ESFPNet: بنية تعلم عميق كفؤة للتقسيم الزمني الفعلي للآفات في مقاطع الفيديو المنظارية للقصبة الهوائية بالضوء الفلوري الذاتي

يُعد سرطان الرئة من الأمراض التي تُكتشف غالبًا في مراحل متقدمة، مما يؤدي إلى معدلات عالية من الوفيات بين المرضى. ولهذا السبب، ركّزت الأبحاث الحديثة بشكل كبير على الكشف المبكر عن المرض. ويشكل التنظير القصبي (Bronchoscopy) الإجراء المفضّل للكشف الفعّال عن التغيرات المبكرة (الآفات القصبية) لسرطان الرئة بطريقة غير جراحية. وبشكل خاص، يُميّز التنظير القصبي بالانبعاث الذاتي للضوء (Autofluorescence Bronchoscopy, AFB) بين الخصائص الانبعاثية الذاتية للأنسجة الطبيعية (الخضراء) والأنسجة المُصابة (البنية الحمراء)، من خلال ألوان مختلفة. وبما أن الدراسات الحديثة تُظهر حساسية عالية لتقنية AFB في اكتشاف الآفات، أصبحت هذه التقنية أداة محورية محتملة في فحوصات القصبات القصبية. غير أن مراجعة الصور المتحركة لتقنية AFB يدويًا تكون مملة للغاية وعرضة للأخطاء، في حين بذلت جهود محدودة حتى الآن لتطوير تحليل آلي أكثر موثوقية لآفات AFB. نقترح في هذا العمل معمارية تعتمد على التعلم العميق تُسمى ESFPNet، تُعالج في الوقت الفعلي (بمعدل معالجة 27 إطارًا في الثانية) وتمكّن من تقسيم دقيق واكتشاف موثوق للآفات القصبية في تدفقات الفيديو الخاصة بـ AFB. وتتميز المعمارية ببنية مشفرة (Encoder) تستفيد من مشفرات مُدرّبة مسبقًا من نوع Mix Transformer (MiT)، وبنية فاصلة مُرَتّبة فعّالة (ESFP) تعتمد على هرمية ميزات مُتعددة المراحل. وتشير نتائج التقسيم المستمدة من فيديوهات فحص القصبات لـ 20 مريضًا مصابًا بسرطان الرئة إلى أن النهج المقترح يحقق مؤشر دايسي متوسطًا قدره 0.756، ومتوسط تقاطع الوحدة (Intersection over Union) بقيمة 0.624، وهي نتائج أفضل من تلك التي تولّدها المعماريّات الحديثة الأخرى. وبذلك، تقدّم ESFPNet أداة واعدة للطبيب لتقسيم واكتشاف الآفات في الوقت الفعلي بدقة وثقة خلال فحص قصبي حي. علاوةً على ذلك، تُظهر نماذجنا إمكانات تطبيقية واعدة في مجالات أخرى، كما يُثبت أداءها المتميز (SOTA) على مجموعات بيانات CVC-ClinicDB وETIS-LaribPolypDB، وأداءً متفوّقًا على مجموعات بيانات Kvasir وCVC-ColonDB.