الذكاء الاصطناعي في صحة الرئة: تقييم نماذج الكشف والتشخيص عبر مجموعات بيانات متعددة من التصوير بالأشعة المقطعية

يظل السرطان الرئوي السبب الرئيسي للوفاة الناتجة عن السرطان في جميع أنحاء العالم، وقد أظهر الكشف المبكر من خلال التصوير المقطعي المحوسب بجرعة منخفضة (LDCT) إمكانات كبيرة في خفض معدلات الوفاة. ومع التكامل المتزايد للذكاء الاصطناعي (AI) في التصوير الطبي، أصبحت الحاجة إلى مجموعات بيانات كبيرة ومُعلَّمة بدقة ضرورية لتطوير وتقييم نماذج الذكاء الاصطناعي القوية. في هذه الدراسة، نقدم فائدة مجموعة بيانات دوك للكشف عن سرطان الرئة (DLCS)، وهي أكبر مجموعة بيانات مفتوحة الوصول من نوع التصوير المقطعي المحوسب بجرعة منخفضة (LDCT) تضم أكثر من 2000 تصويرًا و3000 ورم رئوي تم التحقق منها من قبل خبراء. قمنا بقياس أداء نماذج التعلم العميق في كلا المجالين: الكشف عن الورم الرئوي ثلاثي الأبعاد والتصنيف السرطاني الرئوي، على مجموعات بيانات داخلية وخارجية تشمل LUNA16 وLUNA25 وNLST-3D+. بالنسبة للكشف، طوّرنا نموذجين مستندين إلى منصة MONAI يعتمدان على نموذج RetinaNet (DLCSDmD وLUNA16-mD)، وتم تقييمهما باستخدام مقياس الأداء في المسابقة (CPM). أما في مجال التصنيف، فقد قارنا خمسة نماذج، تشمل نماذج مُدرّبة مسبقًا من أحدث التقنيات (Models Genesis وMed3D)، ونموذج أساسي ذاتي التعلّم (FMCB)، ونموذج ResNet50 مُهيأ عشوائيًا، بالإضافة إلى اقتراح نموذج جديد يُسمى Strategic Warm-Start++ (SWS++). يعتمد نموذج SWS++ على استخدام لقطات مختارة بعناية كمرشحات لتدريب جزء أساسي للتصنيف ضمن نفس النموذج المستخدم في الكشف، مما يتيح تعلّم ميزات ذات صلة بالمهام. أظهرت النماذج قدرة عالية على التعميم، حيث حقق نموذج SWS++ أداءً مماثلًا أو أفضل من النماذج الأساسية الحالية على عدة مجموعات بيانات (AUC: من 0.71 إلى 0.90). تم إصدار جميع الكود والنماذج والبيانات بشكل مفتوح لتعزيز قابلية إعادة التكرار والتعاون. تُعد هذه الدراسة إسهامًا في إنشاء مرجع قياسي لاختبار النماذج في مجال الذكاء الاصطناعي لسرطان الرئة، مما يدعم الجهود المستقبلية في تطوير النماذج، وتحقيق التحقق منها، والتحويل السريري.