DOI: https://doi.org/10.1038/s41598-026-42290-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41813800
تاريخ النشر: 2026-03-11
المؤلف: M. D. Aaseegha وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
يظل سرطان الرئة أحد الأسباب الرئيسية للوفيات المرتبطة بالسرطان على مستوى العالم، حيث تم الإبلاغ عن حوالي 2.5 مليون حالة جديدة و1.8 مليون وفاة في عام 2022. تؤكد الحاجة الملحة لأدوات التشخيص المدعومة بالكمبيوتر الدقيقة على التحديات في الكشف المبكر عن سرطان الرئة غير صغير الخلايا (NSCLC)، الذي يمثل 80-85% من حالات سرطان الرئة. يقدم هذا البحث بنية جديدة تُعرف باسم Double Attention Hybrid CNN-HiFuse مصممة لتصنيف سرطان الرئة إلى ثلاث فئات: طبيعي، حميد، وخبيث، باستخدام صور الأشعة المقطعية للصدر (CT).
تم تدريب النموذج وتقييمه على مجموعة بيانات IQ-OTH/NCCD، التي تتكون من 1,190 شريحة CT من 110 مرضى، مع استخدام استراتيجية معالجة مسبقة وزيادة البيانات للتخفيف من عدم توازن الفئات. يدمج Hybrid CNN-HiFuse بين دمج الميزات متعددة المقاييس وآليات الانتباه القنوي والمكاني، محققًا دقة تصنيف إجمالية مثيرة للإعجاب تبلغ 98.12%. بالإضافة إلى ذلك، سجل قيم دقة واسترجاع وF1-score تبلغ 98.17% و98.12% و98.13% على التوالي، متفوقًا على النماذج الأساسية، بما في ذلك CNN مخصص وطرق التعلم الانتقالي (VGG16، ResNet50). تشير التحليلات، المدعومة بمصفوفة الارتباك ودراسات ROC، إلى معدلات تصنيف خاطئ منخفضة، خاصة بالنسبة للعقيدات الخبيثة، بينما تبرز خرائط الانتباه المناطق ذات الصلة سريريًا، مما يعزز من قابلية التفسير. على الرغم من أن الدراسة تعتمد على مجموعة بيانات محدودة من مركز واحد، تشير النتائج إلى أن إطار عمل Double Attention Hybrid CNN-HiFuse يمكن أن يحسن بشكل كبير أنظمة دعم القرار السريري، مما يساعد أطباء الأشعة في الكشف المبكر عن سرطان الرئة.
مقدمة
يظل سرطان الرئة أحد أكثر أنواع السرطان انتشارًا وأحد الأسباب الرئيسية للوفيات المرتبطة بالسرطان على مستوى العالم، مع تقديرات تشير إلى 2.5 مليون حالة جديدة و1.8 مليون وفاة تم الإبلاغ عنها في عام 2022. على الرغم من التقدم في تقنيات التصوير الطبي والتشخيص، لا يزال الكشف المبكر عن العقيدات الرئوية – وهو أمر حاسم لتحسين معدلات البقاء – يمثل تحديات كبيرة. تعقد طبيعة تحديد طبيعة العقيدات الأولية، جنبًا إلى جنب مع العملية التي تتطلب وقتًا طويلاً لأطباء الأشعة، هذه المشكلة. يمثل سرطان الرئة غير صغير الخلايا (NSCLC) حوالي 80-85% من حالات سرطان الرئة، ومع ذلك تركز هذه الدراسة على تصنيف ثلاثي أوسع للحالات الرئوية: نسيج رئوي طبيعي، عقيدات حميدة، وعقيدات خبيثة، وفقًا لمجموعة بيانات CT IQ-OTH/NCCD.
تؤكد الدراسة على أهمية التشخيص المبكر والدقيق لهذه الفئات لتقليل تقدم المرض وتحسين نتائج المرضى. غالبًا ما تظهر أعراض سرطان الرئة فقط في المراحل المتقدمة، مما يجعل الكشف المبكر أمرًا حيويًا لتقليل حدوث سرطان الرئة في المراحل المتأخرة وزيادة متوسط العمر المتوقع. تسلط طرق الكشف المختلفة، بما في ذلك التصوير المقطعي بالإصدار البوزيتروني (PET) والتصوير المقطعي المحوسب (CT) وغيرها، الضوء على الدور الحاسم لأطباء الأشعة في تحديد العقيدات الرئوية غير الطبيعية. ومع ذلك، فإن الكشف اليدوي مليء بالصعوبات، مما يؤدي إلى احتمالية حدوث تشخيصات مفقودة أو تصنيفات خاطئة، مما يستلزم تطوير أدوات تشخيصية أكثر كفاءة.
نقاش
في هذا القسم من النقاش، يبرز المؤلفون التحديات التي تواجهها أنظمة التشخيص المدعومة بالكمبيوتر التقليدية (CAD) في الكشف الدقيق وتصنيف العقيدات الرئوية الصغيرة في صور CT. يشيرون إلى أن الطرق الحالية غالبًا ما تعاني من معدلات إيجابية خاطئة مرتفعة وقدرات تقسيم غير كافية، خاصة بالنسبة للعقيدات الصغيرة، مما يمكن أن يؤدي إلى تصنيف خاطئ بين الأورام الحميدة والخبيثة. لمعالجة هذه القيود، يقترح المؤلفون نموذج Hybrid CNN-HiFuse جديد يدمج آلية انتباه مزدوج، مما يعزز قدرة النموذج على التركيز على المناطق الحرجة في الصورة مع تقليل الضوضاء غير ذات الصلة. يستخدم هذا النموذج دمج ميزات متعددة المقاييس بشكل هرمي، مما يسمح بتحسين تمثيل العقيدات الصغيرة وغير المتجانسة، ويهدف إلى تسهيل التصنيف متعدد الفئات للعقيدات الرئوية بشكل موثوق.
يشير المؤلفون إلى مختلف التقدمات في التعلم العميق (DL) لتصوير الطبي، مؤكدين تفوق الشبكات العصبية التلافيفية (CNNs) على الأساليب التقليدية للتعلم الآلي. يناقشون دمج آليات الانتباه في النماذج الحديثة، والتي تعزز من قابلية التفسير والأداء في مهام تقسيم الصور الطبية. تم تصميم بنية Hybrid CNN-HiFuse المقترحة لتصنيف العقيدات الرئوية بكفاءة إلى ثلاث فئات: طبيعي، حميد، وخبيث، بينما تقدم أيضًا إطار عمل يمكن دمجه بسلاسة في سير العمل السريري. تؤكد الدراسة على أهمية تطوير نماذج قوية وقابلة للتفسير لدعم أطباء الأشعة في اتخاذ قرارات تشخيصية مستنيرة، مما يحسن في النهاية نتائج المرضى في الكشف عن سرطان الرئة.
DOI: https://doi.org/10.1038/s41598-026-42290-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41813800
Publication Date: 2026-03-11
Author(s): M. D. Aaseegha et al.
Primary Topic: AI in cancer detection
Overview
Lung cancer remains a leading cause of cancer-related deaths worldwide, with approximately 2.5 million new cases and 1.8 million deaths reported in 2022. The urgency for accurate computer-aided diagnostic tools is underscored by the challenges in timely detection of non-small cell lung cancer (NSCLC), which accounts for 80-85% of lung cancer cases. This paper introduces a novel Double Attention Hybrid CNN-HiFuse architecture designed to classify lung cancer into three categories: normal, benign, and malignant, utilizing chest computed tomography (CT) images.
The model was trained and evaluated on the IQ-OTH/NCCD dataset, consisting of 1,190 CT slices from 110 patients, employing a preprocessing and augmentation strategy to mitigate class imbalance. The Hybrid CNN-HiFuse integrates multi-scale feature fusion with channel and spatial attention mechanisms, achieving an impressive overall classification accuracy of 98.12%. Additionally, it recorded precision, recall, and F1-score values of 98.17%, 98.12%, and 98.13%, respectively, outperforming baseline models, including a custom CNN and transfer-learning approaches (VGG16, ResNet50). The analysis, supported by confusion matrix and ROC studies, indicates low misclassification rates, particularly for malignant nodules, while attention maps highlight clinically relevant areas, enhancing interpretability. Although the study is based on a limited single-center dataset, the findings suggest that the Double Attention Hybrid CNN-HiFuse framework could significantly improve clinical decision-support systems, aiding radiologists in the early detection of lung cancer.
Introduction
Lung cancer remains one of the most prevalent cancers and a leading cause of cancer-related mortality worldwide, with an estimated 2.5 million new cases and 1.8 million deaths reported in 2022. Despite advancements in medical imaging and diagnostic technologies, early detection of lung nodules—critical for improving survival rates—continues to pose significant challenges. The complexity of identifying the nature of preliminary nodules, coupled with the time-intensive process required for radiologists, exacerbates this issue. Non-small cell lung cancer (NSCLC) accounts for approximately 80-85% of lung cancer cases, yet this study focuses on a broader triadic classification of lung conditions: normal lung tissue, benign nodules, and malignant nodules, as per the IQ-OTH/NCCD CT dataset.
The study underscores the importance of timely and accurate diagnosis of these categories to reduce disease progression and improve patient outcomes. Symptoms of lung cancer often appear only in advanced stages, making early detection vital for decreasing the incidence of late-stage lung cancer and enhancing life expectancy. Various detection methods, including Positron Emission Tomography (PET), Computed Tomography (CT), and others, highlight the critical role of radiologists in identifying abnormal lung nodules. However, manual detection is fraught with difficulties, leading to potential missed diagnoses or misclassifications, which necessitates the development of more efficient diagnostic tools.
Discussion
In this discussion section, the authors highlight the challenges faced by traditional Computer-Aided Diagnosis (CAD) systems in accurately detecting and classifying small lung nodules in CT images. They note that existing methods often struggle with high false-positive rates and inadequate segmentation capabilities, particularly for small nodules, which can lead to misclassification between benign and malignant tumors. To address these limitations, the authors propose a novel Hybrid CNN-HiFuse model that integrates a double attention mechanism, enhancing the model’s ability to focus on critical image regions while minimizing irrelevant noise. This model employs hierarchical multi-scale feature fusion, allowing for improved representation of small and heterogeneous nodules, and aims to facilitate reliable multi-class classification of lung nodules.
The authors reference various advancements in deep learning (DL) for medical imaging, emphasizing the superiority of Convolutional Neural Networks (CNNs) over traditional machine learning approaches. They discuss the integration of attention mechanisms in recent models, which enhance interpretability and performance in medical image segmentation tasks. The proposed Hybrid CNN-HiFuse architecture is designed to efficiently classify lung nodules into three categories: normal, benign, and malignant, while also providing a framework that can be seamlessly integrated into clinical workflows. The study underscores the importance of developing robust and interpretable models to support radiologists in making informed diagnostic decisions, ultimately improving patient outcomes in lung cancer detection.