تعتبر القدرة على الكشف المبكر وتصنيف أورام الدماغ باستخدام صور الرنين المغناطيسي (MRI) تحديًا حقيقيًا في المجال الطبي، حيث تتطلب دقة عالية في استخراج الخصائص من الصور الطبية. وفي هذا السياق، برزت الشبكات العصبية التلافيفية (CNN) كأداة قوية للتعرف على الأنماط، نظرًا لقدرتها على التقاط المعلومات المحلية والنسيجية. من ناحية أخرى، تُظهر تحولات الرؤية (Vision Transformers - ViTs) براعة في فهم الاعتمادات الطويلة المدى.

في دراسة جديدة، تم اقتراح نموذج هجين يجمع بين هاتين التقنيتين المبتكرتين لتقديم أداء متميز في تصنيف أورام الدماغ. يعتمد النموذج على بنية تجمع بين فرع CNN بأسلوب SqueezeNet وفرع التحول العالمي بأسلوب MobileViT، مع دمج آلية بوابة الانتباه التكيفية (Adaptive Attention Gate) التي تقوم بتعلم الأوزان ديناميكيًا لكل عينة وميزة.

هذه البوابة توفر دمجًا حساسًا للسياق بين التمثيلات المحلية والعالمية، مما يتيح أفضل استفادة من كلا الفرعين. وفقًا للاختبارات، حقق النموذج دقة بلغت 97.60%، مع دقة 97.30%، واسترجاع (Recall) 97.50%، ودرجة F1 تبلغ 97.40%، ومنطقة تحت المنحنى (AUC) تصل إلى 0.9946 عند تقييمه على مجموعة بيانات أورام الدماغ في Kaggle.

تُظهر هذه النتائج التفوق الواضح لهذا النموذج الهجين مقارنةً بالأساليب التقليدية، مما يؤكد أهمية التوزيع الديناميكي للميزات في تصنيف الصور الطبية. هل تتخيلون كيف يمكن لتقنيات الذكاء الاصطناعي أن تعيد تعريف طرق العلاج والوقاية من الأمراض؟