استخدام التعلم العميق لتحسين عملية الكشف عن سرطان الثدي في الثدي

ولا يزال سرطان الثدي واحدا من أكثر الخيول انتشارا بين النساء على الصعيد العالمي، حيث أن الكشف المبكر هو الاستراتيجية الوحيدة الأكثر فعالية لتحسين نتائج البقاء، وقد كان الفحص التصويري أداة موحدة لتحديد المرض المبكر، ومع ذلك فإن القيود التي يفرضها على النساء والتي تشمل حالات السرطان المفقودة والتذكير المستمر غير الضروري للتحدي لدى الأطباء، وقد برزت مسألة التعلم العميق، وهو فرع من فروع الاستخبارات الاصطناعية، كعنصر قوي للتف في مجال السرطان الثديي، مما يتيح إمكانية زيادة الدقة.

تحدي كشف سرطان الثدي

وسرطان الثدي غالباً ما يكون غير مكتمل في مراحله الأولى، مما يجعل الفحص الروتيني أمراً أساسياً، إذ يستخدم التصوير المغنطيسي أشعة سينية منخفضة الجرعة لخلق صور للأنسجة الثديية، التي يفحصها علماء الأشعة لعلامات التشويش مثل التكريرات الدقيقة والكتل والتشوهات المعمارية، ورغم انتشاره، فإن التصوير الفموي غير قابل للاشتعال.

ووفقا لمنظمة الصحة العالمية، فإن سرطان الثدي يمثل نحو 2.3 مليون حالة جديدة في كل عام على نطاق العالم، ويتوقف نجاح برامج الفحص على التفسير المتسق، ومع ذلك يمكن أن يختلف أداء علم الإشعاع على أساس الخبرة والإجهاد وتعقيد الحالات، وهذه العوامل تخلق حاجة ملحة إلى أدوات يمكن أن تعزز تصور الإنسان وتخفض من تقلبات الترجمة الشفوية.

حدود المعالم التقليدية

ويعتمد التصوير المميز التقليدي على الاعتراف بالنمط البصري من جانب علماء الأشعة المدربين، ومع أن هذا النهج فعال، فإن معدلات الإصابة بالمرض تتراوح بين 10 في المائة و 30 في المائة، مما يعني أن نسبة كبيرة من السرطان قد تفتقد، كما أن معدلات الإصابة بالمرض مرتفعة إلى 10 في المائة من الأشعة المأخوذة من الأشعة، مما يؤدي إلى التذكر بإضافة صور، مع وجود أغلبية كبيرة من تلك النتائج النفسية.

أسس التعلم العميق للتلقيم الطبي

والتعلم العميق هو مجموعة فرعية من التعلم الآلات تستخدم شبكات الظواهر العصبية الاصطناعية ذات طبقات متعددة لتعلم التسلسل الهرمي تلقائياً من البيانات، وفي التصوير الطبي، تشكل الشبكات العصبية الخلقية هيكل الاختيار لأنها يمكن أن تلتقط أنماطاً مكانية مثل الحواف والمنسوجات والشكلات دون الحاجة إلى هندسة يدوية، ومن خلال التدريب على مجموعات البيانات الكبيرة من الثدييات المشروحة، تتعلم هذه الشبكات.

Convolutional Neural Networks

وتتكون شبكة CNN من طبقات للثورة تطبق مرشحات قابلة للتعلم على صور المدخلات، وتنتج خرائط خاصة تبرز وجود أنماط محددة، وتخفض الطبقات المصممة للبعد، بينما تؤدي الطبقات المترابطة بالكامل التصنيفات، وتتلقى الشبكات عادة التدريب النهائي على زوجات من الصور وعلامات الصحة الأرضية المقابلة لها (مثلا، السرطان الحالي أو الغياب).

هذه النماذج يمكن أن تتضمن معلومات إضافية تتجاوز بيانات البكسل مثل عمر المريض وكثافة الثدي والشاشات السابقة لتحسين التنبؤات، ونُهج التعلم المتعددة الجوانب تسمح للشبكة بالعمل على أشعة كاملة بدلاً من المناطق التي تم تصنيفها مسبقاً، مما يخفف من مهمة أخصائي الإشعاع المتمثلة في مسح الصورة الكاملة للظواهر الشاذة.

بيانات وشروح التدريب

وقد يكون نجاح أي نظام للتعلم العميق مرهوناً بنوعية وكمية بيانات التدريب، ففي حالة الكشف عن سرطان الثدي، كثيراً ما تشمل مجموعات البيانات آلاف الصور من مختلف السكان، وكلها شروح من الخبراء تحدد موقع الإصابة بالمرض ونتائج الأمراض، كما أن البيانات المتاحة للجمهور مثل قاعدة البيانات الرقمية لفحص الثدييات (D.M.M) وأجهزة الفحص الطبي المقطعة (D.S.

وشروح البيانات عملية كثيفة العمالة تتطلب علماءاً مختصين في مجال الأشعة الثديية، ولزيادة التدريب، استكشف الباحثون أساليب شبه خاضعة للرقابة وهاشة للإشراف، تُستخدم فيها بطاقات جزئية - على سبيل المثال، فقط مما يشير إلى ما إذا كان السرطان موجوداً في صورة بدلاً من أن يُرسم موقعه بدقة، وهذه التقنيات تقلل تكاليف الشروح مع الحفاظ على الأداء التنافسي.

How Deep Learning Improves Detection Accuracy

وتزيد نظم التعلم العميق من التفسير المغناطيسي بطرق عدة، أولا، يمكن أن تحدد أنماطاً خفية قد تكون غير مرئية أو غامضة للعين البشرية، وثانياً، توفر أداء متسقاً في أحجام كبيرة من الحالات، وتخفض من التباين بين القراء، ثالثاً، يمكن إدماجها في تدفق العمل السريري لتجريب الامتحانات العادية، أو تبيان النتائج المشبوهة، أو أن تكون قارئة ثانية.

وفي الدراسات الرجعية، أظهرت خوارزميات التعلم العميق مستويات الحساسية والخصوصية التي تضاهي أو تتجاوز مستويات التمرين على علماء الأشعة، فعلى سبيل المثال، أفادت دراسة أجريت في عام 2020 نشرت في ] بأن نظاماً للتعلم العالي قد حقق منطقة تحت منحنى تشغيلي للمستقبل قدره 0.94 في المتوسط من الاختبارات المستقلة الكبيرة، منتشراً.

تخفيض عدد الزوايا والزنوج

فالإيجابيات المتدفقة هي مصدر رئيسي لعدم الكفاءة في فحص سرطان الثدي، مما يؤدي إلى زيارات للكشف عن سرطان الثدي، وتصوير إضافي، وخزعة حيوية غير ضرورية، ويمكن أن تساعد نماذج التعلم العميق في تحديد درجة مخاطر لكل أشعة، ويمكن تصنيف المجازفات ذات الدرجات المنخفضة جداً على أنها معدلات طبيعية، بينما يمكن تصنيفها على أنها معدلات منخفضة جداً، مع إجراء استعراض فوري فوري للسجلات المتوسطة، ويمكن زيادة عدد حالات الكشف عن الإصابة بمرض إلى ضعف عدد مراتب الحمل أو زيادة عدد الإصابات.

فالسالب الخافضة أكثر خطورة، حيث أن السرطان المفقود قد يتطور إلى مرحلة متقدمة قبل جولة الفحص التالية، ونماذج التعلم العميق فعالة بشكل خاص في الكشف عن السرطانات في الثدي الكثيفة، وهي مجموعة من السكان الذين يعترضون عادة على التصوير الثديي، ومن خلال التعلم للتعرف على العلامات الخفية مثل الكثافة اللاصقة أو تطوير الكثافة، يمكن للمصابات التي قد تُغَفَّل.

مقاييس الأداء: الحساسية، الخصوصية، مفوضية الاتحاد الأفريقي

To evaluate deep learning systems, researchers use standard metrics. Sensitivity] (true positive rate) measures the proportion of cancers correctly identified. Specificity (true negative rate) indicates the proportion of normal cases correctly classified as normal.

الدمج في تدفق العمل السريري

Deploying deep learning in a real-world screening program requires careful consideration of workflow design. AI can be implemented in several modes: as a first reader] (AI flags suspicious exams for radiologist review), as a [FL reading:2]] second reader[FLT workload:3] (AI reviews all exams independently and flag disc)

دعم علماء الاذاعة، وليس ردهم

من المهم التأكيد على أن التعلم العميق يستهدف زيادة، لا استبدال، علماء الأشعة، التكنولوجيا في التعرف على النمط والاتساق، ولكن تفتقر إلى الفهم السياقي، والحكم السريري، ومهارات الاتصال التي يوفرها القراء البشريون، ويمكن لأخصائي الإشعاع أن يدمج تاريخ المريض، والأعراض، وعوامل الخطر الوراثي، والمعلومات المسبقة عن علم التي كثيرا ما لا تُستدلى في مدخلات الأشعة.

التنفيذ الحقيقي على الصعيد العالمي

وقد حصلت عدة نظم تجارية على ترخيص تنظيمي لعلم الثدييات، بما في ذلك برامجيات من شركات مثل إيكاد وهولوجيك وطبيب البقعة الخفية ولونيت، ويجري نشر هذه المنتجات في مراكز الفحص في جميع أنحاء أوروبا وآسيا وأمريكا الشمالية، وتظهر بيانات العالم الحقيقي المنشورة من البرامج الأوروبية أن القراءة المدعمة بالآداب يمكن أن تحافظ على معدلات الكشف عن السرطان أو تحسنها مع تقليص الوقت اللازم لفحص الإصابة بالسرطان بنسبة 30 إلى 5 في المائة.

التحديات والنظر في المسألة

وعلى الرغم من وعدها، فإن إدماج التعلم العميق في فحص سرطان الثدي ليس بدون تحديات، وتشمل المسائل الرئيسية خصوصية البيانات، والتحيز القائم على أساس المقاييس، والرقابة التنظيمية، والحاجة إلى إمكانية تفسير النموذج.

خصوصية البيانات والأمن

وتُعتبر الصور الطبية معلومات صحية محمية في العديد من الولايات القضائية، وكثيراً ما تتطلب نماذج التعلم العميق مجموعات بيانات كبيرة يجب أن تكون غير محددة ومتقاسمة بين المؤسسات، كما أن ضمان الامتثال لأنظمة مثل نظام HIPA في الولايات المتحدة والناتج المحلي الإجمالي في أوروبا يضيف تعقيداً، وتُدرَّب تقنيات مثل نماذج التعلم الاتحادي في مواقع متعددة دون تقاسم نظم السحب الأولية، ولكن هذه النظم لا تزال قيد البحث في مجال السحب.

باء - بيضات وقابلية عامة

ولا يصلح نموذج التعلم العميق إلا بقدر ما تكون البيانات التي يتم تدريبها عليه، وإذا كانت بيانات التدريب تتضمن في الغالب أشعة من مادة ديموغرافية محددة (مثل النساء المنحدرات من أصل أوروبي ذوات كثافة ثديية منخفضة)، فإن النموذج قد يؤدي بشكل ضعيف إلى فئات ممثلة تمثيلا ناقصا - مثل النساء من أصل أفريقي أو آسيوي، اللائي يميلن إلى الحصول على ثديين كثافة وخصائص مختلفة لسرطان الثدي، وهذا التحيز يمكن أن يزيد من حدة التفاوتات الصحة القائمة.

الموافقة على التفسير

أجهزة تنظيم مثل إدارة الأغذية والمخدرات الأمريكية ووكالة الأدوية الأوروبية تتطلب أدلة على سلامة وفعالية قبل أن تُسوق نظم المعلومات، معظم منتجات الأشعة تحت الصفرية تم تطهيرها من خلال طريق 510 (ك) الخاص بهيئة التلقيح الطبية، الذي يتطلب إظهار توازن كبير في جهاز متداول بالفعل.

الاتجاهات المستقبلية

ويتطور المجال بسرعة، وهناك عدة تطورات مثيرة على الأفق يمكن أن تزيد من تحسين الكشف عن سرطان الثدي ونتائج المرضى.

الفحص الشخصي

بدلاً من تطبيق جدول واحد مناسب لكل الفحوصات (مثلاً، التصوير السنوي للأشعة المقطعية بدءاً من عمر 40)، يمكن للتعلم العميق أن يتيح فحصاً معززاً للمخاطر، نماذج تتضمن تاريخ الأسرة، العلامات الوراثية، الكثافة الثديية، وخصائص الأشعة المسبقة يمكن أن تنبأ بخطر سرطان الثدي لمدة خمس سنوات وبدقة عالية، ويمكن أن تُفحص النساء المعرضات لخطر الإصابة بالإشعاعات المزيفة بشكل أكثر تواتراً أو بصور مكملة (19).

التصوير المتعدد الوسائط

ولا يقتصر التعلم العميق على التصوير المغناطيسي، إذ يمكن إدماج المعلومات المستمدة من التخدير الرقمي للثديين، والأشعة فوق البنفسجية، والأشعة المقطعية، وحتى البيانات الجينية، أن توفر تقييما أكثر شمولا، فعلى سبيل المثال، يمكن للمبادرة المتعددة الوسائط التي تجمع بين صور التخثر المغنطيسي والتلقيح الصبغي للكشف عن السرطانات التي لا يمكن الكشف عنها في أي من الصيغ وحدها.

التحليل الفعلي للإطار

وفي الوقت الراهن، تقوم معظم نظم المعلومات الإدارية بعملية أشعة بعد الحصول عليها، وغالبا ما تعود النتائج في دقائق، ويمكن أن تعمل النظم المقبلة في الوقت الحقيقي خلال فحص الفحص، وأن ترفع علم المناطق المشبوهة فورا، مما سيتيح لأخصائي التكنولوجيا أن يقوم بآرائهم الإضافية أو لأخصائي الإشعاعات لاستعراض الحالة قبل مغادرة المريض، وتخفيض معدلات الاستلام، والتعجيل في مسار التشخيص، وهذه القدرات تشكل تحديا تقنيا، وإن كانت أكثر جدوى مع تحسن الأجهزة والمقاييس.

خاتمة

ويعيد التعلم العميق تشكيل مشهد الكشف عن سرطان الثدي في مجال التصوير الثديي، إذ إن تحسين الحساسية، والحد من الإيجابات الكاذبة، وتوفير أداء متسق ومرتقب، توفر هذه النظم فوائد ملموسة للمرضى ومقدمي الرعاية الصحية على حد سواء، ومع ذلك، فإن النجاح في التكامل يتطلب التصدي للتحديات المتصلة بخصوصية البيانات، والتحيز، والامتثال التنظيمي، والثقة السريرية، ويعود المستقبل بأدوات أكثر تطورا تتيح إجراء فحص شخصي وتحليل متعدد الوسائط، مما يؤدي في نهاية المطاف إلى كشف النساء وتحسين نتائج في جميع أنحاء العالم.

On further reading on this topic, consult the original research articles referenced in this article: a landmark study on AI performance published in Radiology (DOI: 10.1148/radiol.20192751), the MASAI trial results in