يبدأ القرار في مختبر الباثولوجي من مكان بسيط: عينة وصلت، بلوكات قطعت، شرائح صبغت، وتقرير ينتظر توقيع طبيب الباثولوجي. في هذا المسار توجد نقاط اختناق معروفة. قد تكون في grossing، أو microtomy، أو scanning، أو ربط WSI مع LIS، أو مراجعة الحالات الصعبة بين الاستشاريين. عندما يدخل مشروع AI أو WSI إلى المختبر من دون تحديد نقطة الاختناق بدقة، يتحول المشروع إلى عبء جديد داخل يوم عمل مزدحم.
مقال Dr. Luis Cano في Beyond the Slide يضع هذه المشكلة في صورة مألوفة: مستشفى اشترى scanner عالي الدقة، أعد التخزين السحابي، ووضع viewers على أجهزة الأطباء. بعد أشهر، بقيت نسبة كبيرة من الصور خارج المسار الرقمي، وعاد الأطباء إلى المجهر متعدد الرؤوس عند طلب الرأي الثاني. السبب لم يكن ضعف الصورة وحده. السبب أن النظام أضاف خطوة على الفني والطبيب بدل أن يختصر خطوة كانت تؤخر التشخيص.
هذه النقطة مهمة لطبيب الباثولوجي لأن أغلب قرارات التحول الرقمي تعرض بلغة تقنية. دقة الصورة، حجم التخزين، سرعة التحميل، واسم AI model. لكن الطبيب لا يعمل داخل demo. الطبيب يعمل داخل قائمة حالات، اتصالات من الجراحة، طلبات IHC، مراجعات tumor board، وحالات تحتاج رأيا ثانيا قبل نهاية اليوم.
المشكلة العملية قبل اسم التقنية
قبل شراء scanner جديد أو AI model جديد، السؤال العملي هو: أين يضيع الوقت داخل المختبر؟ إذا كان التأخير بسبب ترتيب الشرائح، أو نقص الفنيين، أو غياب قاعدة واضحة للحالات المستعجلة، فلن يحل AI المشكلة. قد يعطي المختبر طبقة إضافية من العمل: upload، مراجعة جودة WSI، انتظار التكامل مع LIS، ثم العودة إلى الشريحة الزجاجية عند أول تعطل.
أما إذا كانت المشكلة حسابية أو بصرية تفوق قدرة العين وحدها، فهنا يصبح AI مفيدا. مثال ذلك قياس أنماط مكانية واسعة داخل WSI، أو فرز مناطق الورم قبل molecular testing، أو مساعدة الطبيب في حالات prostate biopsy ذات حجم عمل مرتفع، بشرط أن يكون الناتج قابلا للمراجعة داخل مسار التقرير.
الفرق بين الحالتين كبير. في الأولى نحتاج إعادة تصميم العمل. في الثانية نحتاج أداة رقمية محسوبة ومختبرة. الخلط بينهما هو سبب فشل كثير من المشاريع.
الأرقام التي يجب أن تهم لجنة المختبر
المقال يستشهد بعدة تقارير عن فشل مشاريع AI في المؤسسات الصحية والشركات. تقرير RAND في 2024 وجد أن 80% من مشاريع AI تفشل، وأن السبب الأكثر تكرارا كان تعريف المشكلة بشكل سيئ قبل بناء الحل. تقرير BCG في 2024 أشار إلى أن 74% من الشركات لم تستطع إظهار قيمة ملموسة من إنفاقها على AI. وفي تقرير Qventus لعام 2026، قال 65% من قادة الأنظمة الصحية إن ضغط مجلس الإدارة لتشغيل AI مرتفع، بينما أبلغت 4% فقط من الأنظمة عن حلول AI توسعت بنتائج سريرية أو تشغيلية قابلة للقياس.
هذه الأرقام لا تعني أن AI فاشل في الباثولوجي. تعني أن شراء التقنية قبل تحديد قياس النجاح يخلق مخاطرة عالية. في مختبر الباثولوجي، القياس يجب أن يكون قريبا من العمل اليومي: turnaround time، نسبة الحالات التي تحتاج rescanning، زمن وصول الحالة إلى الطبيب، عدد الأخطاء في labeling، وقت تحضير tumor board، أو نسبة الحالات التي وصلت إلى استشارة ثانية من دون نقل الشرائح يدويا.
AUC وحده لا يكفي. الحساسية والنوعية على dataset منتقى لا تخبران رئيس القسم إن كان الفني سيقبل الخطوة الجديدة عند الساعة السادسة مساء، أو إن كان الطبيب سيجد النتيجة داخل شاشة التقرير بدل فتح نظام ثالث.
متى يستحق AI مكانه في مسار الباثولوجي؟
هناك حالات يكون فيها AI جزءا حقيقيا من الحل. في prostate biopsy، يمكن للأداة الجيدة أن تشير إلى مناطق مشبوهة وتقلل احتمال إغفال focus صغير، ثم يراجع طبيب الباثولوجي النتيجة كما يراجع أي معطى مساعد. في مشاريع WSI واسعة، يمكن للنموذج أن يرتب الحالات حسب أولوية عملية إذا كان ذلك مرتبطا بسياسة واضحة للتوزيع والمراجعة. وفي biomarker quantification، قد يعطي القياس الرقمي اتساقا أعلى إذا كان مضبوطا محليا ومربوطا بمعايير المختبر.
لكن القيمة تظهر فقط عندما تدخل الأداة في مكانها الصحيح. AI الذي يعمل خارج viewer الأساسي، أو يحتاج export يدوي، أو ينتج heatmap لا تدخل في التقرير، سيبقى عرضا جميلا لا يغير العمل. الطبيب يحتاج نتيجة قابلة للفحص، مع مصدر الصورة، حدود العينة، جودة scan، وطريقة التعامل مع الحالات التي يختلف فيها النموذج مع القراءة البشرية.
لذلك لا يبدأ التقييم من اسم الشركة. يبدأ من خريطة العمل: من يستلم الشريحة؟ متى تمسح؟ أين تتعطل؟ من يراجع جودة WSI؟ أين يظهر AI output؟ من يملك قرار قبوله أو تجاهله؟ وكيف يوثق ذلك في LIS؟
أربع أسئلة قبل الموافقة على مشروع جديد
يمكن لرئيس القسم أن يحول النقاش من عرض تجاري إلى قرار طبي بهذه الأسئلة الأربعة.
الأول: هل الاختناق حسابي أم تنظيمي؟ إذا كان الاختناق في نقل الشرائح أو جدول الاستشاريين، فالحل قد يكون إعادة توزيع العمل أو تعديل station، لا AI model.
الثاني: هل يوجد حل أبسط يغطي معظم القيمة؟ أحيانا يكون barcode مضبوطا، أو قاعدة triage واضحة، أو شاشة worklist أفضل من مشروع كبير لا يلمس سبب التأخير.
الثالث: ما القياس الذي سنراجعه بعد ستة أشهر؟ يجب اختيار رقم واحد أو رقمين قبل الشراء، مثل تقليل زمن التقرير في نوع معين من العينات، أو تقليل rescans، أو رفع نسبة الاستشارات الرقمية التي تكتمل من دون إخراج الشرائح.
الرابع: ما الدليل الذي سيدفعنا إلى إيقاف المشروع؟ إذا لم يحدد الفريق عتبة فشل واضحة، سيستمر المشروع لأنه مكلف، لا لأنه مفيد.
دور طبيب الباثولوجي في القرار
طبيب الباثولوجي لا يجب أن يدخل هذه المشاريع في مرحلة التدريب فقط. يجب أن يدخل من مرحلة اختيار المشكلة. الطبيب يعرف أين تتوقف الحالة، وأي خطوة تبدو صغيرة لكنها تستهلك وقت الفنيين، وأي شاشة لن يفتحها الاستشاري أثناء ضغط العمل. هذه المعرفة لا تظهر في كراسة المواصفات.
أفضل مشروع رقمي في المختبر هو الذي يجعل التصرف الصحيح أسهل من التصرف القديم. إذا كان إرسال WSI للاستشارة أسرع من جمع الشرائح والبحث عن الزملاء، سيستخدمه الأطباء. إذا كان output الخاص بالنموذج يظهر داخل مسار التقرير مع دليل واضح وقابل للمراجعة، سيأخذه الطبيب بجدية. وإذا بقيت الأداة خارج العمل اليومي، سيعود الجميع إلى المجهر لأن المجهر لا يطلب اجتماعا جديدا ولا كلمة مرور جديدة.
الرسالة العملية من المقال بسيطة: لا تقيم مشروع AI بمدى تقدمه التقني. قيّمه بمدى مطابقته للمشكلة التي تعطل تقرير المريض. التقنية الزائدة قد ترفع كلفة العمل من غير أن تقصر طريق التشخيص. والتقنية المناسبة، حتى لو كانت بسيطة، يمكن أن تغير يوم المختبر لأن مكانها صحيح.