مفاجأة.. الذكاء الاصطناعى يحلل أورام الثدى بالسونار بدقة 82.94%

كشفت دراسة علمية حديثة عن تطوير 3 نماذج للذكاء الاصطناعي قادرة على تحليل صور الموجات فوق الصوتية «السونار» للثدي، بهدف المساعدة في تحديد الأورام ورسم حدودها داخل الصور، وتصنيفها إلى آفات حميدة أو خبيثة، وحقق أحد النماذج دقة تصنيف بلغت 82.94%، بينما تفوق نموذج آخر في تحديد مناطق الآفات واسترجاع الحالات الخبيثة، في نتائج قد تسهم في تطوير أدوات مساعدة للأطباء في تقييم صور الثدي.

ونُشرت الدراسة في دورية Scientific Reports ، أجراها الباحثان برايان صامويل جيمس وN. Krishnamoorthy، من معهد فيلور للتكنولوجيا في الهند، وركزت على الاستفادة من تقنيات التعلم العميق لرفع كفاءة تحليل صور السونار، خاصة أن اختلاف أشكال الأورام وضعف التباين بين الأنسجة ووجود تشويش في الصور قد يجعل تحديد حدود الآفات وتصنيفها مهمة معقدة.

كيف يحلل الذكاء الاصطناعي أورام الثدي بالسونار؟

اعتمد الباحثون على 3 نماذج تجمع بين تقنيات مختلفة من التعلم العميق، واختبروها باستخدام قاعدة بيانات لصور آفات الثدي بالموجات فوق الصوتية، عُرفت باسم Breast-Lesions-USG.

واستهدفت النماذج تنفيذ مهمتين أساسيتين؛ الأولى هي تحديد حدود الآفة داخل صورة السونار، وهي عملية تُعرف بالتقسيم أو التجزئة، وتعني تمييز المنطقة التي يشغلها الورم عن الأنسجة المحيطة به. أما المهمة الثانية فهي تصنيف الآفة إلى حميدة أو خبيثة اعتمادًا على الأنماط والخصائص التي تعلمها النظام من بيانات التدريب.

وتكمن أهمية الجمع بين المهمتين في أن تحديد مكان الآفة وحدودها يوفر معلومات مختلفة عن مجرد تصنيف الصورة، إذ يمكن تقييم قدرة النموذج على رسم المنطقة المشتبه بها، إلى جانب قدرته على التمييز بين الفئات التي تدرب عليها.

3 نماذج.. واختلاف في النتائج

استخدم النموذج الأول بنية DoubleHeadUNet مع شبكة ResNet-34، وحقق أعلى دقة تصنيف بين النماذج الثلاثة، بلغت 82.94%، كما سجل 87.70% وفق مقياس المساحة تحت منحنى خصائص التشغيل AUC، الذي يقيس قدرة النموذج على التمييز بين الفئات عبر عتبات تصنيف مختلفة.

أما النموذج الثاني، فجمع بين تقنية Swin Transformer ومكوّن U-Net لتحديد المناطق داخل الصور، وحقق دقة تصنيف بلغت 79.76%، وقيمة AUC وصلت إلى 87.54%.

في المقابل، اعتمد النموذج الثالث على بنية تجمع بين المحولات وتقنية U-Net، مع إدخال بيانات سريرية إضافية إلى جانب الصور، باستخدام آلية تُعرف باسم FiLM، بهدف تكييف معالجة المعلومات البصرية وفق البيانات المتاحة.

وسجل النموذج الثالث أعلى معدل لاسترجاع الحالات الخبيثة، بلغ 81.63%، كما حقق أفضل أداء في تحديد حدود الآفات، بمقياس Dice بلغ 0.901، ومقياس تقاطع المناطق على اتحادها IoU بلغ 0.825. ويقيس هذان المؤشران مدى تطابق المنطقة التي يرسمها النموذج مع المنطقة المرجعية، وكلما اقتربت النتيجة من 1 تحسن مستوى التطابق.

ماذا تعني دقة 82.94% طبيًا؟

لا تعني هذه النسبة أن الذكاء الاصطناعي يستطيع اكتشاف 82.94% من حالات سرطان الثدي لدى جميع النساء، أو أن كل تشخيص يصدر عنه سيكون صحيحًا بالنسبة نفسها في المستشفيات. فهي نتيجة أداء النموذج داخل مجموعة البيانات وبروتوكول الاختبار المستخدمين في الدراسة.

كذلك، فإن قيمة AUC البالغة 87.70% لا تعني أن التشخيص صحيح بنسبة 87.70%، وإنما تعكس قدرة النموذج على التمييز بين الفئات عند تقييمه باستخدام عتبات مختلفة.

ويجب أيضًا التمييز بين معدل استرجاع الحالات الخبيثة ودقة التصنيف الإجمالية؛ فمعدل الاسترجاع يوضح نسبة الحالات الخبيثة الموجودة في بيانات الاختبار التي نجح النموذج في التعرف عليها، ولا يحدد بمفرده عدد الإنذارات الكاذبة أو مدى دقة النتائج في مجموعات مرضى أخرى.

هل يمكن أن يحل الذكاء الاصطناعي محل الطبيب؟

استخدم الباحثون أسلوب التحقق المتبادل المكون من 5 مجموعات، مع الفصل بين بيانات المرضى في مراحل التدريب والاختبار، إلى جانب اختيار المعايير الفنية للنماذج ضمن إجراءات التقييم، لتقليل احتمال تضخيم النتائج بسبب تسرب بيانات المريض نفسه بين المجموعات.

وأظهر التحليل الإحصائي أن معظم الفروق بين النماذج في دقة التصنيف لم تكن ذات دلالة إحصائية، وهو ما يعني أن النتائج لا تثبت وجود نموذج واحد يتفوق على الآخرين في جميع المهام.

ورغم النتائج الواعدة، لا تقدم الدراسة دليلًا على أن هذه النماذج أصبحت معتمدة للاستخدام السريري، أو أنها قادرة على اتخاذ قرارات تشخيصية مستقلة، كما لا تثبت أن استخدامها يحسن نتائج العلاج أو يقلل الوفيات.

ويتطلب الانتقال إلى التطبيق الطبي تقييم النماذج على بيانات مستقلة ومتنوعة من مستشفيات ومجموعات مرضى مختلفة، ودراسة أدائها في الممارسة الفعلية، ومقارنة نتائجها بتقييم الأطباء والتشخيص المرجعي المناسب. كما يجب التأكد من أنها لا تفوّت حالات خبيثة أو تزيد من النتائج الإيجابية الكاذبة بصورة قد تؤدي إلى فحوص إضافية غير ضرورية.

وتشير النتائج إلى أن الذكاء الاصطناعي قد يمثل أداة مساعدة واعدة في تحليل صور السونار، لكنه لا يغني عن التقييم الطبي المتكامل، ولا يمكن الاعتماد على نتيجة النموذج وحدها لتحديد طبيعة أي كتلة بالثدي أو اتخاذ قرار علاجي.