نشر أدوات التشخيص الخفيفة المدعومة بالذكاء الاصطناعي في بيئات الرعاية الصحية محدودة الموارد: دراسة حالة في الكشف عن كسور العظام
DOI:
https://doi.org/10.65405/d60jpw97الكلمات المفتاحية:
التشخيص بمساعدة الحاسوب (CAD)، التعلم العميق خفيف الوزن، الكشف عن كسور العظام، الرعاية الصحية محدودة الموارد، تحليل الصور الطبية، النشر على الحافةالملخص
تُعَد كسور العظام من أكثر إصابات الجهاز العضلي الهيكلي شيوعاً والتي تتطلب تشخيصاً دقيقاً وفي الوقت المناسب، إلا أن تفسير صور الأشعة السينية بدقة يظل تحدياً كبيراً في بيئات الرعاية الصحية محدودة الموارد بسبب نقص أخصائي الأشعة. تطور هذه الدراسة وتقيم نظام تشخيص مساعد بالحاسوب (CAD) للكشف الآلي الثنائي عن الكسور باستخدام الشبكات العصبية الالتفافية (CNNs). تمت معالجة مجموعة بيانات عامة من صور الأشعة مسبقاً وتعزيزها بدقة للتخفيف من الإفراط في التجهيز (Overfitting). تم تدريب ومقارنة هياكل متعددة، بما في ذلك شبكات CNN مخصصة ونماذج نقل التعلم (EfficientNetB0 وVGG16). تم دمج النموذج المخصص خفيف الوزن الأمثل لاحقاً في تطبيق ويب آمن قائم على إطار عمل Flask، يتميز بالاستدلال في الوقت الفعلي وبروتوكولات خصوصية البيانات المؤتمتة. أظهرت النتائج التجريبية أن نقل التعلم يتفوق بشكل كبير على الهياكل المخصصة، حيث حقق نموذج EfficientNetB0 أعلى أداء تشخيصي (دقة 93.8٪، ومنطقة تحت المنحنى AUC-ROC بقيمة 0.96، وحساسية 92.7٪). ومع ذلك، حقق نموذج CNN المخصص خفيف الوزن دقة تنافسية بلغت 89.5٪ مع وقت استدلال سريع على وحدة المعالجة المركزية (CPU) يبلغ حوالي 120 مللي ثانية، مما يجعله مثالياً للنشر العملي. توصي الدراسات المستقبلية بالتركيز على تصنيف أنواع الكسور المتعدد، والتحقق الخارجي عبر مجموعات بيانات سريرية متنوعة، ودمج تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) لتعزيز ثقة أخصائي الأشعة.
التنزيلات
المراجع
[1]. S.T. Canale, J.H. Beaty, Campbell's Operative Orthopaedics, 13th ed., Elsevier, Philadelphia, PA, USA, 2016.
[2]. G. Litjens, T. Kooi, B.E. Bejnordi, A.S. Setio, F. Ciompi, M. Ghafoorian, J.A. van der Laak, B. van Ginneken, C.I. Sánchez, A survey on deep learning in medical image analysis, Med. Image Anal. 42(2017) pp. 60-88.
[3]. E.J. Topol, High-performance medicine: The convergence of human and artificial intelligence, Nat. Med. 25(2019) pp. 44-56.
[4]. R.C. Gonzalez, R.E. Woods, Digital Image Processing, 4th ed., Pearson, Harlow, UK, 2018.
[5]. Y. LeCun, Y. Bengio, G. Hinton, Deep learning, Nature 521(2015) pp. 436-444.
[6]. D.S. Lindsey, A. Yeh, J. Zech, H. Tiwari, S. Hsieh, Deep neural networks improve radiologists’ performance in fracture detection, Proc. Natl. Acad. Sci. USA 116(2019) pp. 23370-23375.
[7]. C.J. Kelly, A. Karthikesalingam, M. Suleyman, G. Corrado, D. King, Key challenges for delivering clinical impact with artificial intelligence, BMC Med. 17(2019) p. 195.
[8]. M. Tan, Q.V. Le, EfficientNet: Rethinking model scaling for convolutional neural networks, in Proc. 36th Int. Conf. Mach. Learn. (ICML), 2019, pp. 6105-6114.
[9]. C. Shorten, T.M. Khoshgoftaar, A survey on image data augmentation for deep learning, J. Big Data 6(2019) p. 60.
[10]. A. Esteva, A. Robicquet, B. Ramsundar, V. Kuleshov, M. DePristo, K. Chou, C. Cui, G. Corrado, S. Thrun, J. Dean, A guide to deep learning in healthcare, Nat. Med. 25(2019) pp. 24-29.
[12]ALfordaga, M., & Omer, A. I. (2026). Real-Time Requirements Analysis in Smart Healthcare Monitoring Systems: A Case Study of an ATmega328P-Based Health Monitoring Device. Al-Farooq Journal of Sciences, 2(3), 1216-1236.
[13]. M. Alshafeiy, S. Alotaibi, M. Alruily, Lightweight CNN for fracture detection on edge devices in low-resource healthcare settings, IEEE J. Biomed. Health Inform. 28(2024) pp. 1456-1467.
[14]. H. Jung, S. Kim, J. Lee, Artificial intelligence for fracture detection across imaging modalities: A systematic review and meta-analysis, Lancet Digit. Health 6(2024) pp. e89-e101.
[15] Ameera Ali Othman, The Role of Artificial Intelligence in Enhancing Programming Skills among University Students: An Empirical Study with Recommendations , Comprehensive Journal of Science, Volume (11), Issue (41), (JUNE, 2026), 1182-1188
