تعتبر دقة تصنيف مراحل السرطان في حالات سرطان الرئة أمرًا بالغ الأهمية للتخطيط للعلاج وتحديد التوقعات. يستند هذا التصنيف إلى معايير تشريحية واضحة وفقًا لإرشادات ثابتة. ومع ذلك، فإن معظم الطرق الحالية التي تعتمد على التعلم العميق (Deep Learning) تعالج هذه القرارات السريرية المعقدة كمسألة تصنيف صوري غير قابلة للتفسير.

يعتمد تصنيف مرحلة الورم على معايير كمية محددة مسبقًا، تشمل أبعاد الورم وقربه من الهياكل التشريحية المجاورة، وأي تغييرات بسيطة يمكن أن تؤثر على نتائج التصنيف. لتجاوز هذه التحديات، قدم فريق البحث نظام AnatomicalNets، وهو خط أنابيب طبي متكامل من مراحل متعددة يُعيد صياغة تصنيف الورم كمسألة قياس واستنتاج تعتمد على القواعد بدلاً من كونه عملية تعلم تعتمد على البيانات فقط.

يوظف النظام ثلاثة شبكات متخصصة (Encoder-Decoder) لتجزئة الرئة، الورم، والوسط الصدري بدقة عالية. كما يتم تقدير حدود الحجاب الحاجز من خلال تحليل شكل الرئة، بينما يتم حساب أكبر أبعاد الورم وقربه من الهياكل المجاورة بواسطة طريقة تقدير المسافات المعتمدة على الشكل. تُمرر هذه الميزات عبر وحدة قرار حتمية تتبع إرشادات الجمعية الدولية لدراسة سرطان الرئة.

عند تقييمه على مجموعة بيانات Lung-PET-CT-Dx، حقق نظام AnatomicalNets دقة تصنيف إجمالية بلغت 91.36%. كما تم تسجيل درجات F1 لكل مرحلة (T1: 0.93، T2: 0.89، T3: 0.96، T4: 0.90)، وهو تقييم حيوي غالبًا ما يتم تجاهله في الأدبيات السابقة.

إن ما يميز هذا العمل هو التوجه نحو تصميم ميزات واضحة، بدلاً من الاعتماد على السعة التدريبية لل classifiers، مما يؤسس نموذج تصنيف شفَّاف وموثوق يُقرب بين أداء التعلم العميق وقدرة تفسيره في الجانب السريري. ما رأيكم في هذه التقنية الرائدة؟ شاركونا آراءكم في التعليقات!