ناقش الباحث محمد زهدي شبيطة الطالب في برنامج الماجستير في علم البيانات وتحليل الأعمال رسالته الموسومة ب: " نهج ثنائي الخطوات للكشف عن سرطان الثدي وتصنيفه باستخدام الشبكات العصبية التلافيفية وصور الماموغرافي "
“Two-Steps Approach for Breast Cancer Detection and Classification Using Convolutional Neural Networks and mammography images”.
تقدم الرسالة إطاراً تعليمياً متكاملاً يتألف من خطوتين يستخدم التعلم العميق لتبسيط عملية التشخيص سرطان الثدي وزيادة دقتها. تختلف هذه المنهجية الابتكارية عن الأساليب التقليدية من خلال استعمال صور الأشعة السينية أو ما يسمى (الماموغرام) الخام غير المُعلمة، مما يسهّل مرحلة ما قبل البدء بالعلاج.
تعتمد الخطوة الأولى لهذا الإطار على نموذج يونت (U-net) المتطور لتقسيم التشوهات الكتلية في الصور الشعاعية للثدي بدقة. تتبع هذه الخطوة إعادة معالجة هذه الصور وذلك بقص وتكبير هذه الكتل المحددة لتحديد وعزل مناطق الورم للبدء بعملية التصنيف بشكل أدق لاحقا. يحاكي هذا النهج الذي يتبعه الأطباء، مركّزًا الموارد الحسابية على الأجزاء الأكثر أهمية من صورة الماموغرام.
وتشمل الخطوة الثانية استخدام نموذج تعلم الي عميق يعرف ( (VGG16المُعدل بعناية الذي يقوم بتصنيف المناطق المستخرجة (المناطق المحددة بالخطوة الأولى) بدقة الى سرطان حميدي أو خبيثي، تعكس هذه الخطوة العملية الفعلية لأخصائي الأشعة، وبالتالي توفر أداة تتماشى بشكل وثيق مع التشخيصات السريرة بالعيادة الطبية. من خلال تطبيق الخوارزمية على مركز الورم وتخصيص النظام على مناطق التشخيص وعزل أي مناطق أخرى غير معنية بالتصنيف، هذه المنهجية تقلل بفعالية من العبء الحسابي المبذول لتصنيف الكتل مع زيادة دقة النتيجة التشخيصية.
بعد تطبيق النظام المقترح على مجموعة بيانات من مستشفى المطلع في القدس- فلسطين، حقق النموذج المقترح معدل دقة تصنيف الكتل يصل إلى 91%. كما أظهر استقرارًا وقوة عبر متوسط نتيجة التقاطع على الاتحاد الذي بلغ 70٪ على مجموعة بيانات عامة متنوعة. هذه النتائج المقنعة لا تؤكد فقط على قدرة نموذج التعلم العميق على تحسين كشف سرطان الثدي، بل تؤكد أيضًا على إمكانياتها في تحسين دقة التشخيص بشكل كبير.
وأشرف على الرسالة كل من د. أحمد حساسنة وأ.د. شادي البرقوني، وضمت لجنة الممتحنين كلا من: د. أنس سمارة و د. محمود عبيد.