في عينة Lung Adenocarcinoma عادية، قد تبدو قراءة TILs مهمة صغيرة داخل تقرير مزدحم. طبيب الباثولوجي يرى H&E، يحدد منطقة الورم، يميز stroma عن tumor parenchyma، ثم يكوّن انطباعا عن كثافة اللمفاويات وتوزيعها. المشكلة تظهر عندما يتحول هذا الانطباع إلى رقم مطلوب للبحث، أو لتقسيم المرضى حسب immune status، أو لمقارنة حالات كثيرة بين مراكز مختلفة.
هنا يصبح السؤال عملي جدا: هل يستطيع AI model أن يحسب TILs على WSI بطريقة قريبة من قراءة طبيب الباثولوجي، مع وقت مقبول، ودون أن يحول العمل إلى مشروع annotation لا ينتهي؟ دراسة منشورة في Frontiers in Bioinformatics حاولت الإجابة من زاوية محددة: بناء pipeline آلي يحدد tissue contour، ثم tumor parenchyma، ثم lymphocytes في Lung Adenocarcinoma.
لماذا يهم قياس TILs في LUAD؟
في LUAD، وجود TILs وتوزيعها داخل stroma يرتبطان بصورة الورم المناعية، وبفكرة الاستجابة للمناعة، وبالإنذار في بعض السياقات البحثية. لكن طبيب الباثولوجي يعرف أن الخلية اللمفاوية على H&E لا تعيش في فراغ. هناك التهاب مزمن، necrosis، crush artifact، اختلاف في staining، وتداخل بين tumor nests وstroma، خصوصا في الأنماط المختلطة.
القياس اليدوي الكامل على WSI يستهلك وقتا لا يناسب العمل اليومي. حتى في البحث، يحتاج إلى اتفاق واضح بين المقيمين. لذلك ركزت الدراسة على نقطة قريبة من المختبر: تقليل عبء annotation مع الحفاظ على علاقة واضحة بين output النموذج وما يستطيع الباثولوجست مراجعته على الشريحة.
ما الذي بناه الفريق؟
الفريق استخدم WSI من TCGA-LUAD، مع annotation بواسطة طبيبين باثولوجي باستخدام QuPath، ثم مراجعة من طبيب باثولوجي ثالث أكثر خبرة. قاعدة التدريب ضمت أكثر من 20,000 annotated units. هذا التفصيل مهم، لأن جودة AI في هذه المهمة تبدأ من تعريف المنطقة والخلية، لا من اسم الخوارزمية.
الـ pipeline يتكون من ثلاث طبقات. الأولى تعتمد OpenCV لتحديد tissue contour. الثانية تستخدم U2-NetP لتقسيم tumor parenchyma. الثالثة تستخدم YOLOv7 لاكتشاف lymphocytes. هذا التقسيم يشبه طريقة التفكير داخل المختبر: يبدأ العد بعد تحديد النسيج الصالح للقراءة، ويأخذ معناه من علاقة الورم مع stroma.
في الاختبار الداخلي، أعطت خطوة tissue contour Dice قدره 90.90%. تقسيم tumor parenchyma بـ U2-NetP أعطى Dice قدره 87.17%، مع precision 87.30% وrecall 88.93%. أما detection اللمفاويات بـ YOLOv7 فأعطى F1-score 78.84% وmAP@0.5 قدره 81.16%.
الرقم وحده لا يكفي
قد يبدو F1-score عند 78.84% متوسطا إذا قرأناه كرقم منعزل. لكن في العمل الباثولوجي، القيمة الحقيقية تأتي من معرفة أين يخطئ النموذج، وهل الخطأ يغير القرار البحثي أو السريري المحتمل. اللمفاويات صغيرة، متقاربة، وقد تختلط مع خلايا أخرى في مناطق التهاب أو crush. لذلك يجب أن يرى طبيب الباثولوجي overlay، لا أن يستلم رقما نهائيا بلا سياق.
الدراسة قارنت حسابات AI مع قراءات مستقلة لطبيبي باثولوجي. الاتفاق في عد TILs كان مرتفعا: ICC بين AI والطبيب الأول 0.970، وبين AI والطبيب الثاني 0.965، والاتفاق الكلي 0.972. في grading شبه الكمي، كان kappa بين AI وكل طبيب 0.833، وFleiss’ kappa الكلي 0.889. هذه الأرقام لا تجعل النموذج حكما نهائيا، لكنها تجعله مرشحا لأعمال screening والبحث الكمي عندما تكون المراجعة البشرية جزءا من المسار.
الاختبار الخارجي يعطي قراءة أوضح
الفريق اختبر pipeline على cohort خارجي من 10 WSI من مستشفى آخر، مع خمسة أنماط growth pattern: solid، papillary، complex acinar، acinar، وlepidic. LUAD يظهر بأكثر من شكل عملي داخل الشريحة. اختلاف النمط يغير حدود الورم، كثافة stroma، وشكل الخلايا داخل الصورة.
في تقسيم tumor parenchyma، تراوح Dice في الاختبار الخارجي بين 0.8509 في lepidic و0.9178 في papillary. وفي عد TILs، كان ICC جيدا إلى ممتاز حسب النمط، من 0.796 في complex acinar إلى 0.920 في lepidic. هذه الفروقات هي ما يحتاج طبيب الباثولوجي رؤيته قبل الثقة بأي output. النموذج قد يكون قويا في نمط، وأضعف في نمط آخر.
هناك جانب زمني أيضا. معالجة WSI أصغر من 100 MB استغرقت في المتوسط 2.38 دقيقة، بينما الشرائح الأكبر من 1000 MB احتاجت 26.50 دقيقة. هذا التفصيل يدخل مباشرة في قرار التشغيل. إذا دخل AI إلى المختبر، فزمن التحليل، حجم الملفات، ومكان تشغيل النموذج داخل image management system أو server داخلي ستؤثر على قبول الأداة أكثر من أي رسم بياني جميل.
كيف يترجم هذا إلى workflow؟
أفضل مكان لهذا النوع من الأدوات حاليا هو البحث، بناء datasets، وتجهيز cohort كبير لأسئلة immune microenvironment. يمكن أيضا استخدامه كطبقة مساعدة في المختبرات التي تعمل على بروتوكولات داخلية أو مشاريع translational research. طبيب الباثولوجي يبقى مسؤولا عن اختيار regions المناسبة، مراجعة الحدود، واستبعاد مناطق artifact أو necrosis أو tissue folds.
إذا أراد المختبر تجربة أداة مشابهة، فالمسار العملي يبدأ من validation محلي صغير. اختاروا مجموعة LUAD ممثلة لأنماط morphology الموجودة لديكم، شغلوا النموذج على WSI، ثم قارنوا النتائج مع قراءة طبيبين باثولوجي على الأقل. لا تكتفوا بالمتوسط. راجعوا الحالات التي يختلف فيها AI عن الطبيب، لأنها تكشف حدود الأداة داخل مختبركم.
التكامل مع LIS مهم أيضا. رقم TILs خارج case context قد يصبح عبئا جديدا. المطلوب أن يظهر output داخل بيئة قراءة WSI، مع overlay قابل للإخفاء، وربط واضح بالشريحة والمنطقة وطريقة الحساب. وإذا استعمل الرقم في بحث أو تجربة سريرية، يجب حفظ نسخة من الإعدادات، model version، وطريقة اختيار cut-off.
ما الذي يجب أن يحذر منه طبيب الباثولوجي؟
الدراسة لا تعني أن قياس TILs أصبح جاهزا كاختبار تشخيصي مستقل لكل مختبر. هي تقدم pipeline بحثي مع نتائج مشجعة واتفاق جيد مع قراءات بشرية. لكنها لا تلغي الحاجة إلى validation حسب scanner، staining، نوع العينة، وcase mix. كما أن LUAD يختلف عن أورام أخرى، ولا يمكن نقل الأداء تلقائيا إلى tissue آخر.
هناك أيضا فرق بين عد الخلايا وفهم معناها. TILs جزء من immune context، لكن التقرير السريري لا يبنى على رقم واحد. يحتاج طبيب الباثولوجي إلى ربط morphology، stage، molecular findings، PD-L1 عند الحاجة، وسياق العلاج. AI هنا يساعد في جعل القياس أكثر ثباتا، لكنه لا يقرأ القصة كاملة.
قراءة عملية لطبيب الباثولوجي
أهمية هذه الدراسة أنها تضع AI في مكان محدد داخل مسار WSI: تحديد النسيج، فصل tumor parenchyma، ثم عد TILs بطريقة قابلة للمراجعة. هذا أقرب إلى أداة عمل من كونه وعدا عاما عن استبدال القراءة البشرية.
إذا كان مختبرك يعمل على LUAD cohorts أو immuno-oncology research، فهذه الورقة تعطي نموذج تفكير جيد. ابدأ من السؤال الباثولوجي، لا من الخوارزمية. حدد أي منطقة ستقاس، من سيراجعها، كيف سيظهر الخطأ، وأين سيحفظ الناتج داخل النظام. عندها يصبح AI جزءا من workflow يمكن ضبطه، لا رقما يضاف إلى التقرير بلا مسؤولية واضحة.