شبكة عصبية اصطناعية تعتمد على التعلم العميق لتصنيف سرطان الثدي: تقييم شامل للأداء

الملخص

يُعد التشخيص الدقيق والسريع للأورام أمراً بالغ الأهمية لتحسين نتائج المرضى واتخاذ القرارات السريرية في الوقت المناسب. هدفت هذه الدراسة إلى بناء نموذج تعلم عميق يعتمد على شبكة عصبية اصطناعية تغذية أمامية متعددة الطبقات (ANN) للتمييز بين الحالات الخبيثة والسليم. تضمن النموذج 186 مدخلاً، وعصبون إخراج واحد، وأربع طبقات خفية تحتوي على 64 و32 و16 و8 عصبونات على التوالي. تم تدريب الشبكة باستخدام تقنية التدرج المقترن المقياس (SCG)، حيث تم تقليل دالة فقدان الانتروبيا المتبادلة وتطبيق التوقف المبكر بناءً على أداء التحقق. صُممت هذه الاستراتيجية لتحسين التعميم وتقليل فرط التخصيص. حقق النموذج المطوّر درجة F1 بلغت 93.07%، ومساحة تحت منحنى تشغيل المستقبل (AUC) بلغت 0.8045، ودقة تصنيف إجمالية بلغت 87.07%. تمنح هذه المقاييس معاً تمييزاً معتبراً بين العينات الخبيثة والطبيعية. تم التحقق من صحة النموذج باستخدام تحليل منحنى تشغيل المستقبل (ROC)، حيث وُجد أن النموذج كان واثقاً في تصنيفه، إذ حصل مرضى السرطان دائماً على احتمال تنبؤ أعلى مقارنة بالحالات السليمة. كان التدريب ناجحاً وأظهر تعلماً مستقراً، حيث تقارب في 69 دورة مع خسارة نهائية في الانتروبيا المتبادلة بلغت 0.295. كشفت مصفوفة الارتباك أن النموذج كان عالي الحساسية في التعرف بشكل صحيح على معظم حالات السرطان، بينما عُزيت الخصوصية المنخفضة نسبياً في الغالب إلى عدم التوازن الكبير في فئات العينات. كانت منحنيات التعلم سلسة ولم تُظهر أي فرط تخصيص. أشارت تحليل الأخطاء الإضافية إلى أن الأداء كان مستقلاً عن العمر بشكل عام، ولم تكن هناك انخفاض ملحوظ في الدقة مع تقدم العمر. ولتوضيح متانة الشبكة العصبية بشكل أكبر، تم نشر لوحة تحكم أداء شاملة لدمج العديد من مقاييس التقييم، وخصائص مجموعة البيانات، وتوزيعات التنبؤ، وسلوك التحسين في تقييم واحد. توفر الشبكة العصبية الاصطناعية المقترحة إطاراً موثوقاً بأداء تصنيف قوي وميزات حسابية مجدية للتنبؤ بالسرطان بشكل عام. وينبغي أن تستهدف الدراسات المستقبلية تعزيز الخصوصية، على سبيل المثال عبر تحسين اختيار الميزات، وتحسين العتبة، وتوازن الفئات. تسلط النتائج الحالية الضوء على واعدة التعلم العميق للتشخيص الطبي والتنبؤ بمخاطر السرطان، كما يؤكد البحث على ضرورة تطبيق أحدث تقنيات التعلم الآلي لتحسين جودة رعاية المرضى ودقة تشخيص السرطان.