DOI: https://doi.org/10.1038/s41598-026-40906-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41721067
تاريخ النشر: 2026-02-20
المؤلف: Maninder Singh وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
يتناول هذا القسم من ورقة البحث تطوير نموذج هجين متعدد المقاييس من نوع ResNet-Transformer مصمم لتصنيف آفات الثدي في صور الماموجرام، بهدف تحسين اتخاذ القرارات السريرية وتقليل الخزعات غير الضرورية. يجمع النموذج المقترح بين قدرات التمثيل المكاني لـ ResNet-50 وقوة النمذجة السياقية لطبقات الانتباه الذاتي متعددة الرؤوس الخفيفة، مما يخلق بنية موحدة. تم تقديم دالة خسارة جديدة تعرف باسم “Distance-Aware Learning” لتعكس الطبيعة الترتيبية لفئات BI-RADS، مع فرض عقوبات على التنبؤات بناءً على قربها من الفئة الحقيقية.
تستخدم مرحلة المعالجة المسبقة تقنية “Contrast Limited Adaptive Histogram Equalization” (CLAHE) لتعزيز التباين في صور الماموجرام، إلى جانب زيادة متوازنة وتحسينات خاضعة للرقابة للتخفيف من عدم توازن البيانات. يظهر النموذج تعميماً قوياً، حيث حقق دقة اختبار تبلغ 0.921 ومتوسط AUC قدره 0.987 على مجموعة الاختبار. ومن الجدير بالذكر أنه يظهر تمييزًا عاليًا لكل فئة، مع درجات F1 تتجاوز 0.92 لفئات BI-RADS 4-5 الحرجة. بالإضافة إلى ذلك، تشير التصورات في فضاء الميزات وشرح Grad-CAM البصري إلى أن النموذج يركز بفعالية على مناطق الآفات السريرية ذات الصلة، مما ينتج عنه مخرجات قابلة للتفسير تتماشى مع تقييمات أطباء الأشعة. يقدم هذا الإطار نهجًا واعدًا لتصنيف BI-RADS الآلي، مما قد يعزز سير العمل التشخيصي المدعوم بالحاسوب في المستقبل.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الانتشار المقلق لسرطان الثدي، الذي يُعتبر أكثر الأورام شيوعًا بين النساء في جميع أنحاء العالم وأحد الأسباب الرئيسية للوفيات المرتبطة بالسرطان. وفقًا لـ GLOBOCAN 2020، كان هناك حوالي 2.3 مليون حالة جديدة وأكثر من 685,000 وفاة ناتجة عن سرطان الثدي على مستوى العالم. تشير التوقعات إلى أن معدل حدوث الحالات الجديدة سنويًا قد يتجاوز 3.2 مليون بحلول عام 2040، مدفوعًا بشكل أساسي بنمو السكان وشيخوخة التركيبة السكانية. يبرز هذا الاتجاه الحاجة الملحة لتحسين الكشف المبكر والتشخيص الدقيق للمرض.
بينما تحسنت معدلات البقاء على قيد الحياة لسرطان الثدي بشكل كبير في البلدان ذات الدخل المرتفع بفضل برامج الفحص المنظم، والتقدم في تقنيات التصوير، والوصول إلى خيارات العلاج المتعددة، لا تزال هناك تفاوتات في النتائج عبر مناطق مختلفة. تمهد المقدمة الطريق لمناقشة أهمية استمرار البحث والابتكار في الكشف عن سرطان الثدي وعلاجه لمواجهة هذه التحديات بفعالية.
طرق البحث
في هذه الدراسة، تم إجراء التجارب باستخدام بيئة Google Collaboratory Pro المجهزة بوحدة معالجة الرسوميات NVIDIA Tesla T4، باستخدام Python مع مكتبات PyTorch وTensorFlow التي تدعم CUDA. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (70%)، والتحقق (15%)، والاختبار (15%)، مع الحفاظ على توزيع فئات BI-RADS لضمان تمثيل الفئات الأقل. تم تدريب النموذج بحجم دفعة قدره 8، باستخدام مُحسِّن Adam.
أشارت النتائج إلى أن معظم الأخطاء في التصنيف حدثت بين فئات BI-RADS المجاورة، مثل بين الفئات 2 و3 أو 4 و5. تعتبر هذه النتيجة مقبولة سريريًا، حيث تعكس الفروق الدقيقة بين هذه الفئات. تم تسليط الضوء على استخدام خسارة DAL كعامل مهم في فرض الاتساق الترتيبي، مما يقلل من العقوبات المرتبطة بالأخطاء الكبيرة في التصنيف.
مناقشة
تؤكد قسم المناقشة في ورقة البحث على الحاجة الملحة لتحسين طرق فحص سرطان الثدي، خاصة في البلدان ذات الدخل المنخفض والمتوسط حيث تكون التشخيصات المتأخرة شائعة بسبب نقص البنية التحتية والوعي. تبرز الدراسة قيود نظام تصنيف تصوير الثدي والتقارير والبيانات (BI-RADS)، الذي، على الرغم من كونه معيارًا لتقارير الماموجرام، يعاني من تباين بين المراقبين وتحديات في تصنيف النتائج بدقة، خاصةً في النساء ذوات الأنسجة الثديية الكثيفة. يمكن أن يؤدي هذا التباين إلى أخطاء في التصنيف تؤدي إما إلى خزعات غير ضرورية أو تأخير العلاج الحاسم، مما يبرز ضرورة وجود أنظمة تشخيص مدعومة بالحاسوب موثوقة.
يظهر نموذج Multi-Scale Hybrid ResNet-Transformer المقترح، المعزز بخسارة Distance-Aware Learning (DAL)، تقدمًا كبيرًا في تصنيف الماموجرام. يحقق دقة عالية وتعميمًا قويًا عبر فئات BI-RADS مع الحفاظ على قابلية التفسير ذات المعنى السريري. يدمج النموذج بفعالية استخراج الميزات المكانية من ResNet، والتفكير السياقي من خلال Transformers، والاتساق الترتيبي عبر خسارة DAL، مما يؤدي إلى معايرة موثوقة لاحتمالات الحدود واتخاذ القرارات. هذا يضع النموذج الهجين كأداة واعدة لأنظمة دعم اتخاذ القرار السريري، قادرة على تحسين الكشف المبكر وإدارة سرطان الثدي.
القيود
تقدم الدراسة نتائج واعدة؛ ومع ذلك، يجب مراعاة عدة قيود. أولاً، كانت مجموعة البيانات المستخدمة صغيرة نسبيًا، وغير متوازنة، ومأخوذة من مستودع عام واحد، مما قد يعيق تعميم النتائج عبر بيئات سريرية وتقنيات تصوير مختلفة. بالإضافة إلى ذلك، تركز الغالبية العظمى من منهجيات التعلم العميق الحالية لتصوير الثدي بشكل أساسي على التصنيفات الثنائية للآفات الحميدة مقابل الخبيثة، بدلاً من التصنيف الترتيبي الشامل لـ BI-RADS. يحد هذا التركيز من القدرة على إجراء مقارنات مباشرة مع أطر BI-RADS المتخصصة الترتيبية أو متعددة الفئات، مما يقيد المعايير الأوسع للنهج المقترح.
علاوة على ذلك، لم تقم الدراسة بنمذجة كثافة الثدي بشكل صريح، وهو عامل معروف يؤثر على كل من خطر الإصابة بالسرطان وقابلية تفسير الماموجرامات، بسبب نقص التعليقات التوضيحية المتسقة لكثافة الثدي في مجموعة البيانات. قد يؤدي هذا الإغفال إلى أخطاء متبقية في التصنيف، خاصةً بين فئات BI-RADS المجاورة مثل BI-RADS 2 و3 و4، حيث يمكن أن تخفي الأنسجة الثديية الكثيفة حدود الآفات.
DOI: https://doi.org/10.1038/s41598-026-40906-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41721067
Publication Date: 2026-02-20
Author(s): Maninder Singh et al.
Primary Topic: AI in cancer detection
Overview
This research paper section discusses the development of a Multi-Scale Hybrid ResNet-Transformer model designed for the classification of breast lesions in mammograms, aiming to improve clinical decision-making and minimize unnecessary biopsies. The proposed model combines the spatial representation capabilities of ResNet-50 with the contextual modeling strengths of lightweight multi-head self-attention layers, creating a unified architecture. A novel Distance-Aware Learning loss function is introduced to reflect the ordinal nature of BI-RADS categories, penalizing predictions based on their proximity to the true class.
The preprocessing stage employs Contrast Limited Adaptive Histogram Equalization (CLAHE) to enhance mammographic contrast, alongside balanced oversampling and controlled augmentations to mitigate data imbalance. The model demonstrates robust generalization, achieving a test accuracy of 0.921 and a mean AUC of 0.987 on the test set. Notably, it exhibits high per-class discriminability, with F1-scores exceeding 0.92 for critical BI-RADS 4-5 categories. Additionally, feature-space visualization and Grad-CAM visual explanations indicate that the model effectively focuses on clinically relevant lesion areas, yielding interpretable outputs that align with radiologists’ assessments. This framework presents a promising approach for automated BI-RADS classification, potentially enhancing future computer-aided diagnostic workflows.
Introduction
The introduction of the research paper highlights the alarming prevalence of breast cancer, which is the most common malignancy among women worldwide and a leading cause of cancer-related mortality. According to GLOBOCAN 2020, there were approximately 2.3 million new cases and over 685,000 deaths attributed to breast cancer globally. Projections indicate that the annual incidence of new cases could surpass 3.2 million by 2040, primarily driven by population growth and aging demographics. This trend emphasizes the urgent need for improved early detection and accurate diagnosis of the disease.
While survival rates for breast cancer have improved significantly in high-income countries due to systematic screening programs, advancements in imaging technologies, and access to multimodal treatment options, disparities remain in outcomes across different regions. The introduction sets the stage for discussing the importance of continued research and innovation in breast cancer detection and treatment to address these challenges effectively.
Methods
In this study, experiments were conducted using a Google Collaboratory Pro environment equipped with an NVIDIA Tesla T4 GPU, utilizing Python with PyTorch and TensorFlow libraries that support CUDA. The dataset was divided into training (70%), validation (15%), and test (15%) sets, maintaining the distribution of BI-RADS categories to ensure representation of minority classes. The model was trained with a batch size of 8, employing the Adam optimizer.
The results indicated that most misclassifications occurred between adjacent BI-RADS categories, such as between categories 2 and 3 or 4 and 5. This finding is clinically acceptable, reflecting the subtle differences between these categories. The use of DAL loss was highlighted as a significant factor in enforcing ordinal consistency, thereby minimizing the penalties associated with larger misclassifications.
Discussion
The discussion section of the research paper emphasizes the pressing need for improved breast cancer screening methods, particularly in low- and middle-income countries where late-stage diagnoses are common due to inadequate infrastructure and awareness. The study highlights the limitations of the Breast Imaging Reporting and Data System (BI-RADS) classification, which, despite being a standard for mammography reporting, suffers from inter-observer variability and challenges in accurately categorizing findings, especially in women with dense breast tissue. This variability can lead to misclassifications that either cause unnecessary biopsies or delay critical treatment, underscoring the necessity for reliable computer-aided diagnosis (CAD) systems.
The proposed Multi-Scale Hybrid ResNet-Transformer model, enhanced with Distance-Aware Learning (DAL) loss, demonstrates significant advancements in mammographic classification. It achieves high accuracy and robust generalization across BI-RADS categories while maintaining clinically meaningful interpretability. The model effectively integrates spatial feature extraction from ResNet, contextual reasoning through Transformers, and ordinal consistency via DAL loss, resulting in reliable probability calibration and decision boundaries. This positions the hybrid model as a promising tool for clinical decision-support systems, capable of improving early detection and management of breast cancer.
Limitations
The study presents promising results; however, several limitations must be considered. Firstly, the dataset utilized was relatively small, imbalanced, and sourced from a single public repository, which may hinder the generalizability of findings across various clinical environments and imaging technologies. Additionally, the majority of existing deep learning methodologies for breast imaging primarily concentrate on binary classifications of benign versus malignant lesions, rather than comprehensive ordinal BI-RADS stratification. This focus limits the ability to conduct direct comparisons with specialized ordinal or multi-class BI-RADS frameworks, thereby constraining the broader benchmarking of the proposed approach.
Moreover, the study did not explicitly model breast density, a known factor that affects both cancer risk and the interpretability of mammograms, due to the lack of consistent density annotations in the dataset. This oversight may lead to residual misclassification, particularly among adjacent BI-RADS categories such as BI-RADS 2, 3, and 4, where dense breast tissue can obscure the boundaries of lesions.