💻 علوم الحاسوب

Multi-Class Gastric Histopathology Classification Using a Hybrid Swin Transformer–ConvNeXt Model

تقدم هذه الورقة نموذجاً هجيناً للتعلم العميق يجمع بين Swin Transformer وConvNeXt، متكاملاً مع واجهة ويب قائمة على Flask، والذي يحقق دقة بنسبة 75.35% في تصنيف صور الأنسجة المرضية للمعدة إلى ثمانية أنواع نسيجية متميزة لمساعدة أطباء المسالك البولية في تشخيص سرطان المعدة.

المؤلفون الأصليون: Usman Nazakat, Muhammad Saad, Uzair Khan, Muhammad Junaid Asif, Muhammad Ahsan Aziz, Rana Fayyaz Ahmad

نُشر 2026-11-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Usman Nazakat, Muhammad Saad, Uzair Khan, Muhammad Junaid Asif, Muhammad Ahsan Aziz, Rana Fayyaz Ahmad

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

يفقد ما يقرب من 660,000 شخص حياتهم سنويًا بسبب سرطان المعدة، وهو مرض يعتمد فيه الفرق بين الحياة والموت غالبًا على مدى وقت اكتشافه. يعتمد المعيار الحالي للتشخيص على اختصاصي علم الأمراض (الباثولوجي)، وهو متخصص طبي عالي التدريب، يحدق عبر مجهر في شرائح رقيقة من الأنسجة المصبوغة بصبغات ملونة. يجب على هذا الخبير البشري تحديد أنماط دقيقة في المشهد الخلوي للتمييز بين الأنسجة السليمة والنمو السرطاني. ومع ذلك، فإن هذه العملية بطيئة، ومجهدة، وعرضة للخطأ البشري؛ إذ قد لا يتفق طبيبان خبيران ينظران إلى الشريحة نفسها دائمًا على ما يريانه. ومع تزايد عدد المرضى، تتسع الفجوة بين الحاجة إلى التشخيص وتوافر المتخصصين، مما يخلق عنق زجاجة يؤخر العلاج. وفي السنوات الأخيرة، لجأ العلماء إلى الذكاء الاصطناعي للمساعدة في تحمل هذا العبء، من خلال تعليم الحواسيب التعرف على الأنماط في الصور الطبية التي قد تكون باهتة أو معقدة للغاية بحيث يصعب على العين البشرية التقاطها باستمرار.

لقد اتخذ فريق من الباحثين من باكستان خطوة كبيرة للأمام في هذا المجال من خلال إنشاء نظام حاسوبي جديد مصمم لتحليل أنسجة المعدة بدقة أكبر. فبدلاً من مجرد مطالبة الحاسوب بتقرير ما إذا كانت العينة "سرطانية" أو "غير سرطانية"، قاموا ببناء أداة يمكنها تصنيف الأنسجة إلى ثماني فئات متميزة. وهذا تمييز جوهري لأن معرفة نوع النسيج غير السرطاني الموجود بدقة — سواء كان دهونًا، أو عضلات، أو مخاطًا، أو خلايا مناعية — يوفر سياقًا حيويًا لتشخيص الطبيب الشامل. وقد طور الباحثون نظامًا هجينًا يجمع بين نوعين مختلفين من نماذج الذكاء الاصطناعي؛ حيث يتميز أحد النماذج، المستوحى من كيفية معالجة البشر للغة، بقدرة ممتازة على فهم التخطيط العام والواسع للنسيج. أما النموذج الآخر، القائم على تقنيات معالجة الصور التقليدية، فهو بارع للغاية في رصد التفاصيل الدقيقة والنسيجة الصغيرة حيث تختبئ علامات المرض المبكرة غالبًا. ومن خلال السماح لهذين النموذجين بالعمل معًا والتصويت على الإجابة النهائية، يخلق النظام صورة أكثر اكتمالًا مما قد يحققه أي منهما بمفرده.

ولاختبار فكرتهم، استخدم الفريق مجموعة كبيرة من الصور الرقمية المأخوذة من عينات أنسجة المعدة، والتي قاموا بتنظيفها باستخدام تسلسل محدد من الخطوات لإزالة الضجيج وتحسين التباين. ثم قاموا بتدريب نظامهم الهجين على هذه الصور، لتعليمه التعرف على أنواع الأنسجة الثمانية المختلفة: نسيج الورم، والدهون، والحطام، والليمفاويات (الخلايا المناعية)، والمخاط، والعضلات الملساء، وبطانة المعدة الطبيعية، ونسيج داعم يسمى السدى (الستروما). تم اختبار النظام على صور لم يسبق له رؤيتها من قبل، وقد حدد نوع النسيج بشكل صحيح بنسبة 75 بالمائة تقريبًا. ورغم أن هذه النسبة قد تبدو درجة متواضعة، إلا أنها كانت تحسنًا واضحًا مقارنة بأنظمة النموذج الواحد التي جربها الباحثون للمقارنة، والتي كافحت للوصول إلى نفس المستوى من الدقة. لقد أثبت النهج الهجين أن الجمع بين الرؤية "الشاملة" لأحد النماذج والرؤية "المقربة" للآخر هو استراتيجية أكثر فعالية لهذه المهمة المعقدة.

لم يتوقف الباحثون عند مجرد بناء نموذج، بل غلفوه بتطبيق برمجيات يعمل يمكن لأي شخص لديه متصفح ويب استخدامه. يمكن للمستخدم رفع صورة لشريحة نسيج، وفي غضون ثوانٍ قليلة، يعيد النظام توقعًا لما هو النسيج، مع درجة ثقة وشرح باللغة العادية للنتيجة. كما يحتفظ النظام بسجل للتحليلات السابقة، مما يسم يسمح للأطباء أو الباحثين بالرجوع إلى النتائج السابقة. وقد حرص الفريق على ملاحظة أن هذا النظام هو حاليًا نموذج بحثي أولي، وليس أداة جاهزة للاستخدام الفوري في المستشفى. فالدقة، رغم كونها واعدة، ليست عالية بما يكفي لاستبدال الطبيب البشري، كما أن النظام يخلط أحيانًا بين نوعين محددين من الأنسجة السليمة التي تبدو متشابهة جدًا. علاوة على ذلك، تم تدريب النظام على صور من مصدر واحد، لذا فمن غير الواضح مدى جودة أدائه على عينات من مستشفيات مختلفة أو مع طرق صبغ مختلفة.

وعلى الرغم من هذه القيود، فإن العمل يقدم مسارًا واضحًا للمضي قدمًا. تشير الدراسة إلى أن مستقبل علم الأمراض بمساعدة الحاسوب يكمن في الجمع بين أنواع مختلفة من الذكاء الاصطناعي لالتقاط النطاق الكامل للمعلومات في عينة النسيج. ويخطط الباحثون لتحسين نظامهم من خلال إضافة تفسيرات بصرية توضح بالضبط الأجزاء من الصورة التي أدت إلى استنتاج معين، وهي ميزة من شأنها أن تساعد الأطباء على الوثوق بتقدير الآلة. كما يهدفون إلى تدريب النظام على مجموعة أكبر وأكثر تنوعًا من الصور لتقليل الارتباك بين الأنسجة المتشابهة. ومن خلال سد الفجوة بين البيانات الخام والواجهة القابلة للاستخدام، يوضح هذا المشروع أنه بينما لا يعد الذكاء الاصطناعي بعد بديلاً للخبرة البشرية، فإنه أصبح شريكًا قويًا في العمل الطويل والشاق لتشخيص السرطان.

ملخص تقني: تصنيف الأنسجة المرضية للمعدة متعدد الفئات باستخدام نموذج هجين من (Swin Transformer–ConvNeXt)

أبحاث مشابهة