التصنيف متعدد العلامات لأمراض الصدر باستخدام التعلم العميق مع نموذج EfficientNet
الكلمات المفتاحية:
التعلم العميق، التصنيف متعدد التصنيفات، أمراض الصدر، EfficientNet، صور الأشعة السينية للصدرالملخص
تقدم هذه الورقة بحثاً حول إطار عمل يعتمد على التعلم العميق للتصنيف متعدد الملصقات لأمراض الصدر باستخدام صور الأشعة السينية وبنية EfficientNet. يعالج هذا الإطار تحدي تشخيص الحالات المتعددة التي تتشابه في المظهر وغالباً ما تحدث معاً. يستخدم إطار العمل تقنية التعلم بنقل الخبرة (Transfer Learning)، مع إجراء ضبط دقيق لعدة متغيرات من نموذج EfficientNet (من B0 إلى B4) باستخدام مجموعة بيانات NIH ChestX-ray14. كما يوظف البحث تقنيات Focal Loss و Stochastic Weight Averaging لمعالجة اختلال توازن البيانات وتحسين قدرة النموذج على التعميم. يعتمد هذا النهج على آليات الانتباه (Attention Mechanisms) وتقنية Grad-CAM لجعل النتائج أكثر قابلية للتفسير، مما يثبت أن التوقعات تستند إلى ميزات سريرية هامة. حقق النموذج درجات عالية في مقياس ROC-AUC للحالات الأكثر وضوحاً مثل الانصباب (0.8545)، وتضخم القلب (0.8003)، والاسترواح الصدري (0.7820). ومع ذلك، واجه النموذج صعوبة أكبر في تصنيف الحالات الأكثر دقة مثل الارتشاح، والعقيدات، والالتهاب الرئوي. يؤدي إطار العمل بشكل يضاهي أو يتفوق على العديد من نماذج الشبكات العصبية التلافيفية (CNN) القائمة من حيث الدقة والكفاءة. يوفر هذا البحث سير عمل قوياً وقابلاً للتكرار لتطبيقات الأشعة، مع إمكانية استخدامه في مهام تشخيصية أخرى. كما تشير الدراسة إلى بعض المعوقات، مثل اختلال توازن الفئات والحاجة إلى دعم أفضل لاتخاذ القرارات السريرية، وتقترح تحسينات مستقبلية مثل تقنيات أفضل لتعزيز البيانات ونمذجة عدم اليقين.
