مجموعة متعددة قائمة على التصنيف الضبابي لنموذج CNN لتصنيف الخلايا عنق الرحم

يُصيب السرطان الرحم أكثر من 0.5 مليون امرأة سنويًا، ويُسبب أكثر من 0.3 مليون حالة وفاة. يُعدّ الكشف المبكر عن السرطان أمرًا بالغ الأهمية للقضاء على المرض من جسم المريضة. ومع ذلك، يُعاني الفحص الدوري للسكان من قيود تتعلق بتكاليفه العالية وطبيعته المكثفة من حيث الجهد البشري، حيث يتعين على الأطباء تصنيف خلايا فردية من شريحة مُصبغة تحتوي على أكثر من 100,000 خلية عنق الرحم للكشف عن السرطان. ولذلك، تُستخدم أنظمة التشخيص المدعوم بالحوسبة (CAD) كحل بديل فعّال للكشف السريع والسهل عن السرطان. في هذا البحث، نُطور طريقةً من هذا القبيل، حيث نُنشئ نموذج تصنيف مبني على التجميع (Ensemble) باستخدام ثلاث هياكل لشبكات التعميق التلافيفية (CNN)، وهي: Inception v3 و Xception و DenseNet-169، والتي تم تدريبها مسبقًا على مجموعة بيانات ImageNet، وذلك لتصنيف خلية فردية مُصبغة بقطرات باب (Pap) والصور الكاملة للشريحة. يستخدم النموذج المقترح خطة دمج قائمة على التصنيف المرتّب الضبابي (Fuzzy Rank-based Fusion)، وذلك من خلال تطبيق دالتين غير خطيتين على الدرجات الناتجة عن القرارات التي تُصدرها النماذج الأساسية. على عكس أساليب الدمج البسيطة المتوفرة في الأدبيات السابقة، فإن التقنية المقترحة للجمع تُنتج التنبؤات النهائية على العينات التجريبية مع أخذ درجة الثقة في تنبؤات النماذج الأساسية بعين الاعتبار. وقد تم تقييم النموذج المقترح على مجموعتي بيانات معياريّتين متاحتين للعامة، وهما: مجموعة بيانات SIPaKMeD لفحص السائل الذهني (Pap Smear) ومجموعة بيانات Mendeley للسيتولوجيا القائمة على السائل (LBC)، باستخدام نموذج تقسيم متقاطع (5-fold cross-validation). وقد حقق النموذج في مجموعة بيانات SIPaKMeD دقة تصنيف بلغت 98.55% وحساسية 98.52% في الإعداد الثنائي الفئة، ودقة 95.43% وحساسية 98.52% في الإعداد الخماسي الفئة. أما في مجموعة بيانات Mendeley LBC، فقد بلغت الدقة 99.23% والحساسية 99.23%. وتُظهر النتائج تفوق النموذج على العديد من النماذج الرائدة في مجال التكنولوجيا الحالية، مما يُبرر فعاليته. وتم إتاحة الشفرات المتعلقة بهذا النموذج بشكل عام على منصة GitHub.