يُعدّ السرطان القولوني المستقيم أحد أكثر الأسباب شيوعًا للإصابة بالسرطان والوفاة الناتجة عن السرطان في جميع أنحاء العالم. يُعدّ إجراء فحص سرطان القولون في الوقت المناسب هو المفتاح للكشف المبكر. يُعدّ المنظار القولوني الأسلوب الرئيسي المستخدم لتشخيص سرطان القولون. ومع ذلك، لا تزال معدلات إغفال الأورام الحميدة (البوليبيات) والورم الحميد المتقدم (الورم الحميد المتقدم) مرتفعة بشكل كبير. ويمكن أن يُسهم الكشف المبكر عن البوليبيات في مرحلة ما قبل السرطانية في خفض معدل الوفيات والعبء الاقتصادي المرتبط بسرطان القولون المستقيم. وقد يساعد نظام التشخيص المدعوم بالذكاء الاصطناعي القائم على التعلم العميق (CADx) الأطباء المختصين في الجهاز الهضمي على اكتشاف البوليبيات التي قد تُغفل في العادة، وبالتالي تحسين معدل اكتشاف البوليبيات. علاوة على ذلك، قد يُثبت نظام CADx أنه نظام فعّال من حيث التكلفة، ويساهم في تحسين الوقاية طويلة الأمد من سرطان القولون المستقيم. في هذه الدراسة، اقترحنا معمارية قائمة على التعلم العميق لتقسيم البوليبيات تلقائيًا، تُسمّى Transformer ResU-Net (TransResU-Net). تم بناء المعمارية المقترحة على أساس كتل متكررة (residual blocks) باستخدام ResNet-50 كهيكل أساسي، مع الاستفادة من آلية الانتباه الذاتي (self-attention) في نموذج الترانسفورمر، بالإضافة إلى التباين المُمتد (dilated convolution). أظهرت نتائج التجارب على مجموعتي بيانات عامة متاحة مسبقًا لتقسيم البوليبيات نتائج ممتازة من حيث مؤشر ديك (Dice Score) وسرعة تنفيذ في الزمن الحقيقي. وبما أن أداء TransResU-Net متميز في مقاييس الأداء التي تم اختبارها، استنتجنا أن TransResU-Net يمكن أن يكون معيارًا قويًا لبناء نظام كشف بوليبيات في الزمن الحقيقي، يُسهم في التشخيص المبكر والعلاج والوقاية من سرطان القولون المستقيم. يمكن الوصول إلى الكود المصدري للمعمارية المقترحة TransResU-Net عبر الرابط التالي: https://github.com/nikhilroxtomar/TransResUNet.