المصدر: Nature Medicine، 29 نيسان 2026. الورقة الأصلية: An agentic framework for autonomous scientific discovery in cancer pathology.
سأبدأ من الخلاصة المباشرة، لأن هذه الورقة قد تبدو معقدة إذا قُرئت من جهة الذكاء الاصطناعي لا من جهة الباثولوجي.
SPARK هو نظام يحاول تحويل ملاحظات الباثولوجي على الشريحة إلى مؤشرات رقمية قابلة للقياس. ليس المقصود أنه يعطي تشخيصاً جاهزاً. وليس المقصود أنه يستبدل الباثولوجي. وظيفته أن يأخذ صورة H&E رقمية، يحلل أماكن الخلايا وعلاقاتها، ثم يقترح مقاييس نسيجية يمكن اختبار علاقتها بالإنذار أو biomarker معيّن.
الفكرة ببساطة
الباثولوجي يرى أشياء كثيرة على الشريحة: كثافة اللمفاويات، شكل حدود الورم، علاقة الورم بالسدى، وجود خلايا التهابية قرب الخلايا الورمية، اختلاف شكل النوى بين منطقة وأخرى. كثير من هذه الملاحظات نستخدمها ذهنياً أثناء قراءة الشريحة، لكننا لا نقيسها دائماً كأرقام دقيقة على آلاف الحالات.
SPARK يحاول عمل ذلك رقمياً.
بدلاً من أن نسأل نموذج AI سؤالاً واحداً مثل: هل هذا الورم MSI-high؟ يحاول SPARK أن يسأل أسئلة نسيجية كثيرة، مثل:
- هل اللمفاويات قريبة من خلايا الورم أم بعيدة عنها؟
- هل الخلايا الورمية عند حافة الورم تختلف شكلياً عن الخلايا في المركز؟
- هل هناك نمط معين في توزيع macrophages أو fibroblasts حول الورم؟
- هل علاقة الورم بالسدى مرتبطة بانتشار العقد اللمفاوية أو البقاء؟
ثم يحوّل كل سؤال من هذه الأسئلة إلى رقم. هذا الرقم يصبح parameter يمكن اختباره إحصائياً.
ما الذي يدخل إلى SPARK؟
يدخل له WSI من شرائح H&E بعد تجهيزها رقمياً. قبل أن يبدأ SPARK، تكون الصورة قد مرت بخطوات تحليل صورة معروفة: تحديد مناطق الورم، فصل مناطق الورم عن السدى، والتعرف على أنواع خلوية رئيسية مثل tumor cells وlymphocytes وmacrophages وneutrophils وfibroblasts وغيرها.
بمعنى آخر، SPARK لا يبدأ من صورة خام فقط. هو يعمل فوق خريطة رقمية للشريحة: أين الورم؟ أين السدى؟ أين الخلايا؟ وما نوع كل خلية تقريباً؟
ما الذي يخرج منه؟
المخرج الأساسي ليس تشخيصاً، بل قائمة طويلة من المؤشرات الرقمية. كل مؤشر يمثل فكرة نسيجية محددة.
مثال مبسط: إذا كانت الفكرة هي “قرب اللمفاويات من خلايا الورم”، فإن SPARK يحولها إلى قياس، مثل متوسط المسافة بين اللمفاويات وخلايا الورم، أو عدد اللمفاويات داخل مسافة معينة من الورم، أو اختلاف هذا النمط بين مركز الورم وحافته.
بعدها يختبر الباحثون: هل هذا الرقم يرتبط بالإنذار؟ هل يرتبط بـ PD-L1؟ هل يساعد في توقع MSI؟ هل يختلف بين المرضى ذوي الخطورة العالية والمنخفضة؟
أين دور الذكاء الاصطناعي الوكيلي؟
كلمة agentic هنا تعني أن النظام ليس خطوة واحدة. هناك أكثر من “وكيل” يعملون كسلسلة. وكيل يقترح الفكرة البيولوجية، وكيل ينقحها، وكيل يحولها إلى كود، ثم خطوة تتحقق من أن المؤشر الناتج قابل للحساب وليس مكرراً أو غير مفيد.
تخيل الأمر كفريق صغير يعمل مع الباثولوجي:
- الأول يقترح أسئلة نسيجية.
- الثاني يحول السؤال إلى تعريف أدق.
- الثالث يكتب طريقة القياس.
- الرابع يختبر هل القياس يعمل فعلاً على البيانات.
هذا هو الفرق بين SPARK ونموذج تصنيف تقليدي. النموذج التقليدي يعطيك نتيجة. SPARK يحاول صناعة مؤشرات جديدة يمكن فهمها ومناقشتها.
ماذا وجد الباحثون؟
اختبر الباحثون النظام على أكثر من 5400 مريض من 18 cohort وخمسة أنواع سرطانية: سرطان الرئة الغدي LUAD، سرطان الرئة الحرشفي LUSC، سرطان القولون COAD، سرطان الثدي BRCA، وسرطان الرأس والرقبة HNSC.
أنتج SPARK مئات الأفكار النسيجية. وبعد تحويلها إلى كود وتنظيف المؤشرات المكررة أو غير العملية، بقي لديهم أكثر من ألف مؤشر رقمي يمكن اختباره.
بعض هذه المؤشرات ارتبط بأشياء يعرفها الباثولوجيون والأونكولوجيون جيداً، مثل grade، حالة ER في سرطان الثدي، HPV/p16 في سرطان الرأس والرقبة، MSI في سرطان القولون، وPD-L1 في سرطان الرئة الغدي.
لماذا هذا مهم؟
الأهمية ليست أن SPARK تفوق على كل النماذج أو أصبح جاهزاً للعيادة. الأهمية أنه يقدم طريقة مختلفة للتفكير في AI pathology.
كثير من نماذج الذكاء الاصطناعي في الباثولوجي تعمل كصندوق أسود: تدخل صورة وتخرج نتيجة. قد تكون النتيجة جيدة، لكن يصعب أن تفهم بالضبط لماذا قرر النموذج ذلك.
SPARK يحاول أن يجعل السؤال أكثر قرباً من تفكير الباثولوجي. بدلاً من “النموذج يقول إن المريض high-risk”، نحصل على شيء مثل: نمط معين من اللمفاويات والماكروفاجات عند حافة الورم، أو تغير في شكل نوى الخلايا الورمية قرب السدى، أو توزيع معين للفايبروبلاست داخل الورم، وهذه المؤشرات مرتبطة بالإنذار.
هذا يجعل النقاش أسهل: هل هذا النمط منطقي بيولوجياً؟ هل نراه فعلاً على الشريحة؟ هل يمكن ربطه بالمناعة الورمية أو invasion أو stromal reaction؟
مثال عملي لتقريب الصورة
لنفترض أن لدينا سرطان رئة غدي ونريد معرفة لماذا بعض المرضى أسوأ إنذاراً من غيرهم. النموذج التقليدي قد يعطي risk score فقط. أما SPARK فيحاول استخراج عدة مؤشرات، مثل علاقة الخلايا الورمية بالسدى، أو توزيع الخلايا المناعية، أو شكل النوى في منطقة invasion front.
إذا تكرر أن مرضى الخطورة العالية لديهم نمط معين، يصبح لدينا خيط بيولوجي. ربما هذا النمط يعكس immune evasion. ربما يعكس stromal activation. ربما لا يثبت الآلية، لكنه يعطينا فرضية قابلة للدراسة.
هل SPARK يشخص المرضى الآن؟
لا. هذه نقطة مهمة جداً.
الدراسة retrospective. أغلب الحالات كانت resections، وليست biopsies صغيرة. والنتائج تحتاج تحققاً prospectively قبل أي استخدام سريري. كذلك، بعض تصنيفات الخلايا في H&E تقريبية، خصوصاً عندما نتحدث عن fibroblasts أو خلايا السدى، لأن H&E وحده لا يعطي هوية خلوية دقيقة مثل multiplex imaging أو spatial proteomics.
لذلك يجب قراءة SPARK كأداة بحث واكتشاف biomarkers، وليس كاختبار سريري جاهز.
أين يستفيد الباثولوجي؟
أهم فائدة محتملة هي تحويل أفكار الباثولوجي إلى قياسات. إذا لاحظت نمطاً على الشريحة وتريد اختباره على مئات أو آلاف الحالات، يمكن لنظام مثل SPARK أن يساعد في صياغة الفكرة، كتابة طريقة قياسها، ثم اختبار ارتباطها بالنتائج السريرية.
هذا يفتح باباً مهماً في الباثولوجي الرقمي: لا نستخدم AI فقط ليصنف الصور، بل نستخدمه لاكتشاف مؤشرات نسيجية جديدة قابلة للفهم.
الخلاصة
SPARK هو إطار بحثي في الباثولوجي الرقمي يحاول أن يفعل ثلاث خطوات:
- يفهم الخريطة الخلوية والمكانية داخل الشريحة.
- يقترح مؤشرات نسيجية مبنية على أفكار بيولوجية.
- يختبر هل هذه المؤشرات مرتبطة بالإنذار أو biomarkers معروفة.
أهميته أنه يقرب الذكاء الاصطناعي من طريقة تفكير الباثولوجي. بدلاً من score غامض، نحصل على أسئلة ومؤشرات يمكن قراءتها ومراجعتها وربطها ببيولوجيا الورم.
هو ليس أداة تشخيصية جاهزة. لكنه نموذج واضح لاتجاه قادم: AI لا يكتفي بالإجابة، بل يساعد الباثولوجي على توليد فرضيات نسيجية واختبارها رقمياً.
بجملة واحدة: SPARK يحوّل ملاحظات الشريحة إلى أرقام قابلة للاختبار، وهذا قد يساعدنا في اكتشاف biomarkers مورفولوجية جديدة من H&E وبيانات spatial biology.