نظام مساعد لتشخيص سرطان الثدي يحلل صور الأشعة بخوارزمية YOLO وبيانات الفحوصات المخبرية بالغابة العشوائية، مع إدخال عبر الصور أو ملفات Excel أو يدويًا.
مشروع أكاديمي نفذه فريق من الطلاب بمساعدة تقنية من مكتب تكنو إنجاز لتطوير نظام ذكي لدعم تشخيص سرطان الثدي يعمل عبر مسارين متكاملين: مسار بصري يحلل صور الأشعة الطبية للثدي بخوارزمية YOLO لكشف المؤشرات البصرية الدالة على وجود ورم، ومسار رقمي يحلل بيانات الفحوصات المخبرية بخوارزمية الغابة العشوائية (Random Forest) لإنتاج توقع للحالة.
بُني النظام بلغة Python مع مكتبات Ultralytics وTensorFlow وscikit-learn، وواجهة رسومية بمكتبة Tkinter تتيح إدخال البيانات بثلاث طرق: رفع صورة أشعة، أو رفع ملف Excel يحوي نتائج التحاليل، أو إدخال القيم يدويًا، ثم حفظ النتيجة المتوقعة في ملف جديد. يصف المشروع أداء النظام بأنه دقيق وسريع، لكنه لا يعرض أرقامًا أو مجموعة بيانات اختبار، لذلك تُقدَّم النسخة الحالية بوصفها نموذجًا أوليًا لأداة مساعدة للطبيب، لا أداة تشخيص سريري معتمدة.
| العنصر | البيانات |
|---|---|
| نوع المشروع | نظام مساعد لتشخيص سرطان الثدي بالذكاء الاصطناعي |
| المجال | الرؤية الحاسوبية، تعلم الآلة، المعلوماتية الطبية |
| حالة المشروع | نموذج أولي بواجهة رسومية عاملة على الحاسوب |
| دور تكنو إنجاز | دعم ومساعدة تقنية للطلاب أثناء تطوير المشروع |
| تقنيات أساسية | Python، YOLO (Ultralytics)، Random Forest، scikit-learn، TensorFlow، Tkinter |
| المخرجات | نتيجة كشف الورم على صورة الأشعة، توقع الحالة من البيانات المخبرية، ملف Excel بالنتيجة |
يُعد سرطان الثدي من أكثر الأمراض شيوعًا وخطورة على صحة النساء، ويؤدي الكشف المبكر دورًا محوريًا في رفع فرص العلاج. لكن التشخيص التقليدي يعتمد بدرجة كبيرة على التصوير الشعاعي للثدي (الماموغرام) وعلى خبرة الأطباء الشعاعيين في قراءة الصور، وهي عملية معقدة ومكلفة ومعرضة لأخطاء بشرية قد تقود إلى نتائج إيجابية أو سلبية كاذبة.
كما يلاحظ المشروع، من مراجعته لدراسات سابقة، أن نماذج الذكاء الاصطناعي في هذا المجال تواجه تحديات مثل نقص تنوع بيانات التدريب، وصعوبة تفسير قرارات النماذج العميقة (مشكلة "الصندوق الأسود")، والحاجة إلى كميات كبيرة من البيانات وموارد حسابية عالية. من هنا جاءت فكرة نظام يجمع بين البيانات البصرية (الأشعة) والبيانات الرقمية (التحاليل المخبرية) لإعطاء صورة أشمل عن حالة المريضة.
نُفذ المشروع أكاديميًا بواسطة الطلاب، مع مساعدة ودعم تقني من مكتب تكنو إنجاز أثناء مراحل التطوير. ويُعرض ضمن أعمال المكتب مثالًا على دعمه للمشاريع التي توظف الرؤية الحاسوبية وتعلم الآلة في تطبيقات طبية.
تبدأ العملية من الواجهة الرئيسية، حيث يختار المستخدم أحد المسارين:
| الواجهة | الوظيفة |
|---|---|
| الواجهة الرئيسية | نقطة البداية واختيار مسار الصور أو مسار البيانات المخبرية |
| واجهة رفع الصور (YOLO) | اختيار صورة الأشعة من الجهاز وإرسالها للتحليل |
| نافذة نتيجة الكشف | عرض الصورة مع نتيجة الكشف عن الورم |
| واجهة إدخال البيانات | إدخال القيم يدويًا أو رفع ملف Excel أو إرفاق صورة تقرير مخبري |
| واجهة التنبؤ | عرض النتيجة المتوقعة اعتمادًا على البيانات المدخلة |
| ملف النتائج | ملف Excel يحوي بيانات المريضة والنتيجة المتوقعة |
| الأداة | دورها في المشروع |
|---|---|
| Ultralytics | بناء نماذج YOLO وتدريبها وتشغيلها في مسار الصور |
| scikit-learn | خوارزميات التصنيف ومعالجة البيانات في المسار المخبري |
| TensorFlow | مكتبة التعلم العميق ضمن البيئة البرمجية |
| Tkinter | بناء الواجهات الرسومية والنوافذ |
| VS Code وJupyter Notebook | بيئات كتابة الأكواد وتشغيلها وتحليل البيانات |
ويستعرض الجانب النظري من المشروع نماذج تصنيف الصور مثل ResNet50V2 وResNet152V2 وInceptionV3 وXception وMobileNet، إضافة إلى أشجار القرار وخوارزمية SVC، بوصفها خلفية علمية. أما المساران المنفذان في النظام فيعتمدان على YOLO والغابة العشوائية.
يخلص المشروع إلى أن النظام قدم أداءً جيدًا في دعم تشخيص سرطان الثدي، وأن سرعة معالجة الصور والبيانات كانت عالية مقارنة بالطرق التقليدية، وأن تعدد طرق الإدخال (صور، ملفات Excel، إدخال يدوي) جعل النظام مرنًا وسهل الاستخدام. كما يذكر أن الجمع بين المسارين يرفع الدقة والموثوقية مقارنة باستخدام أي منهما منفردًا.
لكن الكتاب لا يعرض قيمًا كمية مثل الدقة (Accuracy) أو الحساسية أو mAP أو أزمنة المعالجة، ولا يحدد مجموعات البيانات المستخدمة في التدريب والاختبار أو أحجامها، ولا يصف آلية محددة تدمج مخرجات المسارين في قرار واحد؛ إذ يظهر المساران في الواجهات بوصفهما مسارين منفصلين يختار المستخدم أحدهما. لذلك تعبّر النتائج المنشورة عن نجاح وظيفي لنموذج أولي وليس عن تقييم سريري. أما النسب الواردة في فصل الدراسات السابقة فتعود إلى أبحاث أخرى.
بحسب التوصيات الواردة في المشروع، يمكن تطوير النظام عبر:
يتعامل النظام مع صور أشعة وبيانات مخبرية حساسة، لذلك يحتاج أي استخدام فعلي إلى موافقة المريضات، وضوابط واضحة لصلاحيات الوصول إلى ملفات Excel والنتائج المحفوظة وفترة الاحتفاظ بها، إضافة إلى تقييم سريري مستقل قبل الاعتماد عليه.
إذا كنت تعمل على نظام تشخيص طبي بالتعلم العميق وتحتاج إلى مساعدة تقنية في تطوير الفكرة أو بناء نموذج أولي، يمكن التواصل مع مكتب تكنو إنجاز لمناقشة متطلبات المشروع ونطاق الدعم المناسب.
هو نموذج أولي لنظام مساعد لتشخيص سرطان الثدي نفذه فريق من الطلاب بمساعدة تقنية من مكتب تكنو إنجاز. يعمل النظام عبر مسارين: تحليل صور الأشعة الطبية بخوارزمية YOLO لكشف المؤشرات البصرية للورم، وتحليل بيانات الفحوصات المخبرية بخوارزمية الغابة العشوائية لتوقع الحالة.
يحمّل النظام نموذج التنبؤ، ثم يستقبل بيانات الفحوصات يدويًا أو من ملف Excel أو من صورة تقرير مخبري. تُنظف البيانات من القيم الناقصة أو غير الصالحة، ثم تُمرر إلى نموذج الغابة العشوائية، وتُعرض النتيجة في نافذة مخصصة وتُحفظ في ملف Excel جديد يضم بيانات المريضة والنتيجة المتوقعة.
بُني النظام بلغة Python، ويستخدم مكتبة Ultralytics لنماذج YOLO في مسار الصور، وscikit-learn لخوارزمية الغابة العشوائية ومعالجة البيانات، إضافة إلى TensorFlow، وTkinter لبناء الواجهات الرسومية. واستُخدمت VS Code وJupyter Notebook بيئاتٍ للتطوير.
يصف المشروع أداء النظام بأنه جيد وسريع، لكنه لا يعرض قيمًا كمية مثل الدقة أو الحساسية أو mAP، ولا يحدد مجموعات بيانات التدريب والاختبار. لذلك لا تُنسب للنظام نسبة دقة محددة، وتمثل النتائج نجاحًا وظيفيًا لنموذج أولي وليس تقييمًا سريريًا.
لا، فالنظام أداة مساعدة ولم يُختبر بعد في بيئة عمل حقيقية داخل مؤسسة طبية، وهو ما يقترحه المشروع خطوةً لاحقة. ويبقى التشخيص النهائي من اختصاص الطبيب الشعاعي والفحوص التأكيدية، ويحتاج أي استخدام فعلي إلى تقييم سريري مستقل وضوابط لحماية بيانات المريضات.
تواصل مع فريق تكنو إنجاز لمناقشة قابلية التنفيذ العملي، اختيار القطع، وتطوير النموذج الأولي.
نماذج تطبيقية ومنظومات برمجية وهندسية منجزة بدعم المكتب
لوح افتراضي يتيح الكتابة والرسم واختيار الألوان والمسح بإيماءات اليد أمام الكاميرا، مبني بلغة Python مع MediaPipe لتتبع الأصابع وOpenCV لمعالجة الفيديو.
نموذج أولي يكشف الأشخاص بـ YOLOv8 ويتتبعهم بـ DeepSORT داخل مناطق عمل محددة، ويحسب زمن التواجد بالثواني ويصدّر السجلات إلى Excel، مختبر على فيديو مكتبي.
نموذج أولي لمراقبة الامتحانات يستخدم YOLO وMediaPipe وOpenCV لتحليل اتجاه رأس الطالب، فيؤشر الالتفات بإطار أحمر للمراجعة والتوجه الأمامي بإطار أخضر.
