في عالم الطب الحديث، يمثل الكشف المبكر عن الأمراض تحدياً كبيراً، خاصةً في حالة سرطان عنق الرحم، حيث يعتبر تحليل عينات مسحة عنق الرحم (Pap smear) يدوياً عرضة لمتغيرات كبيرة بين الملاحظين. بفضل تطوير الذكاء الاصطناعي، بدأنا نشهد تقدمًا ملحوظًا في هذا المجال.

في دراسة جديدة، تم التركيز على نماذج Vision Transformers (ViT) لتحسين أتمتة تصنيف خلايا سرطان عنق الرحم. يُعتبر هذا النوع من النماذج واعدًا للغاية، حيث يسعى لتجاوز قيود الشبكات العصبية التلافيفية التقليدية (CNNs)، والتي تُظهر ضعفًا في نمذجة الاعتماديات المكانية طويلة المدى وتفتقر أحيانًا إلى التفسير السريري.

استخدمت الدراسة مجموعة بيانات Herlev التي تضم 917 صورة، من بينها 242 صورة طبيعية و675 صورة غير طبيعية. قام الباحثون بتحسين هيكل ViT-Tiny، وهو نموذج خفيف الوزن مصمم لتقليل التعقيد الحسابي، من خلال تقييم شامل لاستراتيجيات التعزيز، وزن الفئات، والمعاملات الفائقة (hyperparameters).

تميزت أفضل تكوينات النموذج بدقة تصل إلى 94.9%-95.2% خلال تجارب التصحيح المتبادل. كما أظهرت استراتيجيات مثل التقليب الأفقي العشوائي ووزن الفئات (0.7 x 1.3) فعالية كبيرة.

إحدى الخطوات المهمة هي تحليل خريطة تنشيط الفئة المعتمدة على التدرجات (Grad-CAM)، حيث أكدت النتائج أن اهتمام النموذج correlates مع الميزات الشكلية ذات الصلة سريرياً، مثل المناطق النووية، وحدود الخلايا، ونسيج الكروماتين، مما يتماشى مع المعايير الخلوية.

تشير هذه النتائج إلى أن Vision Transformers يمكن أن توفر دعمًا دقيقًا ومفسرًا لقرارات الفحص لسرطان عنق الرحم، مما يلبي متطلبات الأداء السريري والشفافية الضرورية لتطبيقات الذكاء الاصطناعي في الطب.