في عالم الطب الحديث، يعتبر تصنيف الأورام الدماغية باستخدام التصوير بالرنين المغناطيسي (MRI) خطوة حاسمة نحو التشخيص المبكر والعلاج الفعال. لكن على الرغم من أهميته، يواجه هذا المجال تحديات كبيرة نتيجة لتنوع الأورام ونقص البيانات المعنونة، مما يجعل الأساليب التقليدية للتعلم العميق تحت ظروف الإشراف غير كافية.

في هذا الإطار، جاء الابتكار الجديد الذي يحمل اسم TumorXAI، والذي يعتمد على التعلم الذاتي (Self-Supervised Learning - SSL) لدراسة تصنيف الأورام الدماغية المتعددة. مع استخدام نموذج ResNet-50، تم اختبار أربعة أطر عمل SSL، بما في ذلك SimCLR وBYOL وDINO وMoco v3، على مجموعة بيانات عامة تحتوي على 4,448 صورة للرنين المغناطيسي تحتوي على 17 نوعًا متميزًا من الأورام.

نتائج الاختبارات كانت مثيرة للإعجاب، حيث حقق نموذج SimCLR نسبة دقة تصل إلى 99.64%. والغريب في الأمر أن هذه الأرقام تبرز كفاءة النموذج في ظل نقص التسميات، حيث تفوقت النماذج المدربة بأسلوب SSL على النماذج التقليدية المُعتمِدة على الإشراف، من خلال تحقيقها لمعدلات F1 أعلى، وكذلك دقة واستدعاء متفوق.

علاوة على ذلك، استخدمت الدراسة تقنيات الذكاء الاصطناعي القابلة للتفسير مثل Grad-CAM وGrad-CAM++ وEigenCAM لتزويد المستخدمين برؤى بصرية حول قرارات النموذج، مما يعزز من فهم النتائج ويزيد من الثقة في التنبؤات.

تشير هذه النتائج إلى أن التعلم الذاتي يمثل وسيلة موثوقة وقابلة للتوسع في تشخيص الأورام الدماغية باستخدام بيانات طبية غير مصنفة، مما يمهد الطريق لمستقبل أكثر إشراقًا في مجال الرعاية الصحية.