الغليومات، وهي نوع من أورام الدماغ تتميز بارتفاع معدل الوفيات، تشكل تحديات تشخيصية كبيرة في الدول ذات الدخل المنخفض والمتوسط، وخاصة في أفريقيا جنوب الصحراء الكبرى. يقدّم هذا البحث منهجًا جديدًا لتقسيم الغليومات باستخدام التعلم الناقل (Transfer Learning) لمعالجة التحديات في المناطق المحدودة الموارد، والتي تعاني من بيانات محدودة وذات جودة منخفضة من التصوير بالرنين المغناطيسي (MRI). نستخدم نماذج تعلم عميق مُدرّبة مسبقًا، مثل nnU-Net وMedNeXt، ونطبّق استراتيجية تدريب دقيق مُقسّمة (stratified fine-tuning) باستخدام مجموعتي بيانات BraTS2023-Adult-Glioma وBraTS-Africa. يستفيد منهجنا من تحليلات الراديوميك (radiomic analysis) لتكوين طُرق تدريب مُقسّمة، وتدريب النموذج على مجموعة بيانات كبيرة لأورام الدماغ، ثم تطبيق التعلم الناقل في السياق الأفريقي جنوب الصحراء الكبرى. كما نستخدم استراتيجية تجميع نماذج مُوزّنة (weighted model ensembling) ومعالجة ما بعد تلقائية (adaptive post-processing) لتعزيز دقة التقسيم. أظهر التقييم للمنهج المقترح على حالات تحقق غير مرئية ضمن مهمة BraTS-Africa 2024 نتائج متوسطة لمعيار دايسي (Dice score) على مستوى البقع (lesion-wise) تبلغ 0.870 و0.865 و0.926 على التوالي، لمناطق الورم المُعزّز، ونواة الورم، والورم الكامل، واحتل المنهج المرتبة الأولى في التحدي. يبرز هذا النهج القدرة الحقيقية للتقنيات المدمجة للذكاء الاصطناعي على سد الفجوة بين قدرات التصوير الطبي في الدول ذات الموارد المحدودة والمناطق المتقدمة المتطورة. وبما نخصص مناهجنا لتلبية الاحتياجات والقيود الخاصة بمجتمعات الهدف، نسعى إلى تعزيز القدرات التشخيصية في البيئات المعزولة. وتُبرز نتائجنا أهمية النهج مثل دمج البيانات المحلية وتحسين التصنيف المُقسّم لمعالجة الفوارق الصحية، وضمان التطبيق العملي، وتعزيز الأثر.يتوفر نسخة مُحَوَّلة إلى Docker (Dockerized version) من خوارزمية الفائز في مسابقة BraTS-Africa 2024 عبر الرابط التالي: https://hub.docker.com/r/aparida12/brats-ssa-2024.