خلّينا نبدأ من موقف يومي بسيط.
طبيب باثولوجي يفتح WSI لغدة لمفاوية ويبحث عن metastasis صغيرة. هو لا يشاهد السلايد مثل صورة عادية. يبدأ بنظرة عامة، ثم يقترب من المناطق المشكوك بها، يكبّر الصورة، يرجع للخلف، ويقارن شكل الخلايا مع ترتيب النسيج حولها. أحياناً القرار لا يعتمد فقط على رؤية الخلايا السرطانية، بل على معرفة أين يجب أن تبحث عنها.
هذه هي فكرة الدراسة الجديدة المنشورة في Nature Biomedical Engineering عن Pathology-CoT و Pathology-o3. الباحثون لا يريدون تدريب AI على الجواب النهائي فقط. يريدون تدريبه على طريقة تفكير وحركة طبيب الباثولوجي داخل السلايد.
ما المشكلة التي تحاول الدراسة حلها؟
كثير من نماذج AI في الباثولوجي الرقمي تعمل بهذه الطريقة: نعطيها صورة أو أجزاء من السلايد، وهي تعطي نتيجة. مثلاً: benign أو malignant، موجود metastasis أو غير موجود.
لكن طبيب الباثولوجي لا يعمل بهذه البساطة. الطبيب يعرف أن بعض المناطق لا تستحق الوقت، وبعض المناطق يجب تكبيرها، وبعض العلامات الصغيرة تحتاج انتباه. هذا النوع من الخبرة عادة لا يُسجّل في قواعد البيانات. الموجود غالباً هو التشخيص النهائي، وليس رحلة الوصول إليه.
الدراسة تقول: إذا أردنا AI يساعدنا فعلاً في قراءة WSI، فلا يكفي أن يتعلّم النتيجة. يجب أن يتعلّم أيضاً أين ينظر، ومتى يكبّر، ولماذا يركّز على منطقة معينة.
ما هو Pathology-CoT؟
Pathology-CoT هو نظام يسجل طريقة قراءة طبيب الباثولوجي للسلايد. يسجل حركة الطبيب داخل WSI، أماكن التوقف، مناطق التكبير، والمناطق التي لفتت انتباهه.
بعد ذلك يحول هذه الحركة إلى معلومات يمكن تدريب AI عليها. بمعنى أبسط: بدلاً من أن نقول للنموذج فقط “هذه الحالة positive”، نعطيه أيضاً أمثلة على الأماكن التي نظر إليها الطبيب حتى وصل لهذا القرار.
الباحثون أضافوا خطوة مراجعة بشرية. AI يساعد في كتابة سبب اختيار المنطقة، لكن طبيب أو خبير يراجع ويصحح. الهدف أن تكون المعلومة مفيدة: أين ننظر؟ ولماذا هذه المنطقة مهمة؟
ما هو Pathology-o3؟
Pathology-o3 هو AI agent بُني باستخدام هذه الفكرة. كلمة agent هنا تعني أن النموذج لا يكتفي بجواب واحد مباشر، بل يمر بخطوات: يقترح مناطق مهمة داخل السلايد، ثم يحاول تفسيرها للوصول إلى القرار.
هذا قريب من طريقة الطبيب: أولاً أفتش، ثم أركز على منطقة، ثم أقرر هل هذه المنطقة فعلاً تشخيصية أم لا.
ما النتائج المهمة؟
في اختبار داخلي على كشف metastasis في lymph nodes من الجهاز الهضمي، حقق Pathology-o3 نتائج أفضل من نماذج عامة كثيرة. الرقم الأهم كان أنه وصل إلى recall 100%. يعني في مجموعة الاختبار هذه لم يفوّت الحالات الإيجابية.
لكن لا نحتاج أن نغرق بالأرقام. الخلاصة العملية أن النموذج الذي تعلّم من طريقة بحث طبيب الباثولوجي كان أفضل من نموذج يرى الصورة فقط بدون هذا السلوك.
في اختبار خارجي اسمه LNCO2، بقي الأداء جيداً أيضاً: recall كان 97.6%. وهذا مهم لأن الاختبار الخارجي أقرب لفكرة أن نجرّب النموذج على بيانات ليست نفس بيانات التدريب.
النقطة الأكثر أهمية سريرياً كانت في الحالات الصغيرة. في تحليل ITCs وmicrometastasis وmacrometastasis، وصل Pathology-o3 إلى recall 100% في هذه المجموعات ضمن بيانات الدراسة. هذه الأرقام لا تعني أنه جاهز للاستخدام اليومي، لكنها تقول إن طريقة البحث داخل السلايد قد تساعد AI في العثور على المناطق الصغيرة التي قد تضيع.
لماذا يهم هذا طبيب الباثولوجي؟
لأن معظمنا لا يريد AI يعطي لوناً على السلايد فقط ثم يقول “هذه منطقة مشكوك بها”. نريد أداة تساعد بطريقة مفهومة: لماذا اختارت هذه المنطقة؟ هل بحثت في الأماكن الصحيحة؟ هل تجاهلت artifact؟ هل كبّرت على المنطقة التي فعلاً تستحق؟
إذا تعلم AI من حركة الطبيب وخبرته، فقد يصبح أقرب إلى مساعد داخل workflow، وليس مجرد نموذج يعطي score. مثلاً يمكن أن يقترح مناطق للمراجعة، أو يشرح لماذا يعتبر ROI معينة مهمة، أو يساعد في الحالات التي تحتاج بحثاً دقيقاً داخل WSI كبيرة.
ما الذي يجب أن لا نفهمه خطأ؟
هذه الدراسة لا تقول إن AI صار بديلاً عن طبيب الباثولوجي. ولا تقول إن Pathology-o3 جاهز للتشخيص الروتيني في المختبرات.
الدراسة اختبرت مهام محددة، مثل lymph node metastasis وبعض بيانات dermatopathology. قبل أي استخدام سريري نحتاج validation أكبر، وعلى أجهزة scanners مختلفة، وصبغات مختلفة، ومختبرات مختلفة، ومع قواعد واضحة للمسؤولية الطبية.
لكن الفكرة قوية: بدلاً من تدريب AI على النتيجة فقط، يمكن تدريبه على خطوات الطبيب للوصول إلى النتيجة. وهذا قد يكون اتجاه مهم في الجيل القادم من أدوات الباثولوجي الرقمي.
الخلاصة
Pathology-CoT يحاول أن يحوّل خبرة طبيب الباثولوجي أثناء قراءة WSI إلى بيانات تدريب. وPathology-o3 هو مثال على AI يستخدم هذه البيانات حتى يفتش داخل السلايد بطريقة أقرب للطبيب.
بالنسبة للطبيب، الرسالة بسيطة: مستقبل AI في الباثولوجي الرقمي قد لا يعتمد فقط على من يعطي prediction أدق، بل على من يستطيع أن يشرح أين نظر، ولماذا نظر هناك، وهل اتبع مساراً منطقياً داخل السلايد.
المصدر: Wang S, Wu R, Herndon C, et al. Pathology-CoT: learning visual chain-of-thought agents from expert whole-slide image diagnosis behaviour. Nature Biomedical Engineering. Published 24 July 2026. DOI: 10.1038/s41551-026-01739-y.