نشر موقع Pathology News خبراً عن دراسة مفتوحة في Scientific Reports تصف نموذج ذكاء اصطناعي لاكتشاف نقائل سرطان الثدي في شرائح العقد اللمفاوية الرقمية، مع تحديد موضع الورم وتقدير مرحلة pN على مستوى المريضة. العنوان العلمي للدراسة هو: Detection, localization, and staging of breast cancer lymph node metastasis in digital pathology whole slide images using selective neighborhood attention-based deep learning.
أهمية الخبر لا تأتي من رقم أداء واحد. الفكرة الأقرب إلى عمل اختصاصي الأمراض هي أن النموذج لا يكتفي بتصنيف بقعة صغيرة من الصورة، بل يجمع قراءة النوى مع سياق النسيج حولها. هذا الفرق مهم في العقد اللمفاوية، لأن الخلايا الورمية القليلة، حواف الجيب، التبدلات الالتهابية، وقطع النسيج الصغيرة قد تدفع الخوارزمية إلى قرار سريع إذا عوملت كل رقعة بمعزل عن محيطها.
ما الذي اختبرته الدراسة؟
طور باحثون من York University وSunnybrook Health Sciences Centre منظومة تحليل تعتمد على مسارين. المسار الأول يستخرج معلومات على مستوى النوى من خلال التقسيم والتصنيف الخلوي. المسار الثاني يستخرج تمثيلات نسيجية أعلى مستوى من الصورة الرقمية. بعد ذلك تستخدم المنظومة آلية انتباه انتقائي للجوار، بحيث تختار الرقع المجاورة الأكثر صلة بالرقعة المراد الحكم عليها.
بهذه الطريقة يصبح القرار مبنياً على سؤال مألوف في الممارسة: هل الخلايا المشتبهة مقنعة داخل سياقها؟ في الفحص اليومي لا ينظر اختصاصي الأمراض إلى خلية مفردة فقط، ولا إلى منظر منخفض التكبير فقط. القرار يتكون من حركة متكررة بين التكبيرات، بين نمط التوزع، مظهر النوى، علاقة الخلايا بالجيوب والحواجز، ثم تقدير حجم البؤرة وتأثيرها على المرحلة.
اختبرت الدراسة النموذج على CAMELYON16، ثم قيّمت قدرته خارج بيانات التدريب على CAMELYON17. هذا التفصيل يستحق الانتباه في قراءة أي عمل متعلق بالذكاء الاصطناعي في الباثولوجيا الرقمية، لأن الأداء داخل مجموعة واحدة لا يكفي للحكم على صلاحية الاستخدام بين مستشفيات مختلفة، وماسحات مختلفة، وبروتوكولات تحضير وتلوين مختلفة.
الأرقام التي تهم اختصاصي الأمراض
على مستوى الرقع في CAMELYON16، حقق النموذج حساسية 96.2% ± 1.5%، ودقة إيجابية 95.3% ± 2.4%، ودرجة F1 مقدارها 95.7% ± 3.1%. هذه أرقام قوية في مهمة تتأثر بشدة بنسبة البؤر الصغيرة إلى النسيج السليم، لكنها تبقى أرقاماً ضمن بيئة اختبار محددة وتحتاج إلى تحقق محلي داخل المختبر.
في تحديد حدود الورم، وصلت درجة Dice إلى 90.5% ± 2.0%، ومؤشر Jaccard إلى 82.6% ± 0.8%. هذا الجانب أكثر قرباً من احتياج العمل اليومي من التصنيف الثنائي وحده. اكتشاف وجود نقيلة مهم، لكن تحديد امتدادها ينعكس على الفصل بين isolated tumor cells وmicrometastasis وmacrometastasis، وعلى طريقة توثيق العبء الورمي داخل العقدة.
على مستوى الشريحة، بلغت قيمة AUC مقدار 0.96 ± 0.01 في CAMELYON16. وعند الانتقال إلى CAMELYON17، انخفضت درجة F1 على مستوى الرقع إلى 87.0% ± 1.8%، وبلغت AUC على مستوى الشريحة 0.88 ± 0.03. الانخفاض متوقع ومفيد في الوقت نفسه، لأنه يضع الأداء في سياق أقرب إلى الواقع: النماذج التي تبدو ممتازة داخل مجموعة واحدة قد تتأثر عند تغيير المصدر.
أما على مستوى تصنيف pN الآلي، فقد سجل النموذج kappa مقدارها 0.94 ± 0.02. إذا ثبت هذا النوع من الأداء في اختبارات مستقلة ومحلية، فالفائدة العملية لن تكون في استبدال قراءة اختصاصي الأمراض، بل في تقليل احتمال فوات البؤر الصغيرة، وتقديم خريطة أولية للمناطق المشبوهة، وتسريع مراجعة الشرائح ذات العبء العالي أو الشرائح السلبية الطويلة.
لماذا الجمع بين النوى والسياق مهم؟
كثير من نماذج WSI تتعامل مع الشريحة كحقيبة ضخمة من الرقع. هذا ينجح في بعض المهام، لكنه قد يضعف عند وجود بؤر صغيرة أو عند غياب شرح دقيق على مستوى الرقعة. في النقائل العقدية، تتجاوز الصعوبة العثور على لون مختلف. هناك تشابهات بين الخلايا اللمفاوية، الخلايا البطانية، القطع الفنية، والمناطق المسحوقة أو ضعيفة التلوين.
إضافة معلومات النوى تعطي النموذج مدخلاً قريباً من قراءة السيتولوجيا النسيجية: حجم النوى، كثافتها، نمط تجمعها، وبعض الفروق التي لا تظهر بوضوح في تمثيل عام للرقعة. أما سياق النسيج فيمنع القرار من التحول إلى مطاردة نقاط منفردة. عندما يجتمع الاثنان، يصبح الناتج أقرب إلى دعم قرار قابل للمراجعة، خصوصاً إذا عرضت الخريطة الحرارية مع البؤر المختارة بوضوح.
الدراسة أجرت أيضاً تحليلات إزالة للمكونات، وأظهرت أن حذف سمات النوى أو حذف آلية انتباه الجوار يؤدي إلى تراجع الأداء. هذا مهم لأنه يربط التحسن بجزء محدد من التصميم، ولا يترك القارئ أمام صندوق أسود يقال له فقط إن نتائجه جيدة.
قراءة عملية قبل التفكير في الاعتماد السريري
بالنسبة للمختبر، السؤال العملي هو: أين يدخل هذا النوع من النماذج في سير العمل؟ أقرب موقع هو الفرز الأولي للشرائح العقدية في سرطان الثدي، مع عرض مناطق الاشتباه وقياس تقريبي للامتداد. يمكن أيضاً استخدامه كطبقة تحقق ثانية في الحالات السلبية، أو كأداة لترتيب قائمة العمل عندما توجد عدة عقد وعدة شرائح لكل مريضة.
لكن الاعتماد السريري يحتاج أكثر من أداء منشور. يجب اختبار النموذج على شرائح المختبر نفسه، بما في ذلك اختلافات الماسح، سماكة القطع، H&E المحلي، الشرائح ذات الطيات والفقاعات، وحالات العلاج السابق. يجب أيضاً معرفة سلوك النموذج مع ITCs، ومع البؤر القريبة من الجيب تحت المحفظة، ومع الحالات التي يكون فيها IHC ضرورياً لحسم الشك.
هناك جانب آخر لا يقل أهمية: طريقة العرض داخل نظام إدارة الصور. إذا كانت النتيجة مجرد علامة إيجابية أو سلبية، فالقيمة محدودة. أما إذا عرضت الخوارزمية خريطة قابلة للتكبير، وحدوداً قابلة للمراجعة، وقياساً واضحاً لأكبر بؤرة، فستصبح أقرب إلى أداة عمل داخلية يمكن تدقيقها وتوثيقها.
الخلاصة المهنية
هذه الدراسة تضيف دليلاً جديداً على أن نماذج الباثولوجيا الرقمية تصبح أكثر فائدة عندما تقترب من طريقة القراءة الفعلية: خلية، نسيج، سياق، ثم مرحلة. الأرقام المنشورة مشجعة، خصوصاً AUC على مستوى الشريحة وkappa لتقدير pN، لكن الانخفاض عند الاختبار على CAMELYON17 يضع التحقق بين المؤسسات في صلب أي قرار اعتماد.
للممارسة اليومية، القيمة الأقرب هي دعم قراءة شرائح العقد اللمفاوية في سرطان الثدي، لا إصدار حكم مستقل. إذا دخلت هذه الأدوات إلى المختبرات، فسيكون نجاحها مرتبطاً بثلاثة أمور: وضوح الخريطة التي يراجعها اختصاصي الأمراض، تحقق محلي صارم قبل التشغيل، وتكامل جيد مع نظام WSI وLIS دون زيادة عبء العمل.
المصدر: Pathology News، والدراسة الأصلية في Scientific Reports.