في اجتماع الـ MDT، قد يصل تقرير الباثولوجي قبل نتائج الـ RNA-seq أو قبل اكتمال لوحة جزيئية أوسع. الشريحة موجودة، والـ H&E موجودة، والـ WSI محفوظة في النظام. السؤال العملي داخل المختبر: هل يمكن أن تعطي الصورة النسيجية مؤشرا مبكرا عن نشاط مسارات جينية معينة، قبل أن تتحول النتيجة الجزيئية إلى رقم نهائي في التقرير؟
دراسة جديدة منشورة على arXiv بعنوان Data-Efficient Multimodal Alignment for Histopathology-based Molecular Prediction تطرح هذا السؤال بطريقة قريبة من عمل طبيب الباثولوجي. الاستخدام الأقرب للروتين هو تدريب طبقة ربط خفيفة فوق نماذج موجودة للصورة النسيجية وRNA-seq، بحيث يمكن سؤال الـ WSI عن نشاط gene sets أو pathways محددة، مع بقاء الفحوص الجزيئية مرجع القرار.
المشكلة تبدأ من فرق التوقيت داخل المختبر
في كثير من الحالات، يرى طبيب الباثولوجي الـ morphology أولا. يرى النمط المعماري، الخلايا الالتهابية، stroma، necrosis، درجة التمايز، ومناطق قد تقترح سلوكا بيولوجيا معينا. لكن القراءة الجزيئية تأتي من مسار آخر: عينة، استخراج RNA، منصة قياس، تحليل، ثم تقرير. هذا المسار أغلى وأبطأ، وقد لا يكون متاحا لكل الحالات أو لكل الأرشيف.
هنا تأتي أهمية الربط بين WSI وmRNA. إذا استطاع AI model أن يلتقط علاقة ثابتة بين morphology ونشاط مسارات جينية، فقد يساعد في فرز الحالات التي تحتاج اختبارا جزيئيا أسرع، أو في تفسير سبب اختلاف حالة عن أخرى داخل نفس التشخيص النسيجي. النتيجة لا تدخل التقرير وحدها. لكنها قد تعطي طبقة triage أو طبقة تفسيرية قابلة للمراجعة.
ماذا فعل الباحثون؟
اعتمد الفريق على H&E-stained WSI وعلى بيانات bulk RNA-seq. بدلا من تدريب نموذج ضخم من البداية، استخدموا نماذج foundation موجودة للصورة والنص الجزيئي، ثم دربوا alignment module خفيفا لربط تمثيل الشريحة بتمثيل RNA-seq. هذا مهم لأن أغلب المختبرات لا تستطيع بناء نموذج كامل من الصفر لكل نوع سرطان أو لكل منصة تصوير.
الدراسة استخدمت contrastive learning على مجموعة متعددة السرطانات بحجم 1,720 حالة. الهدف كان تقريب الحالات المتوافقة بين الصورة والـ RNA-seq داخل مساحة تمثيل واحدة. بعد ذلك يمكن تنفيذ ما يسميه الباحثون molecular prompting: إدخال gene-set signature وسؤال النموذج عن مدى حضور هذا النشاط داخل H&E، من غير إعادة تدريب كاملة لكل سؤال.
في اختبار الاسترجاع، ذكر الباحثون تحسنا بمقدار 25 مرة مقارنة بخطوط أساس. هذا الرقم مفيد لفهم أن الربط بين النمط النسيجي والإشارة الجزيئية لم يكن عشوائيا. لكن الرقم الأهم لطبيب الباثولوجي هو نوع الإشارات التي يمكن للنموذج قراءتها بثقة أعلى.
ما الذي يمكن أن يظهر في H&E؟
النتيجة الأكثر عملية في الدراسة أن قابلية التنبؤ لم تكن متساوية بين كل gene sets. المسارات المرتبطة بملامح نسيجية واضحة، مثل cell-cycle programs وبعض الإشارات المناعية، أعطت أداء أفضل، مع قيم R² أعلى من 0.5 في أمثلة مذكورة داخل الملخص. أما المسارات التي لا تترك أثرا morphology واضحا فبقيت أصعب.
هذه النقطة تخدم المختبر أكثر من أي ادعاء واسع. طبيب الباثولوجي يعرف أن بعض الإشارات البيولوجية تظهر في الشريحة: كثافة lymphocytes، نمط stroma، حدود الورم، necrosis، درجة الانقسام، وأنماط النمو. ويعرف أيضا أن كثيرا من التغيرات الجزيئية لا تظهر كصورة مباشرة على H&E. النموذج الجيد يجب أن يحترم هذا الحد، لا أن يخفيه.
POSEIDON يعطي اختبارا أقرب إلى العيادة
الدراسة لم تقف عند TCGA فقط. الباحثون اختبروا الفكرة على بيانات من تجربة POSEIDON في NSCLC. حسب الملخص، درجات squamous cell carcinoma المتوقعة من H&E أعادت تمثيل هوية subtype، كما أن IFN-gamma المتوقع من الصورة عكس مجموعات PD-L1 tumor-cell expression. هذه أمثلة تهم الباثولوجست لأنها ترتبط بقرارات يعرفها من العمل اليومي: subtype، IHC، tumor microenvironment، وسياق العلاج المناعي.
لكن القراءة الصحيحة هنا حذرة. إذا استطاع النموذج توقع اتجاه IFN-gamma أو ربطه بمجموعات PD-L1، فالمعنى العملي أن الصورة قد تحمل إشارات كافية لبناء طبقة إنذار مبكر أو طبقة تفسيرية تساعد في اختيار الحالات التي تحتاج تدقيقا إضافيا. تبقى PD-L1 IHC والاختبارات الجزيئية جزءا من مسار القرار عندما يطلبها السياق السريري.
أين يدخل هذا في workflow الباثولوجي؟
أقرب استخدام واقعي لهذا النوع من النماذج داخل المختبر سيكون بعد رقمنة الشريحة وقبل إصدار القرار النهائي. الـ WSI تدخل image management system، ثم يعرض النظام score أو heatmap مرتبطة بمسار جيني محدد. طبيب الباثولوجي يراجع النتيجة بجانب H&E وIHC والبيانات السريرية. إذا كانت الإشارة متوافقة مع morphology، تصبح ملاحظة داعمة. إذا كانت متعارضة، تتحول إلى سبب لمراجعة ROI، جودة العينة، نسبة الورم، أو الحاجة إلى اختبار إضافي.
هذا التصميم يحافظ على دور الطبيب. AI model لا يكتب التشخيص، ولا يختار العلاج وحده. قيمته تأتي من وضع إشارة جزيئية محتملة في نفس شاشة مراجعة الشريحة، بدل أن تبقى بيانات الصورة والـ mRNA في نظامين منفصلين. في مختبر مزدحم، هذا الفرق قد يختصر وقت الفرز، خاصة في الحالات التي تحتاج biomarker workup واضحا.
ما الذي يجب أن يطلبه المختبر قبل الاستخدام؟
أي تطبيق قريب من العيادة يحتاج تحقق محلي. يجب اختبار النموذج على شرائح من نفس scanners، نفس بروتوكولات H&E، ونفس طريقة اختيار ROI. ويجب قياس الأداء بحسب العضو، نوع العينة، نسبة الورم، وجود necrosis، وحالات fixation الصعبة. المتوسط العام لا يكفي إذا كان المختبر سيستخدم النتيجة لتوجيه طلبات IHC أو NGS.
يحتاج النظام أيضا إلى مخرجات قابلة للمراجعة. score منفرد من دون خريطة مكانية أو تفسير مقنع سيصعب قبوله في sign-out. الأفضل أن يرى الطبيب أين جاءت الإشارة داخل الشريحة: tumor، stroma، مناطق التهابية، أو حواف عينة. هذا يربط النتيجة باللغة التي يفهمها الباثولوجست، وهي لغة morphology.
قراءة عملية للدراسة
أهم ما في هذا العمل أنه يضع حدودا واضحة لفكرة جذابة. H&E تحمل معلومات أكثر من التشخيص الوصفي، لكنها لا تحمل كل شيء. المسارات ذات الأثر النسيجي يمكن أن تظهر كإشارة قابلة للتعلم، أما الإشارات الخفية فتحتاج قياسا مباشرا. هذه نتيجة مفيدة لأنها تمنع استخدام AI كصندوق وعود، وتدفعه نحو دور أضيق وأقرب إلى واقع المختبر.
بالنسبة لطبيب الباثولوجي، الرسالة ليست أن قراءة mRNA من H&E أصبحت جاهزة للروتين. الرسالة أن الجيل القادم من أدوات WSI قد يتحرك من detection فقط إلى أسئلة بيولوجية محددة: هل يوجد نمط مناعي قوي؟ هل توجد إشارة fibrosis؟ هل تتوافق الصورة مع subtype أو biomarker profile متوقع؟ هذه الأسئلة ستكون أكثر فائدة عندما تظهر داخل workflow، مع مصدر الشريحة، جودة الصورة، ومراجعة الطبيب في نفس المسار.
الدراسة ما زالت preprint وتحتاج تحقق خارجي أوسع قبل أي استخدام تشخيصي. سبب الاهتمام العلمي بها محدد: هي تتعامل مع H&E كواجهة عملية بين morphology وmolecular findings، مع حدود واضحة لما يمكن للصورة أن تقوله. إذا ثبت هذا الاتجاه في cohorts مستقلة، فقد يصبح جزءا من طريقة فرز الحالات واختيار الاختبارات داخل مختبرات الباثولوجي الرقمي.