An Intelligent Ultrasound Image–Based Deep Learning Framework for Early Breast Cancer Diagnosis Using Transposed Self-Attention and Optimized Spiking Neural Networks

لا يزال سرطان الثدي يمثل أحد أخطر التحديات الصحية التي تواجه النساء عالميًا، حيث غالبًا ما يتوقف الفرق بين الحياة والموت على مدى سرعة اكتشاف المرض. فعندما يتم اكتشاف الورم قبل انتشاره إلى أجزاء أخرى من الجسم، تتحسن فرص البقاء على قيد الحياة بشكل كبير. ومن بين الأدوات المتنوعة التي يستخدمها الأطباء للنظر داخل الجسم، تبرز صور الموجات فوق الصوتية (الألتراساوند) كوسيلة حيوية غير جراحية، آمنة، ومنخفضة التكلفة، وفعالة بشكل خاص لفحص أنسجة الثدي الكثيفة. ومع ذلك، فإن هذه الصور لا تكون سهلة القراءة دائمًا؛ فهي غالبًا ما تكون محببة ومليئة بتداخل يشبه التشويش الساكن يُعرف باسم "ضوضاء النقط" (speckle noise)، والذي يمكن أن يؤدي إلى طمس الحواف الحادة للورم أو إخفاء الأورام الصغيرة والخطيرة تمامًا. هذا الازدحام البصري يجعل من الصعب حتى على الأطباء ذوي الخبرة التمييز بين الكتل الحميدة والكتل الخطيرة، مما يؤدي إلى تشخيصات خاطئة أو قلق غير مبرر.

ولمساعدة الأطباء على الرؤية بوضوح أكبر، توجه الباحثون إلى الذكاء الاصطناعي، وتحديدًا مجال يُسمى "التعلم العميق"، الذي يعلم الحواسيب التعرف على الأنماط في الصور تمامًا كما يفعل الدماغ البشري. وبينما أظهرت الأنظمة الحاسوبية السابقة بعض الوعود، إلا أنها غالبًا ما تعاني من نفس الضوضاء والضبابية التي تربك العين البشرية، أو تتطلب قدرة حوسبية هائلة بحيث لا يمكن استخدامها بسرعة في العيادات الواقعية. وتقترح دراسة جديدة من جامعة أديتيا في الهند نهجًا جديدًا لهذه المشكلة، حيث تجمع بين عدة تقنيات متقدمة في نظام واحد ذكي مصمم لاختراق الضوضاء وتحديد سرطان الثدي بدقة ملحوية.

قام الباحثون، بقيادة السيدة شالامالا هاريكا ديفيا والدكتور إم. فامسيكريشنا، بتطوير إطار عمل جديد أطلقوا عليه اسم EWGF-CTSA-OSN. يبدأ النظام بتنظيف صور الموجات فوق الصوتية الخام قبل أن يحاول الحاسوب تحليلها. فهو يستخدم طريقة ترشيح متخصصة تعمل كمحرر ماهر للغاية، حيث تزيل التشويش الساكن مع الحفاظ بعناية على الخطوط الحادة لأي أورام. وتعد هذه الخطوة حاسمة، لأنه إذا كانت حواف الآفة ضبابية، فلن يتمكن الحاسوب من قياس حجمها أو شكلها بدقة. ومن خلال استخدام مفهوم رياضي يسمى "الاعتلاج" (entropy) لتحديد الأجزاء المهمة من الصورة، يضمن النظام بقاء التفاصيل الحيوية للأنسجة واضضحة وحادة.

بمجرد تنظيف الصورة، ينتقل النظام إلى المرحلة التالية: فهم ما ينظر إليه. فبدلاً من مجرد مسح الصورة قطعة قطعة، يستخدم الحاسوب آلية تسمح له بالنظر إلى الصورة بأكملها دفعة واحدة، وربط الأجزاء البعيدة من الصورة لفهم السياق الكامل للورم. يشبه هذا كيف قد ينظر الشخص إلى منظر طبيعي ويفهم على الفور كيف ترتبط الأشجار والتلال والسماء ببعضها البعض، بدلاً من التركيز فقط على ورقة شجر واحدة. بعد ذلك، يمر النظام بهذه المعلومات المنقحة إلى محرك تصنيف مستوحى من الطريقة التي تطلق بها الخلايا العصبية البيولوجية نبضاتها في الدماغ البشري. هذا الجزء من النظام، المعروف باسم "الشبكة العصبية النبضية" (spiking neural network)، يعالج المعلومات بمرور الوقت، مما يسمح له بالتعلم من تسلسل الميزات التي يراها واتخاذ قرار بناءً على المناطق الأكثر أهمية في الورم.

ولضمان عمل هذا النظام المعقد بشكل مثالي، لم يكتفِ الباحثون بضبط الإعدادات والأمل في الحصول على أفضل نتيجة، بل استخدموا طريقة تحسين مستوحاة من الطبيعة تعتمد على سلوك "الخنافس الروثية". فتمامًا كما تتنقل هذه الحشرات في بيئتها للعثور على أفضل مسار، تبحث الخوارزمية عبر آلاف الإعدادات الممكنة للنموذج الحاسوبي لإيجال الجمع المطلق والأفضل. تعمل هذه العملية على ضبط كيفية تعلم النظام، مما يضمن وصوله إلى الإجابة الصحيحة بسرعة وموثوقية دون الوقوع في حلقة مفرغة من الأخطاء.

إن نتائج هذا النهج الجديد مذهلة. فعند اختباره على مجموعتين مختلفتين من صور الموجات فوق الصوتية من العالم الحقيقي، أظهر النظام قدرة على تصنيف أنسجة الثدي بدقة استثنائية. ففي مجموعة بيانات قياسية تُعرف باسم BUSI، حدد النموذج نوع الأنسجة بشكل صحيح بنسبة 99.20% من المرات. وفي مجموعة بيانات ثانية منفصلة، حقق دقة بلغت 98.90%. هذه الأرقام ليست مجرد تحسن طفيف عن الطرق السابقة؛ بل تمثل قفزة نوعية، حيث تفوقت على النماذج الحالية التي تعتمد على تقنيات التعلم العميق القديمة. كما كان النظام قادرًا على التمييز بين الأنسجة الطبيعية، والكتل الحميدة (غير السرطانية)، والأورام الخبيثة (السرطانية) بمستوى من الدقة نادرًا ما يخطئ في حالة أو يطلق إنذارًا كاذبًا.

وبعيدًا عن الأرقام المجردة، تقدم الدراسة رؤية واضحة لكيفية تفكير النظام. فمن خلال تحليل الأجزاء التي ركز عليها الحاسوب في الصورة، وجد الباحثون أن النموذج أولى اهتمامًا أكبر للحواف وأنسجة الآفات، وهو بالضبط المكان الذي ينظر إليه الطبيب البشري. يشير هذا إلى أن النظام لا يخمن بناءً على أنماط عشوائية، بل يتعلم بالفعل الخصائص البصرية التي تحدد السرطان. وتستغرق العملية بأكملها، من تنظيف الصورة إلى التشخيص النهائي، أقل من ثانية واحدة، مما يجعلها سريعة بما يكفي للاستخدام في مستشفى مزدحم.

ورغم أن النتائج مثيرة للإعجاب، إلا أن المؤلفين يشيرون بحذر إلى أن النظام ليس حلاً سحريًا يعمل في كل المواقف الممكنة. فالنموذج يعتمد على صور عالية الجودة وتوصيفات واضحة، وقد ينخفض أداؤه إذا كانت صور الموجات فوق الصوتية ذات جودة رديئة جدًا أو إذا كانت ظروف التصوير غير معتادة. كما يقر الباحثون بأن النظام معقد ويتطلب قدرة حوسبية كبيرة لتشغيله، مما قد يشكل عقبة أمام بعض العيادات. ومع ذلك، تضع الدراسة أساسًا قويًا للمستقبل، مشيرة إلى أنه مع المزيد من التطوير وإضافة بيانات أكثر تنوعًا من مستشفيات مختلفة، يمكن أن يصبح هذا التكنولوجيا أداة قياسية للكشف المبكر.

الهدف النهائي من هذا العمل هو إنشاء مساعد موثوق للأطباء، يمكنه تقليل عبء التحليل اليدوي وتقديم رأي ثانٍ يتسم بالسرعة والدقة. ومن خلال الجمع بين تقليل الضوضاء، والتعرف المتقدم على الأنماط، والإلهام البيولوجي، يقدم إطار العمل الجديد مسارًا واعدًا لإنقاذ المزيد من الأرواح من خلال تشخيصات مبكرة وأكثر ثقة. ومع نضوج هذه التكنولوجيا، فإنها تحمل القدرة على تغيير طريقة اكتشاف سرطان الثدي، وتحويل صورة محببة وصعبة إلى إجابة واضحة وقابلة للتنفيذ للمرضى وعائلاتهم.