يعتبر سرطان الرئة أحد أخطر أنواع السرطانات التي تزيد من معدلات الوفيات على مستوى العالم، مما يستدعي الحاجة الملحة لتحسين أساليب تشخيصه. في هذا السياق، تقدم دراسة جديدة إطار عمل مبتكر يعتمد على تقنيات التعلم العميق (Deep Learning) لتحسين عمليات تشخيص الأنسجة المرتبطة بسرطان الرئة.

تتطرق الدراسة إلى تطوير إطار عمل مكون من مرحلتين يهدف إلى تصنيف الأنسجة المختلفة وتقسيم مناطق (Region Segmentation) الصور النسيجية بدقة متناهية. يتضمن التحليل مقارنة شاملة بين ستة نماذج معمارية متقدمة مثل الشبكة العصبية الالتفافية المخصصة (Custom Convolutional Neural Network) ونموذج VGG16 وDenseNet وMobileNetV3 ونموذج رؤية التحويل المخصصة (Custom Vision Transformer) وأيضاً YOLO11.

تبين النتائج أن نموذج YOLO11 حقق أداءً مذهلاً في تصنيف الأنسجة، حيث استطاع تحقيق دقة تصل إلى 98.38% في تحديد الأنواع المختلفة مثل الأدينوکارسينوما (Adenocarcinoma) وسرطان الخلايا الحرشفية (Squamous Cell Carcinoma)، بالإضافة إلى النسيج الرئوي الطبيعي.

أما في ما يخص تقسيم المناطق، فقد تمكنت التقنية من تحقيق نتائج ملحوظة، حيث سجل نموذج DeepLabV3+ أعلى نقاط توافقية (Intersection over Union) بقيمة 0.80، بينما حقق نموذج YOLO11-seg أداءً قريباً باستخدام عدد أقل من المعلمات.

تم دمج النماذج الأفضل في إطار عمل متكامل يسهم في تعزيز الكفاءة والموثوقية في تحليل الصور النسيجية بشكل تلقائي ودقيق. يُعتبر هذا الابتكار خطوة فارقة في مجال التحليل النسيجي، ويعزز الجهود العالمية الرامية إلى تقليل الوفيات الناتجة عن سرطان الرئة.