الكشف الآلي عن كسور العظام بالأشعة السينية باستخدام تقنيات التعلم العميق والتعلم الجماعي

الملخص

كسور العظام من أكثر الإصابات شيوعا على مستوى العالم، وتشكل تحديا في التشخيص الدقيق، حيث إن نسبة الخطأ قد تصل إلى 10% مما يؤدي إلى مضاعفات صحية وتأخير العلاج، تهدف هذه الدراسة إلى تطوير وتقييم نماذج تعلم عميق لتحسين دقة وكفاءة كشف كسور العظام بالاعتماد على ثلاثة أطر رئيسية هي الشبكات العصبية التلافيفية التقليدية (Convolutional Neural Networks, CNNs) وبنية (VGG19) وبنية (DenseNet121)، مع الاستفادة من التعلم بالنقل (Transfer learning) باستخدام أوزان (CheXNet) المهيأة للصور الطبية، وكذلك جرى تطبيق تقنيات المعالجة المسبقة  وضبط المعلمات (Hyperparameter) باستخدام خوارزمية (Hyperband)، كما استخدمنا التعلم الجماعي ( Ensemble Learning) بطريقة (Soft Voting) لدمج مخرجات النماذج، وتم تدريب النماذج وتقييمها على قاعدة بيانات (FracAtlas) التي تضم أكثر من أربعة آلاف صور، وأظهرت النتائج أن النموذج التقليدي (CNN) حقق دقة بلغت 82.89% إلا أن استدعاء حالات الكسر كان ضعيفا بنسبة 13%، بينما حسنت نماذج (VGG19) و(DenseNet121) من التوازن في الأداء؛ حيث بلغت قيم منحنى (Area Under the Curve AUC)  0.79 و0.81 على التوالي، أما نموذج التعلم الجماعي فقد حقق أداء مقاربا، تشير هذه النتائج إلى أن التعلم العميق قادر على دعم تشخيص كسور العظام، خاصة مع استخدام نماذج (Transfer learning)، إلا أن تحديات مثل: عدم توازن البيانات، وتنوع الحالات السريرية تؤثر على الأداء بشكل كبير، وبذلك تمثل هذه الدراسة خطوة نحو بناء أنظمة دعم قرار سريري أكثر ثقة.