر أهمية قبل اتخاذ القرار النهائي.
وعندما اختبر الباحثون هذا النظام على 5,497 صورة لم يسبق له رؤيتها من قبل، كانت النتائج دقيقة للغاية؛ حيث حدد النظام نوع النسيج بشكل صحيح في 99.25% من الحالات. والأهم من ذلك، أنه لم يرتكب الخطأ الأكثر خطورة، وهو تصنيف نسيج سرطاني على أنه سليم. لقد ارتكب بعض الأخطاء، لكنها كانت تتمثل غالباً في الخلط بين نوعين محددين من سرطان الرئة، وهو تحدٍ يواجهه حتى أطباء الأمراض البشر أحياناً ويتطلب فحوصات إضافية لحله. كما حدد النظام أيضاً العضو الذي جاء منه النسيج بشكل صحيح في كل حالة تقريباً. وعند مقارنته ببرامج حاسوبية أخرى حديثة تم اختبارها على نفس مجموعة البيانات، تفوق هذا النظام الجديد في الأداء، رغم أنه كان يحل مشكلة أصعب من خلال التمييز بين خمسة أنواع مختلفة من الأنسجة بدلاً من ثلاثة فقط.
إن نجاح هذا العمل لا يكمن فقط في الدقة العالية، بل في الطريقة التي صُمم بها الاختبار. فمن خلال ضمان أن صور الاختبار كانت جديدة حقاً وليست مجرد نسخ من بيانات التدريب، أثبت الباحثون أن نظامهم قد تعلم بالفعل التعرف على السمات البيولوجية للسرطان. ووجدوا أن ثقة الحاسوب في إجاباته كانت مضبوطة جيداً، مما يعني أنه كان يعرف متى يكون غير متأكد. يقدم هذا النهج مساراً أوضح للمضي قدماً في تطوير الذكاء الاصطناعي في الطب، موضحاً أنه من خلال الاختبار الدقيق، يمكن لهذه الأدوات أن تتجاوز مجرد مطابقة الأنماط لتصبح مساعدين موثوقين للأطباء. ويخطط الباحثون لاختبار نظامهم على مجموعة مختلفة تماماً من الصور من مستشفى آخر ليروا ما إذا كان بإمكانه التعامل مع الاختلافات في العالم الحقيقي، وهي خطوة حاسمة قبل أن يمكن استخدام هذه التكنولوجيا لمساعدة المرضى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.