DOI: https://doi.org/10.1038/s44360-026-00055-8
تاريخ النشر: 2026-02-05
المؤلف: Zhiying Liang وآخرون
الموضوع الرئيسي: تشخيص وعلاج سرطان الرئة
طرق
يستعرض قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح تصميم التجارب، بما في ذلك اختيار المواد، وإعداد الأجهزة، والبروتوكولات المتبعة لضمان قابلية التكرار وموثوقية النتائج. تم إجراء تحليلات إحصائية لتقييم دلالة النتائج، باستخدام تقنيات مثل ANOVA وتحليل الانحدار لتفسير البيانات بدقة.
علاوة على ذلك، يصف القسم النماذج الرياضية المستخدمة لتحليل العلاقات بين المتغيرات، بما في ذلك أي معادلات ذات صلة. تؤكد المنهجية على أهمية التحكم في العوامل المربكة لعزل تأثيرات المتغيرات الأساسية ذات الاهتمام. بشكل عام، فإن الطرق المستخدمة قوية ومصممة لمعالجة أسئلة البحث المطروحة، مما يضمن أن الاستنتاجات المستخلصة مدعومة جيدًا بالبيانات المجمعة.
النتائج
يقدم قسم النتائج في الدراسة تصميم ونتائج OMAFound، وهو نموذج أساسي للرؤية يعتمد على التعلم الذاتي (SSL) يستخدم بنية SwinUNETR-V2، والتي تعالج بفعالية البيانات الطبية ثلاثية الأبعاد من خلال دمج الالتفاف المتبقي وكتل المحول Swin. استخدمت مرحلة التدريب المسبق مجموعة بيانات غير مصنفة كبيرة تتكون من 209,461 صورة مقطعية من 58,811 مريضًا، مما يسمح للنموذج بالتعلم دون تسميات حالة المرض السريرية. أظهر التدريب المسبق أن نموذج الذكاء الاصطناعي القائم على الماموجرام حقق خصوصية بنسبة 90.0%، متماشيًا مع الأدبيات الحالية، بينما أظهر نموذج الثدي القائم على التصوير المقطعي المحوسب حساسية متفوقة (73.2%) مقارنة بنموذج الماموجرام (66.8%)، مما يشير إلى الفوائد المحتملة لتصوير الصدر بالتصوير المقطعي المحوسب المعزز بالذكاء الاصطناعي في اكتشاف سرطان الثدي.
لتقييم أداء النموذج بشكل أكبر وتقليل التحيز، تم إجراء دراسة قارئ مع خمسة أطباء أشعة ثدي ذوي خبرة، مقارنة تفسيراتهم مع نموذج الذكاء الاصطناعي القائم على الماموجرام على مجموعة فرعية من 190 حالة. كشفت النتائج أن أداء نموذج الذكاء الاصطناعي لم يكن أدنى من أداء الأطباء، مما يثبت فعالية النموذج ويؤسس معيار مرجعي قائم على الخبرة البشرية للتحليل المقارن. تم تقديم مقاييس مفصلة، بما في ذلك درجة F1 الموزونة، والدقة المتوازنة، والحساسية، والخصوصية لتفسيرات كل طبيب أشعة، في الجدول التكميلي 4.
المناقشة
يسلط قسم المناقشة في ورقة البحث الضوء على تطوير وتحقق OMAFound، وهو إطار مدفوع بالذكاء الاصطناعي لفحص السرطان المتعدد باستخدام التصوير المقطعي المحوسب غير المتباين بجرعات منخفضة. تؤكد الدراسة على قيود ممارسات الفحص الحالية، التي تركز عادةً على نوع واحد من السرطان لكل اختبار، مما يؤدي إلى زيادة التكاليف والتعرض للإشعاع للمرضى. يهدف OMAFound إلى معالجة ذلك من خلال تمكين الكشف المتزامن عن عدة أنواع من السرطان من جلسة تصوير واحدة. تم ضبط النموذج باستخدام مجموعات بيانات واسعة، محققًا مقاييس أداء قوية، بما في ذلك دقة متوازنة بنسبة 76.5% لسرطان الثدي و86.1% لسرطان الرئة في التقييمات المستقبلية.
تناقش الورقة أيضًا التحديات التي تواجهها نماذج الذكاء الاصطناعي التقليدية في القابلية العامة عبر الأعضاء والحاجة إلى نهج غير محدد بالمهام. يستخدم OMAFound نموذج أساس للتعلم الذاتي (SSL)، الذي يستفيد من البيانات غير المصنفة على نطاق واسع لتعزيز قدراته التنبؤية عبر أنواع السرطان المختلفة. تشير النتائج إلى أن OMAFound لا يحسن فقط معدلات اكتشاف السرطان ولكن أيضًا يدعم الأطباء في اتخاذ القرارات، مما يظهر تحسينات كبيرة في الحساسية في اكتشاف كل من سرطان الثدي وسرطان الرئة. بشكل عام، تشير النتائج إلى أن OMAFound يمكن أن يحدث ثورة في فحص السرطان من خلال توفير حل شامل وفعال من حيث التكلفة يعزز الاكتشاف المبكر مع تقليل عبء المرضى.
DOI: https://doi.org/10.1038/s44360-026-00055-8
Publication Date: 2026-02-05
Author(s): Zhiying Liang et al.
Primary Topic: Lung Cancer Diagnosis and Treatment
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the design of the experiments, including the selection of materials, the setup of apparatus, and the protocols followed to ensure reproducibility and reliability of results. Statistical analyses were conducted to evaluate the significance of the findings, employing techniques such as ANOVA and regression analysis to interpret the data accurately.
Furthermore, the section describes the mathematical models used to analyze the relationships between variables, including any relevant equations. The methodology emphasizes the importance of controlling for confounding factors to isolate the effects of the primary variables of interest. Overall, the methods employed are robust and tailored to address the research questions posed, ensuring that the conclusions drawn are well-supported by the data collected.
Results
The results section of the study presents the design and findings of OMAFound, a self-supervised learning (SSL) based vision foundation model utilizing the SwinUNETR-V2 architecture, which effectively processes 3D medical data by integrating residual convolution and Swin transformer blocks. The pretraining phase utilized a substantial unlabelled dataset comprising 209,461 CT scans from 58,811 patients, allowing the model to learn without clinical disease status labels. The pretraining demonstrated that the mammography-based AI model achieved a specificity of 90.0%, aligning with existing literature, while the CT-based breast module exhibited superior sensitivity (73.2%) compared to the mammography model (66.8%), indicating the potential advantages of AI-enhanced chest CT in breast cancer detection.
To further assess the model’s performance and mitigate bias, a reader study was conducted with five experienced breast radiologists, comparing their interpretations with the mammography-based AI model on a subset of 190 cases. The findings revealed that the AI model’s performance was non-inferior to that of the radiologists, thereby validating the model’s effectiveness and establishing a human expert-based reference benchmark for the comparative analysis. Detailed metrics, including weighted F1 score, balanced accuracy, sensitivity, and specificity for each radiologist’s interpretations, are provided in Supplementary Table 4.
Discussion
The discussion section of the research paper highlights the development and validation of OMAFound, an AI-driven framework for multi-cancer screening using low-dose non-contrast CT scans. The study emphasizes the limitations of current screening practices, which typically focus on a single cancer type per test, leading to increased costs and radiation exposure for patients. OMAFound aims to address this by enabling simultaneous detection of multiple cancers from a single imaging session. The model was fine-tuned using extensive datasets, achieving robust performance metrics, including a balanced accuracy of 76.5% for breast cancer and 86.1% for lung cancer in prospective evaluations.
The paper also discusses the challenges faced by conventional AI models in cross-organ generalizability and the need for task-agnostic approaches. OMAFound employs a self-supervised learning (SSL) foundation model, which utilizes large-scale unlabelled data to enhance its predictive capabilities across different cancer types. The results indicate that OMAFound not only improves cancer detection rates but also supports radiologists in decision-making, demonstrating significant sensitivity improvements in both breast and lung cancer detection. Overall, the findings suggest that OMAFound could revolutionize cancer screening by providing a cost-effective, comprehensive solution that enhances early detection while minimizing patient burden.