في عينة urothelial carcinoma، يعرف طبيب الباثولوجي أن تقرير H&E وحده لا ينهي كل الأسئلة العلاجية. قد تكون morphology واضحة، وقد يكون grade محسومًا، لكن السؤال التالي في لجنة الأورام يتعلق أحيانًا بالخط الجزيئي للورم: هل ينتمي الورم إلى luminal subtype؟ وهل يرتبط بتعبير مرتفع لـ PPARG؟
هذا النوع من الأسئلة يدخل عادة عبر RNA-seq أو منصات molecular profiling. المشكلة في المختبر اليومي أن هذه الفحوص لا تتحرك بنفس سرعة شريحة H&E. التكلفة، توفر العينة، وقت الانتظار، ومسار الإرسال إلى مختبر خارجي كلها تؤثر في القرار. لذلك تصبح فكرة قراءة إشارة subtype من WSI فكرة جذابة، بشرط أن تبقى ضمن حدودها العلمية وأن تخدم عمل طبيب الباثولوجي بدل أن تضيف طبقة غامضة فوقه.
ما الذي اختبرته الدراسة؟
نشر فريق من Flare Therapeutics وPathAI، بقيادة Kirov وزملائه، دراسة في مجلة AI in Precision Oncology عن AI model يميز بين luminal وnonluminal urothelial carcinoma مباشرة من شرائح H&E الممسوحة كـ WSI. الدراسة ربطت هذا التصنيف بتعبير PPARG، لأن ارتفاع PPARG يعد سمة مهمة في UC luminal ويدخل في منطق اختيار مرضى محتملين لعلاج FX-909، وهو مثبط PPARG فموي انتقائي قيد التقييم السريري.
النقطة العملية هنا واضحة: إذا كان بالإمكان استخراج إشارة موثوقة من H&E، فقد يحصل الفريق السريري على فرز أولي أسرع للمرضى الذين يحتاجون إلى متابعة جزيئية أو إدخال في مسار علاج موجّه. RNA-seq يبقى المرجع عند الحاجة، وإشارة H&E قد تساعد في ترتيب الأولويات، خصوصًا عندما تكون الموارد محدودة أو عندما يكون وقت القرار ضيقًا.
كيف بُني AI model؟
استخدم الباحثون بنية additive multiple-instance learning أو aMIL مع backbone خفيف من نوع ShuffleNet. هذا الاختيار منطقي في WSI، لأن الشريحة الكاملة تحتوي مساحات واسعة غير متساوية الأهمية. النموذج يتعامل مع مناطق متعددة داخل الشريحة ويحاول ربط الإشارة النسيجية بالتصنيف الجزيئي المعروف.
التدريب والتقييم شملا عينات UC مشتقة من The Cancer Genome Atlas، ثم جرى التحقق على cohorts مستقلة، منها cohort لمرض متقدم. قياس الأداء اعتمد على AUROC، مع فحص التكرارية عبر technical replicates وأكثر من tissue section للحالة نفسها. كما استخدمت attention heatmaps لإظهار المناطق التي دفعت النموذج نحو قرار luminal أو nonluminal.
هذه التفاصيل مهمة لطبيب الباثولوجي. أي AI model في WSI يحتاج إلى أكثر من رقم أداء واحد. نحتاج أن نعرف كيف يتصرف مع مقاطع مختلفة من العينة، وكيف يتعامل مع اختلاف المسح أو التحضير، وهل يعطي مخرجات يمكن مراجعتها بصريًا داخل مسار العمل.
الأرقام التي تهم المختبر
حسب الملخص المنشور، حقق النموذج AUROC أعلى من 0.95 عبر cohorts التحقق، مع أداء جيد في cohort مستقل لمرض متقدم. هذا رقم قوي كبداية بحثية، لكنه يحتاج قراءة ضمن تصميم الدراسة، نوع العينات، وطريقة تحديد gold standard الجزيئي.
الأهم من زاوية التشغيل أن الدراسة أبلغت عن توافق 95.2% عبر technical replicates، وعن اتفاق 91.3% في تصنيف luminal أو nonluminal عند مقارنة tissue sections متعددة من الحالة نفسها. هذه النقطة تمس سؤالًا يوميًا: هل تكفي شريحة ممثلة واحدة؟ في أغلب الحالات داخل هذه الدراسة، كانت الإشارة ثابتة بدرجة تسمح بذلك. لكن وجود نسبة اختلاف بين المقاطع يذكّرنا بأن heterogeneity داخل الورم لا تختفي لأن النموذج أعطى احتمالًا رقميًا.
ذكرت الدراسة أيضًا أن احتمالات النموذج كانت واضحة في معظم الحالات، مع مجموعة أصغر في منطقة وسطية قد تعكس ملامح مختلطة أو heterogeneity. هذه الفئة الوسطية قد تكون أكثر أهمية من الحالات السهلة. في التطبيق العملي، الحالات ذات الاحتمال المتوسط يجب أن تذهب إلى مراجعة دقيقة، وربما إلى اختبار جزيئي مباشر بدل أن تتحول إلى قرار آلي.
أين يدخل طبيب الباثولوجي في هذا المسار؟
أفضل مكان لهذا النوع من النماذج يكون قبل اتخاذ قرار الاختبار الجزيئي أو بجانبه، ضمن مسار واضح داخل المختبر. يبدأ العمل من WSI ذات جودة كافية، ثم يراجع الباثولوجست أن العينة ممثلة وأن الورم موجود في المساحات التي يقرأها النظام. بعدها يمكن استخدام probability score وheatmap كإشارة فرز داعمة للحكم النسيجي.
attention heatmap تضيف قيمة فقط عندما تكون قابلة للمراجعة. إذا ركزت الخريطة على necrosis، folds، cautery artifact، أو منطقة فقيرة بالورم، فالمخرج يحتاج رفضًا أو إعادة تشغيل على مقطع آخر. أما إذا تركزت الإشارة في مناطق ورمية مقنعة، يصبح النقاش مع molecular tumor board أكثر وضوحًا: لدينا morphology، لدينا احتمال luminal من WSI، ولدينا قرار بشأن الحاجة إلى RNA-seq أو اختبار مكمّل.
هنا تظهر فائدة ربط AI بنظام image management system وLIS. النتيجة يجب أن تحمل slide ID، نسخة النموذج، وقت التشغيل، ومعايير قبول العينة. من دون هذه العناصر يصبح الرقم صعب التتبع، خصوصًا عند استخدامه لتوجيه فحص إضافي أو اختيار مريض لدراسة علاجية.
ما الذي يجب طلبه قبل الاستخدام السريري؟
قبل أن يدخل نموذج مثل هذا إلى روتين المختبر، يحتاج القسم إلى إجابات محددة. ما نوع العينات التي شملها التحقق؟ هل الاختبار مقبول على TURBT فقط أم cystectomy أيضًا؟ كيف يتصرف مع tissue قليل، crush artifact، التهاب شديد، أو variant morphology؟ وما الحد الذي يحول الاحتمال المتوسط إلى طلب RNA-seq بدل الاكتفاء بمخرج WSI؟
تحتاج المختبرات أيضًا إلى سياسة واضحة للعينات المتعددة من الحالة نفسها. إذا أعطى مقطعان نتيجتين مختلفتين، يجب أن تكون الأولوية للمراجعة النسيجية، جودة الشريحة، وحجم الورم في كل مقطع. الرقم 91.3% جيد، لكنه يترك مساحة حقيقية لحالات تحتاج قرارًا بشريًا موثقًا.
ولأن FX-909 ما زال في التقييم السريري، يجب التعامل مع هذا النموذج كأداة بحثية أو كمسار تطوير companion diagnostic محتمل حسب السياق التنظيمي. الصياغة في التقرير يجب أن تعكس ذلك. احتمال AI يحتاج إلى تحقق سريري وتنظيمي مكتمل قبل أن يصبح جزءًا من قرار علاجي.
المغزى العملي لطبيب الباثولوجي
تضع هذه الدراسة H&E في موقع أوسع داخل طب الأورام الدقيق. الشريحة تبقى أساس diagnosis وgrade، ويمكن أن تضيف إشارة قابلة للقياس حول subtype جزيئي محتمل. الصياغة الأفضل للتطبيق في المختبر هي اعتبار النموذج طبقة فرز ومراجعة، تساعد على اختيار الحالات التي تحتاج اختبارًا جزيئيًا أو نقاشًا علاجيًا أسرع.
إذا وصل هذا النوع من الأدوات إلى الواجهة اليومية، فسيحتاج طبيب الباثولوجي إلى التحكم في ثلاث نقاط: جودة WSI، تفسير مناطق heatmap، وتوثيق سبب قبول أو رفض المخرج. عندها يصبح AI جزءًا من workflow قابل للمراجعة، مع بقاء القرار النهائي مرتبطًا بالسياق النسيجي والجزيئي والسريري للحالة.
المصدر: PathAI publication page وDOI الدراسة في AI in Precision Oncology: PathAI، 10.1177/2993091×261463923.