في قسم باثولوجي يستقبل مئات الشرائح يوميا، دقة AI model جزء واحد من القصة. العبء يظهر عندما يضطر طبيب الباثولوجي إلى فتح شاشة ثانية، البحث عن الحالة مرة أخرى، تشغيل التحليل يدويا، ثم نقل النتيجة إلى LIS أو LVMS بيده. عندها يتحول أي نظام AI إلى عبء، حتى لو كان النموذج جيدا على الورق.
تجربة Fimlab في فنلندا مع Aiforia Breast Cancer Suite مهمة لهذا السبب. الحديث هنا عن مختبر يخدم عدة مناطق صحية، يعمل عبر أربعة مواقع، ومعه 35 pathologists. الأرقام تعطي حجم الضغط: نحو 140 ألف عينة سنويا، 550 ألف WSI عبر التخصصات، و2100 حالة خزعة ثدي سنويا. هذه بيئة تحتاج نظاما يدخل في يوم التشخيص مباشرة.
العرض الذي قدمته Aiforia مع Philips وSoftwarepoint في European Congress of Digital Pathology 2026 ركز على نقطة تشغيلية بسيطة: AI في سرطان الثدي يجب أن يتحرك مع الطلب، مع الشريحة، ومع التقرير. طبيب الباثولوجي يريد نتيجة قابلة للمراجعة داخل مكان العمل المعتاد، مع قياس واضح وسجل يمكن الرجوع إليه.
المشكلة العملية في AI الثدي داخل المختبر
سرطان الثدي من أكثر المناطق التي يظهر فيها الضغط على طبيب الباثولوجي. grading يحتاج تركيزا على mitoses وnuclear features وtubule formation. IHC يحتاج قياسا متسقا في ER وPR وKi-67 وHER2، خصوصا عندما تكون الحالة borderline أو عندما توجد مناطق لا تمثل الورم. في المختبر الرقمي، كل خطوة إضافية تكبر مع عدد الحالات.
إذا كان النظام الرقمي يطلب من الطبيب تشغيل AI خارج مسار الحالة، فالطبيب يدفع ثمن الدمج الناقص. وعندما تعود النتيجة إلى نظام المختبر بشكل غير منظم، تظهر أخطاء النقل اليدوي، وتتأخر التقارير، وتصبح مراجعة الجودة أصعب. قيمة قصة Fimlab في ربط الطلب، WSI، التحليل، المراجعة، والنتيجة داخل مسار واحد يمكن تشغيله يوميا.
كيف رتبت Fimlab المسار بين LVMS وWSI وAI
حسب عرض Aiforia، بنية Fimlab جمعت ثلاثة مكونات. Software Point يتولى LVMS/LIMS، ويستقبل أوامر التشخيص، ويدير مسار histology، ويرسل طلب التحليل، ثم يستقبل النتائج المنظمة. Philips يتولى المسح عبر أجهزة Philips ultra-fast slide scanners، مع تخزين WSI والعرض الرقمي. Aiforia يقدم Breast Cancer Suite مع Aiforia Bridge، ويرتبط بالمسار عبر HL7 v2 وFHIR.
المسار العملي يبدأ عندما يدخل أمر التشخيص في LVMS. بعد تجهيز الشرائح، يتم المسح وتحضير WSI للمراجعة. بعدها يرسل LVMS إشعارا عبر HL7 أو FHIR إلى Aiforia Bridge لطلب AI analysis. يقوم Aiforia بجلب WSI وتشغيل inference على المناطق المطلوبة. ثم يدخل طبيب الباثولوجي إلى Aiforia Platform عبر SSO من واجهة العمل الأساسية، ويراجع النتائج داخل Clinical Viewer. بعد اعتماد التقرير، تعود النتائج المنظمة إلى LVMS.
هذا الترتيب يقلل لحظة الاحتكاك التي تقتل مشاريع AI في المختبرات. يحصل الطبيب على case ID موحد داخل المسار نفسه. وتنتقل نتيجة Ki-67 أو HER2 إلى النظام من دون نسخ يدوي. ويستطيع قسم المعلوماتية إدارة الربط عبر رسائل مبنية على معايير يستخدمها القطاع الصحي أصلا.
ما الذي يراه طبيب الباثولوجي داخل Breast Cancer Suite؟
Aiforia Breast Cancer Suite المذكور في المصدر يضم خمسة AI models بعلامة CE-IVD: Breast Cancer Grading، وKi67، وER، وPR، وHER2. وجود العلامة التنظيمية مهم، لكن الاستخدام اليومي يعتمد على طريقة عرض النتيجة. طبيب الباثولوجي يحتاج خريطة يمكن فهمها بسرعة، وقياسات قابلة للمراجعة، ومسارا يسمح بتعديل الحكم النهائي عند الحاجة.
في تجربة Fimlab، وصف Dr. Lasse Nieminen أن AI output يعطي رأيا آليا ثانيا في الحالات الصعبة أو القريبة من الحدود، ويقلل الحاجة إلى بعض الاستشارات الداخلية. كما تساعد heatmaps في تحديد mitoses وGrade 3 nuclei بسرعة. في Ki-67، يعمل النموذج على full-sample cell counts، مع استبعاد non-tumor أو control tissue من الحساب. هذه التفاصيل مهمة لأنها تقرب AI من سؤال الطبيب المعتاد: أين المنطقة التي أحتاج رؤيتها؟ وهل الحساب يمثل الورم فعلا؟
ذكرت Aiforia أيضا أن دراسة clinical validation للشركة أظهرت تقليل الزمن حتى 54% في تحاليل biomarkers مثل Ki-67 عند استخدام AI داخل مسار العمل الروتيني. هذا الرقم يجب قراءته بحذر لأنه صادر من الشركة، لكنه مفيد كمؤشر تشغيلي: الربح الأكبر يظهر عندما يعود القياس إلى التقرير من دون نقل يدوي ومن دون إعادة فتح الحالة في نظام منفصل.
لماذا يهم هذا النموذج للأقسام التي تفكر في الشراء؟
كثير من قرارات شراء AI تبدأ من سؤال دقة النموذج. هذا سؤال ضروري، لكنه ناقص من ناحية التشغيل. قسم الباثولوجي يحتاج أن يسأل أسئلة أخرى قبل التعاقد: هل يصل طلب التحليل من LIS أو LVMS تلقائيا؟ هل يعرف النظام أي WSI تخص الحالة الصحيحة؟ هل يستطيع الطبيب الدخول عبر SSO؟ هل تعود النتيجة بشكل منظم إلى نظام المختبر؟ هل يوجد audit trail عند تعديل النتيجة أو اعتمادها؟
هذه الأسئلة تحدد ما إذا كان AI سيخفف العمل أو يضيف طبقة جديدة فوق العمل الحالي. في سرطان الثدي، يأتي جزء من التأخير من النقل بين الأنظمة، مراجعة IHC، إدخال الأرقام، ومطابقة الشرائح مع التقرير، إلى جانب قراءة morphology نفسها. عندما يتحرك AI داخل هذا المسار، يصبح دوره أقرب إلى أداة sign-out عملية.
النقطة الأخرى هي الحياد بين الموردين. اختارت Fimlab مسارا يضم أكثر من مورد. لديها LVMS من Software Point، scanners وعرض WSI من Philips، وAI من Aiforia. هذا يهم المختبرات التي بدأت التحول الرقمي تدريجيا وتملك أنظمة من شركات مختلفة. الربط عبر HL7 v2 وFHIR يعطي إطارا لإدخال AI مع الحفاظ على البنية القائمة، مع بقاء تفاصيل الاختبار المحلي والحوكمة تحت مسؤولية القسم.
ما الذي يجب أن يبقى تحت يد الطبيب؟
حتى في مسار منظم كهذا، القرار التشخيصي يبقى للطبيب. AI output يفيد عندما يسرع الوصول إلى المنطقة المهمة، يقدم count قابلا للمراجعة، أو يضع نتيجة منظمة أمام الطبيب. أما الحكم النهائي على grade، وعلى صلاحية منطقة القياس، وعلى توافق IHC مع morphology وبقية القصة السريرية، فيبقى جزءا من مسؤولية طبيب الباثولوجي.
لذلك يحتاج القسم إلى ما يتجاوز قائمة models. يجب أن يرى كيف يتعامل النظام مع tissue folds، مناطق necrosis، control tissue، tumor heterogeneity، ضعف الصبغة، والشرائح ذات الجودة المتوسطة. ويجب أن يكون مسار الاعتماد واضحا: ما الذي يدخل التقرير تلقائيا؟ ما الذي يحتاج تأكيد الطبيب؟ كيف تسجل التعديلات؟ ومن يراجع الانحرافات بعد التشغيل؟
تجربة Fimlab تعطي مثالا مفيدا لأنها تربط هذه الأسئلة ببيئة عالية الحجم. عندما يعالج المختبر 550 ألف WSI سنويا، فإن دقيقة واحدة إضافية لكل حالة تصبح مشكلة تشغيلية. وعندما تنتقل نتائج Ki-67 أو ER أو PR أو HER2 بصورة منظمة إلى LVMS، فإن الفائدة تظهر في الوقت، وفي تقليل أخطاء الإدخال، وفي قدرة القسم على متابعة الجودة.
الخلاصة لطبيب الباثولوجي
الدرس العملي من هذه القصة أن AI الثدي يجب أن يقاس داخل مسار التشخيص الكامل. ابدأ من الطلب في LIS أو LVMS، ثم WSI، ثم AI analysis، ثم مراجعة الطبيب، ثم النتيجة المنظمة داخل التقرير. إذا انقطعت السلسلة في أي نقطة، سيعود العبء إلى الطبيب أو إلى السكرتارية أو إلى فريق المعلوماتية.
بالنسبة للأقسام التي تخطط لإدخال AI في سرطان الثدي، تجربة Fimlab تضع قائمة أسئلة واضحة قبل الشراء: التكامل مع LIS، التعامل مع WSI من مورد مختلف، SSO، HL7 v2 وFHIR، عرض heatmaps، نقل النتائج المنظمة، audit trail، وخطة validation محلية على شرائح القسم نفسه. هذه التفاصيل قد تبدو أقل إثارة من اسم النموذج، لكنها هي التي تحدد نجاح المشروع في يوم العمل العادي.
المصدر: Aiforia: Unlocking diagnostic value at Fimlab with Aiforia Breast Cancer Suite. كما ورد الخبر عبر Pathology News.