تصل الحالة إلى طبيب الباثولوجي كالمعتاد: WSI جاهزة، H&E مقروءة، وربما IHC أو molecular findings تنتظر الربط النهائي داخل التقرير. في السابق كان السؤال العملي يدور حول التشخيص، الدرجة، الهامش، وحاجة الحالة إلى صبغات إضافية. مع دخول AI model إلى المسار، يظهر سؤال جديد داخل نفس اللحظة التشخيصية: كيف يثبت الطبيب أن مخرجات النموذج صالحة لهذه الحالة، داخل هذا المختبر، ومع هذا النوع من العينة؟
هذا هو جوهر مقال رأي حديث كتبه Rajendra Singh، أستاذ الباثولوجي في University of Pennsylvania وأحد مؤسسي PathPresenter، ونشرته Pathology News بعنوان The Proof Problem, Part 1: AI Isn’t Replacing Our Job. It’s Adding a New One.. الفكرة التي يطرحها مهمة لطبيب الباثولوجي لأنها تنقل النقاش من خوف استبدال الطبيب إلى عبء التحقق الذي سيجلس فوق العمل اليومي إذا دخلت أدوات AI إلى التشخيص، الفرز، القياس، أو كتابة أجزاء من التقرير.
العمل الجديد يبدأ بعد ظهور نتيجة AI
حين يعطي AI model احتمالا أو تصنيفا أو قياسا، لا تنتهي مهمة الطبيب عند قراءة الرقم. يبدأ عمل مختلف: هل العينة ممثلة؟ هل جودة المسح مناسبة؟ هل اللون قريب من بيانات التدريب؟ هل النموذج جرى اختباره على نسيج مشابه؟ وهل النتيجة قابلة للتفسير أمام الزميل، الطبيب السريري، أو لجنة الجودة؟
هذه الأسئلة قد تبدو إدارية من الخارج، لكنها في المختبر جزء من القرار الطبي. الطبيب لا يوقع تقرير سرطان اعتمادا على احتمال مجرد. يربط المظهر النسيجي مع القصة السريرية، IHC، molecular findings، الصور الشعاعية عند الحاجة، وحدود العينة. AI يضيف طبقة حسابية إلى هذه السلسلة. لذلك يحتاج المختبر إلى طريقة واضحة لقراءة هذه الطبقة، وتوثيق ما قبل منها وما جرى رفضه.
الفكرة الحساسة هنا أن AI قد يجعل بعض المهام أسرع، لكنه يضيف وقتا في مكان آخر. القياس الآلي، triage، أو اقتراح التشخيص قد يختصر خطوات متكررة. في المقابل، يحتاج الطبيب إلى مراجعة حدود النموذج، والتحقق من الحالات الغريبة، وتسجيل سبب قبول المخرج أو تجاهله. الكسب الحقيقي يظهر عندما تكون هذه المراجعة جزءا من الواجهة نفسها، لا ملفا منفصلا أو شاشة إضافية خارج سياق الحالة.
الإثبات يدخل داخل workflow منذ البداية
إذا أراد قسم الباثولوجي استخدام AI داخل العمل اليومي، فالإثبات يجب أن يدخل مبكرا في التصميم. البداية من WSI quality. هل الصورة تحتوي على طيات، مناطق خارج التركيز، فقاعات، أو staining drift؟ بعدها تأتي حدود النموذج: نوع العينة، العضو، الصبغة، population، وحجم البيانات التي بني عليها التحقق. ثم تأتي نقطة أهم في التقرير: أي جزء من القرار اعتمد على AI، وأي جزء اعتمد على قراءة الطبيب؟
هذه التفاصيل تحمي الطبيب والمريض معا. في حالة prostate biopsy مثلا، قد يساعد AI في تحديد مناطق الاشتباه أو حساب امتداد الورم داخل cores. لكن القرار النهائي يحتاج إلى قراءة morphology، grade، عدد cores، وسياق PSA أو MRI. في breast IHC، قد يعطي النموذج قياسا أوليا لـ ER أو PR أو Ki-67، لكن الطبيب يحتاج إلى التأكد من اختيار منطقة العد، جودة الصبغة، وجود necrosis أو edge artifact، وطريقة عرض النتيجة داخل التقرير.
من دون هذا الربط، يتحول AI إلى رقم إضافي يربك العمل. ومع هذا الربط، يصبح أداة قابلة للمراجعة. الفرق يظهر في تفاصيل صغيرة: زر واضح لفتح heatmap، سبب آلي مختصر، سجل يوضح النسخة المستخدمة من النموذج، وارتباط مباشر بين النتيجة والصورة الأصلية داخل image management system أو LIS. هذه شروط عملية لكي يستطيع طبيب الباثولوجي الدفاع عن التقرير الذي يوقعه.
ما الذي يجب أن يسأل عنه القسم قبل الشراء؟
السؤال الأول يجب أن يكون عن مكان AI داخل المسار. هل يعمل قبل فتح الحالة كأداة triage؟ هل يعمل أثناء القراءة؟ هل يولد قياسات تدخل إلى مسودة التقرير؟ أم يقدم مخرجا بحثيا خارج القرار السريري؟ كل موضع يحمل مستوى مختلفا من المخاطر. أداة triage قد تؤثر في ترتيب الحالات، وأداة قياس IHC قد تؤثر في نتيجة علاجية، وأداة اقتراح تشخيص قد تؤثر في تفكير الطبيب منذ البداية.
السؤال الثاني يتعلق بطريقة الفشل. كل نموذج سيفشل في حالات معينة. المهم أن يعرف المختبر شكل الفشل: ضعف في العينات الصغيرة، حساسية للتلوين، أداء أقل في subtype نادر، أو ارتباك مع artifact معروف. عندما تكون هذه الحدود مكتوبة وقابلة للاختبار محليا، يستطيع القسم بناء سياسة استخدام واقعية. عندما تغيب هذه الحدود، ينتقل العبء إلى الطبيب في كل حالة.
السؤال الثالث يتعلق بالتوثيق. هل يسجل النظام نسخة النموذج؟ هل يحفظ input المستخدم؟ هل يمكن الرجوع إلى heatmap أو measurement بعد توقيع التقرير؟ هل يستطيع مسؤول الجودة استخراج حالات جرى فيها تجاوز مخرج AI؟ هذه الأسئلة تبدو تقنية، لكنها تحدد قدرة القسم على التحقيق عند اختلاف النتيجة، شكوى سريرية، أو مراجعة اعتماد.
الإثبات يحتاج لغة يفهمها الطبيب
من الأخطاء الشائعة عرض AI على الطبيب كصندوق من المقاييس العامة: AUC، sensitivity، specificity، وأحيانا أرقام من cohort بعيد عن مختبره. هذه الأرقام مفيدة كبداية، لكنها لا تكفي وحدها لاتخاذ قرار إدخال النموذج إلى sign-out. طبيب الباثولوجي يحتاج إلى أمثلة من حالات تشبه عمله: biopsy صغيرة، resection كبيرة، صبغة ضعيفة، tissue crush، necrosis، mucin، أو subtype منخفض التكرار.
كما يحتاج إلى واجهة لا تجبره على لعب دور مهندس بيانات. العرض الجيد يقول للطبيب: هذه المنطقة أثرت في النتيجة، هذه درجة الثقة، هذه حدود الاستخدام، وهذه طريقة تجاهل المخرج أو تعديله. عندما تكون اللغة قريبة من التقرير ومن glass slide workflow، يصبح التحقق جزءا من القراءة. عندما تكون اللغة بعيدة، يترك الطبيب الأداة أو يستخدمها بحذر شديد.
هذا مهم خصوصا في مختبرات المنطقة التي تفكر في digital pathology ضمن موارد محدودة. شراء scanner أو منصة AI وحده لا يحل مشكلة workflow. المطلوب سياسة محلية: من يراجع نتائج AI؟ متى يجب الرجوع إلى الزجاج؟ من يوافق على التحديثات؟ كيف تقاس الأخطاء؟ وكيف يجري تدريب الأطباء والمقيمين على قراءة المخرجات من دون أن تتحول إلى سلطة أعلى من morphology؟
دور طبيب الباثولوجي في مرحلة الإثبات
الرسالة العملية من المقال أن طبيب الباثولوجي سيحمل دورا جديدا مع AI: قراءة الشريحة ستبقى في مركز العمل، وسيضاف إليها الحكم على صلاحية الأداة داخل الحالة. هذه الصياغة يجب أن تكون واضحة داخل المختبر. الدور لا يعني أن الطبيب يجب أن يعرف كل تفاصيل النموذج، لكنه يعني أن الطبيب يحتاج إلى حق السؤال والاعتراض والتوثيق.
أفضل تطبيقات AI ستكون تلك التي تحترم هذا الدور. تعطي الطبيب دليلا قابلا للمراجعة، تترك القرار النهائي واضحا، وتربط المخرجات بمسار LIS والصورة الأصلية. أما الأدوات التي تقدم نتيجة مغلقة وتطلب الثقة بها، فستخلق عبئا إضافيا وتزيد تردد الأطباء، حتى لو بدت جيدة في العرض التسويقي.
لذلك يجب أن يبدأ أي مشروع AI في الباثولوجي من اجتماع قصير بين الأطباء، الجودة، تقنية المعلومات، والإدارة. لا يبدأ من قائمة مزايا المنتج. يبدأ من الحالات التي يتعب فيها القسم فعلا: backlog، قياسات IHC، فرز biopsies، مراجعة second opinion، أو توحيد grading بين الأطباء. عندها فقط يمكن تحديد نوع الإثبات المطلوب، وطريقة إدخاله في العمل اليومي.
ما الذي يتغير في التقرير؟
قد لا يحتاج التقرير إلى ذكر AI في كل حالة، بحسب السياسة المحلية والتنظيمية ونوع الاستخدام. لكنه يحتاج إلى مسار داخلي يوضح أثر AI عندما يؤثر في القرار. هذا المسار يجب أن يكون قابلا للمراجعة لاحقا. إذا اقترح النموذج منطقة مشتبهة وراجعها الطبيب، يجب أن يعرف القسم كيف يسجل ذلك. إذا رفض الطبيب النتيجة، يجب أن يكون الرفض سهلا ومفهوما.
هنا يصبح AI جزءا من governance، لا مجرد برنامج إضافي. كل تحديث للنموذج، كل تغيير في scanner، وكل تعديل في طريقة staining قد يغير الأداء. مختبر الباثولوجي الذي يبني إثباتا محليا منذ البداية سيكون أقدر على استخدام AI بأمان، وأقدر على شرح قراراته للمرضى والفرق السريرية.
المقال يذكرنا بنقطة بسيطة: AI لا يزيل مسؤولية طبيب الباثولوجي عن التقرير. يضيف مادة جديدة يجب تقييمها. إذا تعاملنا مع هذه المادة كجزء من workflow، يمكن أن تساعد. وإذا تركناها خارج المسار، ستصبح طبقة أخرى من الضغط والغموض.