FDTD-Based Synthetic Dataset Generation and Quantum Ensemble Learning for Enhanced Microwave Tumor Localization

تخيل أنك تحاول العث find كنز صغير مخفي داخل كهف ضخم وفوضوي. إذا وجهت مصباحاً يدوياً، فسينعكس الضوء على جدران الكهف وسقفه وأرضيته، مما يخلق فوضى عارمة من الانعكاسات تجعل من المستحيل تقريباً رصد الجسم الصغير اللامع الذي تبحث عنه. هذا هو الصراع اليومي الذي يواجهه الأطباء في محاولة العثور على الأورام باستخدام التصوير التقليدي. تستخدم بعض الطرق الأشعة السينية القوية، والتي تشبه كشافاً ضوئياً باهراً يمكن أن يؤذيك إذا استخدمته كثيراً، بينما تستخدم طرق أخرى أجهزة MRI باهظة الثمن تشبه الخزائن العملاقة ذات الطنين والتي لا توجد إلا في المدن الكبرى.

إليك التصوير بالموجات الدقيقة (Microwave Imaging)، وهو نهج أحدث وأكثر أماناً يستخدم موجات راديو لطيفة ومنخفضة الطاقة بدلاً من الإشعاع الضار. فكر في الأمر كأنك ترسل همساً إلى داخل الكهف؛ ولأن الأورام أكثر رطوبة من الأنسجة الصحية، فإنها تعكس الهمس بشكل مختلف. ومع ذلك، هناك عقبة: "الهمسة" الناتلة عن ورم صغير ضعيفة جداً لدرجة أنها قد تغرق وسط الأصداء الصاخبة الناتجة عن طبقات الجلد والدهون. ولحل هذه المشكلة، يحتاج العلماء إلى تعليم الحواسيب كيفية الإنصات لتلك الهمسات الصغيرة، لكن لا يمكنهم القيام بذلك دون مكتبة ضخمة من أمثلة التدريب. وبما أنه من الصعب والمكلف الحصول على آلاف المسحات الحقيقية للمرضى بغرض التدريب فقط، اضطر الباحثون إلى بناء "صندوق رمال رقمي" لمحاكاة هذه السيناريوهات. وهنا تبدأ قصة هذا البحث: قام فريق من العلماء ببناء عالم افتراضي فائق الدقة لتدريب نوع جديد من "الأدمغة الخارقة" للعثور على الأورام التي تفوتها الأنظمة الأخرى.

صندوق الرمل الرقمي والمحقق الكمي

بدأ الباحثون ببناء مجموعة بيانات اصطناعية، وهي في الأساس مكتبة ضخمة مولدة حاسوبياً من سيناريوهات "ماذا لو". لقد استخدموا أداة محاكاة قوية تسمى MEEP (والتي ترمز إلى انتشار معادلات ميت للإلكترومغناطيسية - MIT Electromagnetic Equation Propagation) لتعمل كمحرك فيزيائي رقمي لهم. تخيل هذا المحرك كأنه لعبة فيديو واقعية للغاية لا تكتفي بالظهور بمظهر واقعي فحسب، بل تحسب فعلياً كيف تنعكس الموجات الضوئية وتنعطف وتمتصها المواد المختلفة.

لقد أنشأوا "جسداً" افتراضياً مكوناً من طبقات مثل الجلد والدهون والأنسجة، ثم وضعوا أوراماً صغيرة محاكة بداخله. ولجعل البيانات مفيدة، استخدموا حيلة ذكية تسمى التصوير التفاضلي (differential imaging). فبدلاً من مجرد تسجيل الأصداء الفوضوية من الجسم بأكمله، قاموا بتشغيل المحاكاة مرتين: مرة لجسم سليم ومرة لجسم به ورم. ثم قاموا بطرح النسخة السليمة من النسخة المصابة. الأمر يشبه التقاط صورتين لغرفة واحدة — واحدة فارغة والأخرى تحتوي على جسم مخفي — ثم طرح الصورة الأولى من الثانية لترك الجسم نفسه فقط. أدى هذا إلى إزالة "الضجيج" الناتج عن الجلد والدهون، تاركاً إشارة نظيفة للورم فقط.

من خلال هذه المحاكاة، أنتجوا 1,500 عينة فريدة، مما خلق مجموعة بيانات تحتوي على 128 نقطة بيانات مختلفة لكل منها. تم تقسيم هذه العينات إلى ثلاث مجموعات: سليم (بدون ورم)، و T1 (نوع واحد محدد من الأورام)، و T2 (نوع آخر من الأورام أصعب في الرصد قليلاً).

المنافسة: المدرسة القديمة مقابل الفريق الكمي

بعد تجهيز بياناتهم، أقام الفريق مسابقة لمعرفة أي برنامج حاسوبي يمكنه تحديد هذه الأورام بشكل أفضل. بدأوا بـ خط أساس كلاسيكي (Classical Baseline)، وهو خوارزمية قياسية تسمى "آلة ناقلات الدعم" (Support Vector Machine - SVM). فكر في هذا كأنه محقق تقليدي ذكي جداً بارع في رصد الأدلة الواضحة. لقد قام هذا المحقق بعمل رائع في تحديد الأنسجة السليمة (دقة 100%)، لكنه واجه صعوبة مع أنواع الأورام المعقدة. فعند مواجهة أورام T1، لم يتمكن من رصد سوى 38% منها، وغالباً ما كان يخطئ في تصنيفها كنوع T2.

بعد ذلك، استدعوا فريق التعلم الآلي الكمي (QML). هؤلاء ليسوا مجرد حواسيب عادية؛ فهم يستخدمون القواعد الغريبة لميكانيكا الكم (مثل التراكب والتشابك) لمعالجة المعلومات بطرق لا تستطيع الحواسيب العادية القيام بها. اختبر الفريق ثلاثة "محققين كميين" مختلفين:

1. QMEFC: نموذج مصمم لتتبع كل من "قوة" و"توقيت" (طور) الإشارات بشكل منفصل. كان مرتبكاً قليلاً، حيث لم يرصد سوى 20% من أورام T1.
2. VQGC: تعامل هذا النموذج مع البيانات كخريطة من الاتصالات (رسم بياني/graph) بين الهوائيات. كان أداؤه أفضل، حيث رصد 34% من أورام T1.
3. HQ-SRN: وهو النجم المتألق في العرض الكمي المنفرد. دمج هذا النموذج بين "مرشح" (filter) من التعلم العميق الكلاسيكي (لتنقية الأنماط المكانية) وبين معالج كمي. كان أفضل مؤدٍ منفرد، حيث رصد 62.5% من أورام T1 وحقق دقة إجمالية بلغت 86.67%.

الاستراتيجية الرابحة: المجموعة الكمية

حتى أفضل محقق كمي منفرد (HQ-SRN) فاته حوالي 30% من أورام T1 الصعبة. أدرك الباحثون أن أي نموذج منفرد ليس مثالياً، لذا قرروا بناء فريق. لقد أنشأوا نظاماً جديداً يسمى QPFC-E (المصنف الاندماجي المدعوم بالقدرات الكمية).

بدلاً من مجرد ترك النماذج الكمية الثلاثة تصوت ويتم أخذ المتوسط، استخدموا طريقة متطورة تسمى دمج الاعتقاد حسب "ديمبستر-شيفر" (Dempster-Shafer DS belief fusion). تخيل هيئة محلفين حيث يمتلك كل عضو مستوى مختلفاً من الثقة بناءً على أدائه السابق. إذا اتفق اثنان من المحلفين بقوة على حكم ما بينما اختلف الثالث بقوة، فإن النظام لا يكتفي بمتوسط الأصوات؛ بل يزن الأدلة لحل النزاع. كما أضافوا ثقة موزونة بـ AUC، مما يعني أن النموذج الذي كان أداؤه تاريخياً أفضل (HQ-SRN) حصل على صوت أعلى قليلاً في القرار النهائي.

النتائج: صورة أوضح

كانت نتائج هذا التحالف مثيرة للإعجاب. فمن خلال الجمع بين نقاط القوة في النماذج الكمية الثلاثة، حقق نظام QPFC-E دقة إجمالية بلغت 87.00% ودرجة "Macro AUC-ROC" (وهي درجة تقيس مدى قدرة النموذج على الفصل بين جميع الفئات) بلغت 0.9354.

والأهم من ذلك، أن الفريق حل المشكلة الأكبر: العثور على أورام T1 المراوغة. فبينما رصد أفضل نموذج منفرد 62.5% منها، رصد فريق المجموعة (Ensemble) نسبة 61.3% (وهو انخفاض طفيف في الاستدعاء الخام مقارنة بأفضل نموذج منفرد في هذا المقياس تحديداً، ولكنه يمثل تحسناً هائلاً مقارنة بالأساس الكلاسيكي البالغ 38% و QMEFC البالغ 20%، مع الحفاظ على دقة عالية). نجح النظام في تقليل عدد الإنذارات الكاذبة وضمان تحديد الأورام التي يصعب رصدها بشكل أكثر موثوقية من ذي قبل.

ماذا يعني هذا؟

تشير الورقة البحثية إلى أنه بينما يمكن للنماذج الكمية الفردية أن تكون قوية، إلا أنها لا تزال عرضة للارتباك بسبب الاختلافات الدقيقة بين أنواع الأورام. ومع ذلك، من خلال استخدام نهج هجين — يجمع بين محاكاة الفيزياء عالية الدقة (FDTD) ومجموعة كمية تستخدم قواعد تصويت ذكية — فقد أنشأوا نظاماً يتفوق بشكل كبير في رصد الأورام مقارنة بالطرق التقليدية.

من المهم ملاحظة أن هذه النتائج تأتي من عمليات محاكاة، وليس من مرضى حقيقيين. لقد تم إنشاء البيانات بواسطة الحاسوب، و"الضجيج" الذي تمت إضافته إلى الإشارات هو تقريب رياضي للعيوب في العالم الحقيقي. الباحثون واثقون من أن طريقتهم تعمل في هذا العالم الرقمي، لكنهم يقرون بأن الخطوة التالية هي اختبار هذه الأفكار على أجهزة فيزيائية حقيقية وفي نهاية المطوى على بيانات سريرية فعلية. في الوقت الحالي، يوضح هذا البحث مساراً واعداً: استخدام قوة الحوسبة الكمية للإنصات لأضعف همسات المرض، مما قد يجعل اكتشاف السرطان أكثر أماناً، وأقل تكلفة، وأكثر دقة في المستقبل.