في غرفة الفروزن أو أثناء التخطيط للجراحة، يصل السؤال إلى الفريق بسرعة: هل توجد LNM في سرطان المبيض، وهل سيحتاج المريض إلى LND أوسع؟ القرار لا يخص الجراح وحده. طبيب الباثولوجي يدخل في قلب المسار لأن H&E وWSI قد تحملان إشارات مورفولوجية لا تظهر كرقم مباشر في التقرير، لكنها قد تساعد في تقدير خطورة الانتشار العقدي عندما تقرأ مع السونار والبيانات السريرية.
الدراسة المنشورة في International Journal of Women’s Health اختبرت هذا النوع من الدمج العملي. الباحثون جمعوا بيانات السونار قبل العملية، وشرائح H&E المحولة إلى WSI، وبيانات سريرية من مرضى سرطان المبيض الذين خضعوا إلى LND مع تأكيد نهائي لحالة العقد اللمفاوية. الهدف العملي هنا بناء طبقة تقدير خطر قبل أو أثناء مسار القرار، لا تحويل التشخيص إلى زر داخل النظام. بهذه الطريقة يرى الفريق أي مريضة تبدو أقرب إلى الانتشار العقدي قبل توسيع الإجراء الجراحي.
المشكلة العملية قبل الأرقام
في سرطان المبيض، تقييم العقد اللمفاوية يؤثر في staging وخطة العلاج، لكنه يحمل كلفة سريرية. LND غير الضروري قد يزيد المضاعفات، والامتناع عنه عند وجود انتشار قد يترك الفريق أمام staging ناقص وخطة علاج أقل دقة. لهذا السبب يبحث الأطباء عن مؤشر يمكن أن يجمع أكثر من مصدر، لا أن يعتمد على صورة واحدة أو سلايد واحدة.
السونار يعطي قراءة قبل العملية على مستوى الورم والأنسجة المحيطة. H&E يعطي طبيب الباثولوجي نافذة على morphology داخل النسيج. البيانات السريرية تضيف العمر، المؤشرات، والسياق الذي لا يظهر داخل البكسل. عندما تجمع هذه المصادر داخل AI model واحد، يصبح السؤال العملي: هل يحسن ذلك تقدير LNM مقارنة بنموذج مبني على السونار وحده أو WSI وحدها؟
تصميم الدراسة باختصار
شملت الدراسة 157 مريضة بسرطان المبيض مع تأكيد باثولوجي نهائي لحالة LNM. توزعت الحالات على 91 حالة للتدريب، و38 حالة للتحقق الداخلي، و28 حالة لاختبار خارجي من مركز آخر. هذا التقسيم مهم لطبيب الباثولوجي لأنه يفرق بين نموذج نجح على بياناته الأصلية ونموذج احتفظ بجزء من أدائه عند نقله إلى مجموعة مستقلة.
استخدم الباحثون PyRadiomics لاستخراج features من صور السونار. أما WSI فحللت عبر DL وMIL لاستخراج pathomics features من شرائح H&E. بعد ذلك بنيت نماذج منفصلة للسونار، وللباثولوجي الرقمي، وللبيانات السريرية، ثم دمجت النتائج في نموذج واحد. الخوارزميات تضمنت SVM وLR وXGBoost بعد تقليل الأبعاد واختيار features، وهذا مهم لأن عدد features في الصور قد يكون أكبر بكثير من عدد المرضى.
من زاوية المختبر، النقطة الحساسة هنا هي جودة المدخلات. WSI غير مناسب للتحليل أو صورة سونار منخفضة الجودة خرجت من الدراسة. هذا يشبه ما يحدث في العمل اليومي: AI model لا يعالج مشكلة pre-analytics، ولا يعوض عن scan سيئ أو tissue غير ممثل. أي تطبيق قريب من الاستخدام يحتاج سياسة واضحة لقبول السلايدات، ومراجعة ROI، وتوثيق سبب استبعاد الحالات.
النتائج التي تهم المختبر
نموذج السونار المعتمد على SVM حقق AUC بقيمة 0.816 في التدريب، و0.760 في التحقق الداخلي، و0.775 في الاختبار الخارجي. نموذج WSI أو pathomics كان أقوى، مع AUC بقيمة 0.983 في التدريب، و0.817 في التحقق الداخلي، و0.813 في الاختبار الخارجي. عند دمج السونار وWSI والبيانات السريرية، ارتفع الأداء إلى AUC 0.988 في التدريب، و0.923 في التحقق الداخلي، و0.862 في الاختبار الخارجي.
الأرقام تعطي إشارة واضحة: WSI أضافت معلومات قابلة للقياس، والدمج أعطى أفضل فصل بين الحالات مقارنة بالمصادر المنفردة. لكن الفجوة بين التدريب والاختبار الخارجي تحتاج قراءة هادئة. الأداء الخارجي هو الرقم الأقرب إلى الواقع، وAUC 0.862 جيد في دراسة بهذا الحجم، لكنه لا يكفي وحده لقرار سريري واسع. يحتاج الأمر إلى تحقق أكبر، وبيانات من أجهزة سونار مختلفة، وسكان مرضى أوسع، وبروتوكولات scan متنوعة.
الدراسة عرضت أيضا calibration وdecision curve analysis، مع نتيجة تميل لصالح النموذج المدمج عبر مدى أوسع من thresholds. هذه التفاصيل تهم لأن طبيب الباثولوجي لا يحتاج score جميلا على الورق فقط. يحتاج score يمكن تفسيره عند وضع threshold داخل اجتماع MDT أو مسار جراحي محدد: متى نعتبر الخطر عاليا؟ ماذا نفعل مع النتيجة المتوسطة؟ ومن يملك القرار النهائي؟
أين يدخل طبيب الباثولوجي في هذا المسار؟
الدور العملي لطبيب الباثولوجي يتجاوز إنتاج WSI كملف صورة. إذا دخلت نماذج pathomics في تقدير LNM، فالمختبر يحتاج تعريفات موحدة للـ ROI، ومراجعة لحالات necrosis أو hemorrhage أو poor fixation، وقواعد واضحة للتعامل مع السلايدات ذات tumor قليل أو artifact واضح. النموذج سيقرأ ما نقدمه له. لهذا السبب تبقى مرحلة اختيار السلايد ومراقبة الجودة جزءا من سلامة النتيجة.
هناك أيضا سؤال التقرير. هل يظهر score داخل LIS؟ هل يراه طبيب الباثولوجي كملحق بحثي؟ هل يدخل في اجتماع MDT فقط؟ في الاستخدام الآمن، يجب أن تظهر النتيجة مع مصدرها: US-derived features، WSI-based features، والبيانات السريرية. عرض النتيجة كرقم واحد بلا سياق قد يدفع الفريق إلى ثقة زائدة. أما عرضها مع حدودها فيجعلها أداة مساعدة قابلة للمراجعة.
الجانب الآخر هو مسؤولية التحقق المحلي. مختبر يعمل بسكان مرضى مختلفين، ونظام scan مختلف، وطريقة tissue processing مختلفة، قد لا يحصل على الأداء نفسه. لهذا يحتاج كل مركز إلى اختبار داخلي قبل وضع النموذج في workflow، مع قياس الحساسية، النوعية، PPV، NPV، وعدد الحالات التي يغير فيها النموذج النقاش السريري فعلا.
ما الذي يمكن أن يتغير في workflow؟
إذا نضج هذا النوع من النماذج، فقد يظهر في نقطة تجمع بين radiology، pathology، والجراحة. قبل LND، يحصل الفريق على تقدير خطر مبني على السونار وH&E وبيانات المريضة. النتيجة لا تلغي قراءة طبيب الباثولوجي ولا قرار الجراح، لكنها قد تحدد الحالات التي تحتاج نقاشا أدق، أو مراجعة إضافية للـ WSI، أو مقارنة مع معلومات imaging قبل توسيع الجراحة.
بالنسبة لمختبر الباثولوجي، القيمة الحقيقية تأتي من مسار قابل للتدقيق: من اختار السلايد؟ كيف حددت ROI؟ هل تم حفظ نسخة WSI المستخدمة؟ هل يسجل النظام نسخة النموذج وتاريخ التشغيل؟ وهل يستطيع طبيب الباثولوجي مراجعة سبب النتيجة أو على الأقل معرفة حدودها؟ من دون هذه الأسئلة، يتحول AI model إلى رقم معلق في الهواء.
قراءة حذرة للدراسة
هذه دراسة retrospective بعدد 157 مريضة، والاختبار الخارجي شمل 28 حالة فقط. هذا لا يقلل من أهميتها، لكنه يضعها في مكانها الصحيح: إثبات اتجاه بحثي قابل للتطوير، لا بروتوكول جاهز للتطبيق الروتيني. وجود WSI وUS والبيانات السريرية في نموذج واحد يعطي طريقة أقرب إلى تفكير الفريق السريري، لأن القرار في سرطان المبيض لا يصدر من مصدر واحد.
الرسالة العملية لطبيب الباثولوجي واضحة. WSI يمكن أن تكون أكثر من أرشيف رقمي أو وسيلة مراجعة عن بعد. عند ضبط الجودة وربطها بالسياق السريري وimaging، قد تصبح جزءا من أدوات تقدير الخطر قبل القرار الجراحي. لكن الطريق إلى الاستخدام اليومي يمر عبر تحقق محلي، عرض مفهوم للنتيجة، وحوكمة تمنع تحويل score إحصائي إلى حكم تشخيصي منفصل عن الطبيب.
المصدر: International Journal of Women’s Health, DOI: 10.2147/IJWH.S608124