كتبت: إيمان صبحي السمين
شهدت مجالات الرعاية الصحية مؤخرًا تطورًا هائلًا في استخدام تقنيات الذكاء الاصطناعي، خاصة في التشخيص الطبي، مما ساهم في تحسين دقة اكتشاف الأمراض في مراحلها المبكرة. من أبرز هذه التطورات، نموذج “BCaXAI” الذي تم تصميمه من خلال مجموعة باحثين في كلية الذكاء الاصطناعي كفر الشيخ وهم دكتورة فاطمه محمد، الدكتورة هناء زين الدين، الدكتورة سماح جميل، الدكتورة رنا محمد، والدكتور محمد شحاتة لتقديم حلول مبتكرة في تشخيص سرطان الثدي باستخدام تقنيات التعلم العميق (Deep Learning) وأدوات التفسير التفاعلي مثل “Grad-CAM”.
يعتمد النموذج على هيكل متقدم يسمى 3D Inception-ResNet v2، الذي يدمج بين القوة الحسابية المتقدمة وتقنيات التفسير المتطورة لتحليل صور الأشعة الخاصة بالثدي. ويمثل هذا النموذج نقلة نوعية في كيفية تعامل الذكاء الاصطناعي مع البيانات الطبية، حيث يتيح للنظام تقديم توصيات تشخيصية دقيقة ومبنية على تحليل عميق للصور.
من أهم مزايا “BCaXAI” هو استخدام تقنيات مثل Grad-CAM وGrad-CAM++ التي توفر خرائط حرارية تُمكّن الأطباء من رؤية المناطق التي يركز عليها النموذج أثناء اتخاذ قراراته. هذا يسمح للأطباء بمراجعة الصور الطبية وفهم كيفية وصول النموذج إلى استنتاجاته، مما يعزز من الثقة في القرارات التي يقدمها الذكاء الاصطناعي ويقلل من التباين بين التفسيرات البشرية للصور.
مثال على صور البيانات المستخدمة في مجموعة DDSM-CBIS.
من خلال اختباره على مجموعات بيانات واسعة مثل DDSM وCBIS-DDSM، حقق نموذج BCaXAI دقة تصل إلى 98.53% في تصنيف الأورام بين خبيثة وحميدة، متفوقًا على العديد من النماذج التقليدية مثل ResNet50 وVGG16. كما أظهر النموذج أداء متميزًا في المقاييس الأخرى مثل الاسترجاع والدقة، وهو ما يضمن تقليل الحالات الإيجابية الكاذبة والسلبيات الكاذبة، وبالتالي تجنب الإجراءات غير الضرورية مثل الخزعات.
مراحل نموذج BCaXAI المقترحة تشمل تحضير الصور، تحديد منطقة الثدي، تدريب نموذج التصنيف، اكتشاف السرطان، والتفسير البصري
مع ذلك، يتطلب النموذج مزيدًا من التقييمات باستخدام مجموعات بيانات حديثة تم جمعها باستخدام تقنيات التصوير الحديثة مثل الأشعة الرقمية المتكاملة (FFDM). هذه المجموعات الجديدة يمكن أن تقدم صورة أدق عن أداء النموذج في بيئات سريرية معتمدة على تقنيات متطورة، وهو ما يعد خطوة ضرورية لتحسين دقة النموذج في الممارسات الطبية الحديثة.
مثال توضيحي يبين الخطوات المتبعة بدءًا من الصورة الأصلية مرورًا بخوارزمية المعالجة المبدئية، بما في ذلك تعزيز التباين من خلال تعديل الهيستوجرام وتصحيح التحيز، تقليل الضوضاء، والتنعيم. بعد ذلك، يتم تحديد المنطقة النهائية من الثدي (الصورة المعدلة) وإدخالها إلى النموذج القائم على التعلم العميق.
تتمثل إحدى القيم المضافة لنموذج BCaXAI في قابلية استخدامه في مجالات طبية أخرى إلى جانب تشخيص سرطان الثدي، مثل اكتشاف الأورام الدماغية أو تصنيف أمراض الرئة، وذلك باستخدام تقنيات مماثلة في معالجة الصور الطبية. التقنية التفسيرية مثل Grad-CAM يمكن تطبيقها في مجالات طبية أخرى، مما يساهم في تقديم تفسير واضح ودقيق لقرارات الذكاء الاصطناعي، ويعزز من الاعتماد على النماذج الذكية في مجالات متنوعة..
مقارنة بين تقنيات Grad-CAM وGrad-CAM++ وScore-Cam لمجموعة فرعية من بيانات الاختبار، بما في ذلك حالات خبيثة (سرطانية)، وحالات طبيعية، وحالات حميدة. يظهر طيف الألوان هذا – من البارد (الأزرق) إلى الحار (الأحمر) – لتسليط الضوء بصريًا على المناطق في الصورة التي تساهم بشكل أكبر في ناتج التنبؤ للنموذج، حيث تمثل المنطقة الحمراء والأزرق أعلى وأدنى المناطق تفعيلًا على التوالي.
ومع أن النموذج أظهر نتائج مبهرة في تحسين دقة التشخيص، إلا أن التحديات ما تزال قائمة، خصوصًا في كيفية تكامل هذا النموذج مع أحدث تقنيات التصوير الطبية، وهو ما يتطلب أبحاثًا إضافية للتحقق من فعالية النموذج على البيانات الحديثة. من الضروري أيضًا توفير بيانات مختبرة باستخدام أنظمة تصوير رقمية حديثة لضمان دقة النموذج في بيئات الرعاية الصحية المعاصرة.
إن نموذج BCaXAI يمثل خطوة هامة نحو تحقيق التكامل الفعّال بين الذكاء الاصطناعي والممارسات الطبية. وهو يفتح آفاقًا جديدة لتطوير أدوات تشخيصية قائمة على الذكاء الاصطناعي، مما سيسهم في تقديم رعاية طبية أكثر دقة وشفافية، ويعزز من كفاءة القرارات الطبية ويساعد الأطباء في مواجهة التحديات التشخيصية التي قد تكون معقدة.
