DOI: https://doi.org/10.1038/s41598-025-32978-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41484311
تاريخ النشر: 2026-01-03
المؤلف: Sivaraman Jayanthi وآخرون
الموضوع الرئيسي: تشخيص COVID-19 باستخدام الذكاء الاصطناعي
نظرة عامة
تعتبر المرارة، وهي عضو صغير يقع تحت الكبد، تلعب دورًا حيويًا في التخزين المؤقت للصفراء، وهي سائل هضمي ينتجه الكبد. توجد أمراض مختلفة للمرارة، والتشخيص المبكر ضروري للعلاج الفعال. يمكن أن تؤدي التأخيرات أو الأخطاء في التشخيص إلى نتائج طبية سيئة وتفاقم أعراض المرضى.
نظرًا لتعقيد الأعراض المرتبطة باضطرابات المرارة، والتي يمكن أن تكون غامضة في كثير من الأحيان، من الضروري أن يمتلك المتخصصون في الرعاية الصحية فهمًا شاملاً لتصوير الموجات فوق الصوتية. هذه الخبرة ضرورية لتفسير الصور بدقة وتسهيل التدخلات المناسبة وفي الوقت المناسب للمرضى الذين يعانون من حالات المرارة.
مقدمة
تناقش مقدمة الورقة أهمية التشخيص المبكر والدقيق لأمراض المرارة (GB)، وهي حالات شائعة تؤثر على حوالي 10-15% من البالغين. تقع المرارة على السطح السفلي للكبد، وهي عرضة لمجموعة متنوعة من الاضطرابات، بما في ذلك حصى المرارة (cholelithiasis)، والزوائد، والسرطان، من بين أمور أخرى. إن التعرف الدقيق على نوع وشدة أمراض المرارة أمر حاسم للعلاج والإدارة الفعالة. يتم استخدام تصوير الموجات فوق الصوتية (US) بشكل شائع للتشخيص، ولكن يتطلب تفسيره محترفين مهرة، ويمكن أن يكون الوصول إليه محدودًا في المناطق النائية.
لمعالجة هذه التحديات، تقدم الورقة نموذج تعلم عميق هجين مع هندسة ميزات للتشخيص الدقيق لأنواع أمراض المرارة (HDLMFE-ADGDT). يستفيد هذا النموذج من التقدم في الذكاء الاصطناعي، وخاصة التعلم العميق (DL)، لتعزيز عملية التشخيص من خلال أتمتة تحليل الصور وتحسين الدقة. تهدف المنهجية المقترحة إلى مساعدة المتخصصين في الرعاية الصحية في تصنيف مختلف أمراض المرارة، مما يسهل سير العمل التشخيصي وقد يحسن نتائج المرضى.
طرق
في هذه الدراسة، يقدم المؤلفون نهج HDLMFE-ADGDT، الذي يهدف إلى تعزيز تصنيف فئات أمراض المرارة من خلال نموذج التعلم العميق (DL). تشمل المنهجية عدة مكونات رئيسية: إزالة الضوضاء، واستخراج الميزات، وعملية تصنيف هجينة. تعمل هذه العناصر معًا لتحسين دقة وفعالية مهمة التصنيف، مع معالجة التعقيدات المرتبطة بتصنيف أمراض المرارة. يتم وضع النهج المقترح كخطوة تقدمية كبيرة في تطبيق تقنيات DL للتشخيص الطبي.
نقاش
في مناقشة الورقة البحثية، يتم تقييم منهجيات مختلفة لتشخيص أمراض المرارة، مع تسليط الضوء على التقدم في تقنيات الكشف الآلي. يستخدم أسلوب GBCD-AGTOTL من قبل العزوري وآخرون التعلم العميق (DL) لتحليل صور الموجات فوق الصوتية للكشف عن سرطان المرارة (GBC)، باستخدام وحدة Inception لاستخراج الميزات. تستكشف دراسات أخرى، مثل تلك التي أجراها حسن وآخرون ودو وآخرون، فعالية نماذج التعلم الآلي (ML) في التمييز بين الآفات الحميدة والخبيثة في المرارة باستخدام الأشعة المقطعية وتحليل مصل الدم، على التوالي. من الجدير بالذكر أن تقنية HDLMFE-ADGDT تم تقديمها، والتي تدمج تقليل الضوضاء من خلال فلتر وسائل غير محلية (NLM) لتحسين جودة الصورة، تليها استخراج الميزات باستخدام نموذج SE-CapsNet والتصنيف عبر نهج CNN-BiLSTM الهجين.
تظهر تحليل أداء نموذج HDLMFE-ADGDT على مجموعة بيانات تتكون من 10,692 صورة نتائج مثيرة للإعجاب، حيث حقق دقة متوسطة تبلغ 99.09% مع مقاييس عالية من الدقة والحساسية والنوعية. تؤكد الدراسة على قوة النموذج في التعامل مع الضوضاء والحفاظ على التفاصيل الهيكلية في صور الموجات فوق الصوتية، وهو أمر حاسم للكشف الدقيق عن الأمراض. ومع ذلك، يتم الاعتراف بالقيود مثل تنوع مجموعة البيانات المحدود والحساسية للتغيرات في جودة الصورة، مما يشير إلى تحديات محتملة في تعميم النموذج عبر إعدادات سريرية مختلفة. بشكل عام، تسلط النتائج الضوء على فعالية النهج المقترح في تصنيف أمراض المرارة مع إبراز مجالات التحسين المستقبلية.
DOI: https://doi.org/10.1038/s41598-025-32978-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41484311
Publication Date: 2026-01-03
Author(s): Sivaraman Jayanthi et al.
Primary Topic: COVID-19 diagnosis using AI
Overview
The gallbladder, a small organ located beneath the liver, plays a vital role in the temporary storage of bile, a digestive fluid produced by the liver. Various gallbladder diseases exist, and early diagnosis is essential for effective treatment. Delays or errors in diagnosis can lead to poor medical outcomes and exacerbate patient symptoms.
Given the complexity of symptoms associated with gallbladder disorders, which can often be ambiguous, it is imperative for medical professionals to possess a thorough understanding of ultrasound imaging. This expertise is crucial for accurately interpreting images and facilitating timely and appropriate interventions for patients with gallbladder conditions.
Introduction
The introduction of the paper discusses the significance of early and accurate diagnosis of gallbladder (GB) illnesses, which are prevalent conditions affecting approximately 10-15% of adults. The GB, located on the liver’s lower surface, is susceptible to various disorders, including cholelithiasis (gallstones), polyps, and carcinoma, among others. Accurate identification of the type and severity of GB diseases is crucial for effective treatment and management. Ultrasound (US) imaging is commonly employed for diagnosis, but its interpretation requires skilled professionals, and access can be limited in remote areas.
To address these challenges, the paper introduces a Hybrid Deep Learning Model with Feature Engineering for the Accurate Diagnosis of Gallbladder Disease Types (HDLMFE-ADGDT). This model leverages advancements in artificial intelligence, particularly deep learning (DL), to enhance the diagnostic process by automating image analysis and improving accuracy. The proposed methodology aims to assist medical professionals in classifying various GB pathologies, thereby streamlining the diagnostic workflow and potentially improving patient outcomes.
Methods
In this study, the authors introduce the HDLMFE-ADGDT approach, aimed at enhancing the classification of GB disease categories through a deep learning (DL) model. The methodology encompasses several key components: noise elimination, feature extraction, and a hybrid classification process. These elements work in concert to improve the accuracy and effectiveness of the classification task, addressing the complexities associated with GB disease categorization. The proposed approach is positioned as a significant advancement in the application of DL techniques for medical diagnostics.
Discussion
In the discussion of the research paper, various methodologies for diagnosing gallbladder diseases are evaluated, highlighting advancements in automated detection techniques. The GBCD-AGTOTL method by Alazwari et al. employs deep learning (DL) for analyzing ultrasound images to detect gallbladder cancer (GBC), utilizing an Inception module for feature extraction. Other studies, such as those by Hasan et al. and Dou et al., explore the efficacy of machine learning (ML) models in distinguishing between benign and malignant gallbladder lesions using CT scans and serum spectroscopy, respectively. Notably, the HDLMFE-ADGDT technique is introduced, which integrates noise reduction through a non-local means (NLM) filter to enhance image quality, followed by feature extraction using the SE-CapsNet model and classification via a hybrid CNN-BiLSTM approach.
The performance analysis of the HDLMFE-ADGDT model on a dataset of 10,692 images demonstrates impressive results, achieving an average accuracy of 99.09% with high precision, sensitivity, and specificity metrics. The study emphasizes the model’s robustness in handling noise and maintaining structural details in ultrasound images, which is crucial for accurate disease detection. However, limitations such as restricted dataset diversity and sensitivity to variations in image quality are acknowledged, suggesting potential challenges in generalizing the model across different clinical settings. Overall, the findings underscore the effectiveness of the proposed approach in gallbladder disease classification while highlighting areas for future improvement.