الخلفية والهدفيُعد سرطان عنق الرحم أحد الأسباب الرئيسية لوفاة النساء. مثل أي مرض آخر، فإن الكشف المبكر عن سرطان عنق الرحم والعلاج بأسلوب طبي مثالي يُعد الخطوات الأساسية التي يجب اتخاذها لضمان تقليل الآثار الجانبية الناتجة عن الإصابة بهذا المرض. تُعد صور فحص السائل المهبلي (PaP smear) إحدى أكثر الطرق فعالية للكشف عن وجود هذا النوع من السرطان. ويُقدّم هذا المقال نهجًا مُجمّعًا يعتمد على المسافة الضبابية (fuzzy distance-based ensemble)، يتكون من نماذج تعتمد على التعلم العميق، للكشف عن سرطان عنق الرحم في صور فحص السائل المهبلي.الطرقلأداء هذه المهمة، استخدمنا ثلاث نماذج تعتمد على التعلم النقلية (transfer learning): Inception V3 وMobileNet V2 وInception ResNet V2، مع إضافة طبقات إضافية لاستخلاص ميزات مخصصة للبيانات. ولتوحيد نتائج هذه النماذج، قمنا بطرح طريقة مجمعة جديدة تعتمد على تقليل قيم الخطأ بين القيم الملاحظة والقيم الحقيقية (ground-truth). بالنسبة للعينات التي تُنتج تنبؤات متعددة، قمنا أولًا بحساب ثلاث قياسات للمسافة: أويليدية (Euclidean) ومانهاتن (Manhattan، أو ما يُعرف بمسافة مربع المدينة City-Block) والجيبسي (Cosine)، لكل فئة بالنسبة لأفضل حل ممكن ممكن. ثم قمنا بتحديث هذه القياسات باستخدام قاعدة الضرب (product rule) لحساب التنبؤات النهائية.النتائجفي التجارب الحالية، حققنا نسب دقة قدرها 95.30% و93.92% و96.44% على التوالي عند تشغيل نماذج Inception V3 وMobileNet V2 وInception ResNet V2 بشكل منفصل. وبعد تطبيق التقنية المجمعة المقترحة، ارتفعت الأداء إلى 96.96%، وهي نسبة أعلى من أداء النماذج الفردية.الاستنتاجأظهرت النتائج التجريبية على ثلاث مجموعات بيانات متاحة للجمهور أن النموذج المقترح يحقق نتائج تنافسية مقارنة بالأساليب الحديثة المتطورة. ويقدم النهج المقترح تقنية تصنيف نهائية (end-to-end) للكشف عن سرطان عنق الرحم من صور فحص السائل المهبلي. وقد يُسهم ذلك في مساعدة المهنيين الطبيين على تحسين علاج هذا النوع من السرطان، وبالتالي زيادة الكفاءة العامة في عملية الفحص. يمكن الاطلاع على الشفرة المصدرية للعمل المقترح عبر الرابط: github.com/rishavpramanik/CervicalFuzzyDistanceEnsemble.