تخيّل أن طبيب الباثولوجي يكتب تقريراً يصف نوعاً معيناً من السرطان، وmorphology الخلايا، وطريقة انتشارها داخل النسيج. بعد ذلك يستخدم AI model هذا الوصف لإنشاء صورة مجهرية اصطناعية تتوافق معه.
هذا ما اختبره الباحثون باستخدام نموذج يُسمّى BigCell. فهو يولّد صوراً نسيجية ضخمة تصل إلى أكثر من مليار بكسل عند توجيهه بمعلومات مستخرجة من صور مرجعية، ويولّد صوراً بدقة أقل انطلاقاً من تقارير طبية مكتوبة.
في بحث أُتيح على arXiv بتاريخ 9 أكتوبر 2026، قدّم Srikar Yellapragada وزملاؤه من جامعة ستوني بروك ومختبر أرغون الوطني ومؤسسات أمريكية أخرى هذه التقنية لتوليد صور رقمية للأنسجة البشرية.
توليد صورة نسيجية يفرض متطلبات تتجاوز الشكل العام للصورة. فترتيب الخلايا، وبنية الغدد، والعلاقة بين النسيج الطبيعي والورم، كلها تفاصيل تؤثر في تفسير المرض. يحتاج النموذج إلى الحفاظ على هذه العلاقات عند التكبير، وعلى التناسق بين مناطق الصورة البعيدة عن بعضها.
ما الذي يجعل BigCell مختلفاً؟
عندما تُؤخذ عينة نسيجية من المريض، تُحضّر على شريحة زجاجية ويفحصها طبيب الباثولوجي تحت المجهر. ويمكن تحويل الشريحة إلى Whole Slide Image أو WSI، وهي صورة رقمية كبيرة تتيح التنقل بين مناطق النسيج والتكبير لفحص التفاصيل.
كانت معظم نماذج توليد الصور النسيجية السابقة تعمل على أجزاء صغيرة أو tiles. أما إنشاء صورة كبيرة، تحتفظ فيها كل منطقة بعلاقتها ببقية النسيج، فيحتاج إلى ضبط البنية العامة والتفاصيل المجهرية معاً.
تمكّن BigCell من توليد صور بحجم 32,768 × 32,768 بكسل، أي أكثر من مليار بكسل للصورة الواحدة. ودُرّب باستخدام أكثر من 120 ألف WSI من مجموعات بيانات بحثية متاحة للعامة وتشمل أعضاء مختلفة.
تمنح المعلومات المستخرجة من الصور المرجعية النموذج مخططاً لبنية النسيج، ثم تُولّد المناطق المتجاورة ضمن صورة أكبر. بهذه الطريقة يحاول الحفاظ على التناسق بين morphology الخلايا والسياق المحيط بها، بدلاً من وضع أجزاء مستقلة جنباً إلى جنب.
من التقرير المرضي إلى صورة نسيجية
طوّر الفريق نظاماً إضافياً يستخدم المعلومات الواردة في التقرير المرضي، مثل نوع النسيج والتشخيص والصفات المجهرية، لتوجيه توليد الصورة.
فعندما يصف التقرير سرطان الثدي أو أحد أنواع سرطان الكلى، يمكن للنموذج إنشاء نسيج اصطناعي يحمل خصائص تتوافق مع ذلك الوصف. وقد اختبر الباحثون هذا المسار بدقة 8,192 × 8,192 بكسل.
هنا فرق أساسي بين تجربتين: توليد الصور بحجم مليار بكسل اعتمد على معلومات مستخرجة من WSI مرجعية، أما التوليد من التقارير المكتوبة فاختُبر بدقة 8,192 × 8,192 بكسل. لذلك ينبغي قراءة عنوان «من التقرير إلى صورة ضخمة» مع هذا التفصيل.
كذلك تمثل الصورة الناتجة مثالاً اصطناعياً محتملاً يتوافق مع الوصف. وهي لا تعيد بناء نسيج المريض الأصلي، لأن التقرير يحتفظ بجزء من المعلومات الموجودة في السلايد، ويترك تفاصيل مجهرية كثيرة دون وصف.
هل يستطيع طبيب الباثولوجي تمييز الصورة المولّدة؟
شارك ثلاثة أطباء باثولوجي معتمدين في تقييم الصور. أجرى كل طبيب 100 تجربة، شملت صوراً حقيقية وأخرى مولّدة، مع مهمة مطابقة الصورة بالتقرير وتحديد ما إذا كانت الصورة حقيقية أم اصطناعية.
بلغت دقة التمييز الإجمالية بين الحقيقي والمولّد 55.3%، بفاصل ثقة 95% بين 50% و61%. النتيجة قريبة من مستوى التخمين في مهمة ثنائية، وتعكس صعوبة التمييز البصري في ظروف هذا الاختبار.
لكن عدد المشاركين اقتصر على ثلاثة أطباء. كما أن الواقعية البصرية تقيس جانباً محدداً من جودة الصورة؛ إثبات التوافق البيولوجي وصلاحية الاستخدام السريري يحتاج إلى تقييم مختلف وأكثر اتساعاً. وقد تظهر أخطاء في تفاصيل دقيقة رغم أن الصورة تبدو مقنعة ككل.
استخدامات محتملة في التدريب والتعليم والبحث
توسيع بيانات تدريب نماذج التصنيف
تحتاج نماذج التعرف على الأورام إلى أمثلة كثيرة ومتنوعة. وفي الأمراض النادرة أو مجموعات التدريب الصغيرة، يصعب أحياناً جمع عدد كافٍ من الصور الحقيقية.
يمكن استخدام BigCell لإنتاج أمثلة اصطناعية إضافية، ثم اختبار ما إذا كانت تساعد النموذج على التعلم. جودة هذه الأمثلة وتنوعها يحتاجان إلى مراجعة، مع فصل البيانات الحقيقية المستخدمة في الاختبار عن بيانات التدريب.
إنشاء أمثلة تعليمية
قد تسمح هذه التقنية مستقبلاً بإنشاء أمثلة تدريبية لحالات نادرة أو أنماط morphology محددة. يستطيع المتدرّب مقارنة عدة أمثلة افتراضية إلى جانب الحالات الحقيقية والمواد التعليمية المتاحة في الأرشيف.
كل صورة تعليمية مولّدة تحتاج إلى تعريف واضح بأنها اصطناعية، وإلى مراجعة طبيب باثولوجي قبل اعتمادها في التدريس. فالخطأ المتكرر في الصور قد يتحول إلى نمط يتعلمه الطالب.
اختبار خوارزميات تحليل الأنسجة
يمكن للباحثين توليد تنوعات نسيجية واستخدامها في تجارب تحليل الصور أو تدريب النماذج، ثم قياس فائدتها على بيانات حقيقية مستقلة. ويظل التحقق من الأخطاء والتحيزات ضرورياً قبل إدخال الصور المولّدة في أي مشروع بحثي.
ماذا أظهرت تجارب توسيع البيانات؟
استخدم الفريق صوراً اصطناعية لتوسيع مجموعات بيانات حقيقية لتدريب نماذج تصنيف في ظروف few-shot، أي عند توفر عدد قليل من الأمثلة لكل فئة.
وصل التحسن النسبي في المقاييس البحثية إلى 18% في PANDA وإلى 7% في TCGA-UT-8K، مقارنة بالنماذج المدرّبة على البيانات الحقيقية وحدها. وتعتمد قراءة كل نتيجة على مجموعة البيانات والمقياس وعدد الأمثلة المستخدم.
هذه أرقام لأداء نماذج حاسوبية في تجارب محددة. ولا تقيس تحسناً بنسبة 18% في دقة تشخيص السرطان لدى الأطباء، أو فائدة سريرية مثبتة للمرضى.
إنشاء الصورة الضخمة ما زال يحتاج وقتاً
وجّه الباحثون القدرة الحاسوبية نحو المناطق الأكثر تعقيداً بدلاً من تخصيص الجهد نفسه لكل أجزاء الصورة. وحققت طريقة الجدولة هذه تسريعاً بمقدار 3.1 مرات.
انخفض زمن إنشاء صورة 32,768 × 32,768 بكسل من 15.6 ساعة إلى 4.97 ساعات على Intel Data Center GPU Max 1550 واحد. أي أن الصورة الواحدة ما زالت تحتاج إلى قرابة خمس ساعات ضمن الإعداد التجريبي المذكور.
هذا الوقت والتجهيز الحاسوبي يحدّان من استخدام التوليد بهذا الحجم على نطاق واسع، حتى مع طريقة التسريع.
مكان الصور الاصطناعية في العمل البحثي
فحص الأنسجة الحقيقية يبقى أساس تشخيص المريض. يولّد BigCell صوراً بناءً على أنماط تعلّمها من بيانات سابقة، وقد يضيف تفاصيل لا تعكس بيولوجيا نسيج حقيقي.
كما أن توافق الصورة مع تقرير مكتوب لا يثبت أنها تحمل كل المعلومات الموجودة في العينة الأصلية. ولهذا حصر الباحثون الاستخدام المقصود في البحث، وحذّروا من استعمال الصور بديلاً عن الأنسجة الحقيقية في التشخيص أو الرعاية السريرية.
بالنسبة لطبيب الباثولوجي، يمكن متابعة BigCell كأداة بحثية لتوسيع بيانات التدريب وبناء مواد تعليمية خاضعة للمراجعة. وأي استخدام عملي يحتاج إلى توثيق مصدر الصورة، وتمييزها عن صور المرضى، وفحص أثرها على الأداء باستخدام شرائح حقيقية مستقلة.
المصدر العلمي
BigCell: Generating Gigapixel Whole-Slide Images، Srikar Yellapragada وزملاؤه. أُتيح البحث على arXiv في 9 أكتوبر 2026. تستند الأرقام أعلاه إلى النتائج التجريبية الواردة في النسخة المتاحة.