تخيل أن القسم اشترى AI model جديدا لفرز حالات البروستات أو تقدير Ki-67 أو تنبيه الطبيب إلى منطقة مشتبه بها داخل WSI. العرض التجريبي كان مقنعا. الواجهة جميلة. والنتيجة تظهر خلال دقائق. السؤال داخل المختبر يبدأ بعد ذلك: من يفهم كيف يدخل هذا الناتج إلى مسار التشخيص، ومن يعرف متى يثق به ومتى يوقفه؟
هذا هو جوهر فكرة AI fluency التي طرحها Dr. Eric Walk، Chief Medical Officer في PathAI، خلال اجتماع PNPL Q3 Digital Pathology & AI Focus Group في 24 تموز 2026، بحسب تغطية Pathology News. الرسالة العملية هنا موجهة إلى قادة أقسام الباثولوجي وطبيب الباثولوجي العامل على الحالات اليومية: اعتماد AI أسرع من فهم كثير من تفاصيله التشغيلية، والفجوة تظهر عند أول اختلاف بين نتيجة النموذج وانطباع الطبيب على الشريحة.
الفكرة العملية: الطبيب لا يحتاج إلى بناء الخوارزمية
طبيب الباثولوجي لا يحتاج إلى كتابة الكود أو تدريب النموذج من الصفر. المطلوب أبسط وأصعب في الوقت نفسه: فهم كاف يسمح له بطرح الأسئلة الصحيحة قبل إدخال النموذج إلى العمل اليومي. ما نوع الحالات التي تدرب عليها النموذج؟ هل شملت الشرائح أنواعا مختلفة من staining، scanners، tissue processing، ومصادر إحالة متعددة؟ هل جرى اختباره على بيانات قريبة من واقع المختبر؟ كيف يتعامل مع artifacts، crush، necrosis، tissue folds، أو tumor heterogeneity؟
هذه الأسئلة تبدو تقنية، لكنها في الحقيقة أسئلة تشخيصية. عندما يرى الطبيب heatmap على WSI، فهو لا يقرأ لونا مجردا. هو يقرر إن كان اللون يتوافق مع morphology، ومع IHC عند الحاجة، ومع سياق العينة والتقرير النهائي. لذلك تصبح AI fluency جزءا من جودة التشخيص، تماما مثل فهم حدود IHC أو حدود عينة صغيرة من biopsy.
أين تظهر المشكلة داخل سير العمل؟
المشكلة لا تظهر عادة في العرض التجاري. تظهر في worklist صباحي مزدحم، في حالة urgent، أو عند اختلاف النتيجة بين قارئين. إذا ظهر AI score مرتفع في منطقة يراها الطبيب reactive change، ماذا يحدث؟ هل يحتفظ النظام بالصورة، النتيجة، الإصدار، ووقت التشغيل؟ هل يستطيع الطبيب إخفاء overlay ثم مراجعته مرة أخرى؟ هل تظهر النتيجة داخل LIS أو داخل image management system بطريقة قابلة للتتبع؟
هنا ينتقل النقاش من دقة النموذج إلى طريقة إدخاله في القرار. نموذج جيد على الورق قد يسبب عبئا إذا كان يحتاج إلى فتح شاشة منفصلة، أو إذا كانت النتيجة تصل بعد توقيع التقرير، أو إذا كان audit trail ضعيفا. وفي المقابل، نموذج متوسط الأداء في مهمة محددة قد يكون مفيدا إذا استعمل كأداة فرز واضحة الحدود داخل workflow مضبوط.
ما الذي يجب أن يعرفه طبيب الباثولوجي؟
المعرفة المطلوبة تبدأ من خمسة محاور. الأول هو population التي بني عليها النموذج: نوع العينات، مصدرها، طريقة التحضير، ونطاق المرض. الثاني هو نوع المخرج: detection، segmentation، score، أو risk category. الثالث هو موضع المخرج داخل القرار: هل يساعد في اختيار ROI، أم يقترح قياسا، أم يرفع أولوية case في worklist؟ الرابع هو حدود الاستخدام: diagnostic، research use، أو دعم داخلي يحتاج إلى تحقق محلي. الخامس هو طريقة تسجيل الاعتراض الطبي عندما يختلف الطبيب مع النتيجة.
هذه المحاور تمنع تحويل AI إلى صندوق أسود داخل القسم. الطبيب يستطيع أن يقول: هذا النموذج مناسب لحالات محددة، وهذه الحالات تحتاج مراجعة أوسع، وهذه النتيجة لا تدخل التقرير إلا بعد مطابقتها مع morphology والمعطيات السريرية. بهذا الشكل تبقى المسؤولية الطبية واضحة.
التدريب يجب أن يكون قريبا من الحالات اليومية
التدريب على AI في الباثولوجي يفشل عندما يتحول إلى محاضرة عامة عن machine learning. طبيب الباثولوجي يحتاج إلى أمثلة من نفس العمل: breast IHC، prostate biopsies، GI dysplasia، lymph node metastasis، أو فرز cytology. الأفضل أن يرى الطبيب حالات نجح فيها النموذج، وحالات أخطأ فيها، وحالات أعطى فيها إشارة صحيحة لكن غير كافية للتقرير.
جلسة تعليمية مفيدة قد تعرض WSI مع overlay، ثم تطلب من الأطباء مراجعة المنطقة قبل رؤية النتيجة الرقمية. بعد ذلك يناقش الفريق سبب الاتفاق أو الاختلاف. هل المشكلة في جودة scan؟ هل stain خارج النطاق المعتاد؟ هل ROI المختارة لا تمثل الورم؟ هل هناك pattern نادر لم يكن ظاهرا في بيانات التدريب؟ هذا النوع من التدريب يربط AI باللغة التي يفهمها الطبيب: morphology، context، uncertainty، and sign-out responsibility.
ما الذي يعنيه هذا لقائد القسم؟
قائد القسم يحتاج إلى سياسة واضحة قبل الشراء أو التشغيل. يجب تحديد owner سريري للنموذج، وطريقة local validation، ومعايير مراقبة الأداء بعد التشغيل، وخطة التعامل مع model updates. إذا تغير إصدار النموذج، يجب أن يعرف القسم ما الذي تغير، وعلى أي نوع من الحالات قد يظهر الأثر. كما يجب تحديد من يراجع حالات الخلاف، وكيف تسجل الملاحظات، ومتى يوقف استخدام النموذج مؤقتا.
الجانب التقني مهم أيضا. WSI quality، سرعة التحميل، تكامل LIS، صلاحيات المستخدمين، وحفظ السجلات كلها عناصر تؤثر في ثقة الطبيب. AI fluency هنا لا تعني أن كل طبيب يصبح خبير IT. تعني أن القسم يمتلك لغة مشتركة بين الباثولوجست، informatics، الجودة، والإدارة.
الخلاصة للطبيب أثناء sign-out
عند ظهور نتيجة AI داخل مسار التشخيص، اسأل ثلاثة أسئلة مباشرة. هل النتيجة منطقية مع morphology؟ هل الحالة تشبه الحالات التي اختبر عليها النموذج؟ وهل يمكن توثيق قرار القبول أو الرفض داخل النظام؟ إذا كانت الإجابة غامضة، فالنتيجة تحتاج مراجعة أعمق قبل أن تؤثر في التقرير.
قيمة AI في الباثولوجي الرقمي تعتمد على فهم الطبيب لطريقة استخدامه وحدوده داخل المختبر. التبني الآمن يقوم على fluency عملية، قريبة من WSI وLIS والتقرير النهائي، مع تقييم مستقل يتجاوز اسم الشركة أو شكل الواجهة.
المصدر: Pathology News، Micro Highlight 38 عن AI Fluency in Pathology.