تصل عينة صغيرة إلى مختبر الباثولوجي من دون حبر واضح على حوافها. تحت المجهر تظهر تغيّرات الـcautery في جزء من السطح، ويحتاج طبيب الباثولوجي إلى تحديد موضع القطع قبل تقدير علاقته بأي بؤرة مرضية. هل يمكن أن يساعد AI في رسم هذا السطح على صورة H&E، اعتماداً على الأثر الذي تركته الحرارة في النسيج؟
هذا هو السؤال الذي اختبرته دراسة Autonomous labeling of surgical resection margins using a foundation model، المنشورة إلكترونياً في Scientific Reports يوم 16 أكتوبر 2026 بصيغة Article in Press. طوّر الباحثون نموذج Virtual Inking Network، أو VIN، لإنتاج طبقة رقمية تشير إلى الحواف التي تحمل ملامح cautery. الدراسة إثبات مفهوم مبكر، أُجري على أنسجة tonsil غير ورمية عُرّضت للكي تجريبياً.[1]
المهمة التي اختبرها VIN
يبحث النموذج عن ملامح النسيج المتأثر بالحرارة عند حافة القطع، ثم يجمع توقعاته في خريطة تظهر فوق الـWSI. يمكن تخيّلها كعلامة رقمية توجّه النظر إلى سطح يُحتمل أنه تعرّض للكي. بعد ذلك يبقى على الباثولوجست مراجعة النسيج وتفسير ما يظهر عليه.
الحكم على وجود carcinoma أو dysplasia عند الـmargin يحتاج مهمة تشخيصية مختلفة. هذه الدراسة اختبرت تحديد سطح القطع المتأثر بالـcautery، ولم تختبر قدرة VIN على إصدار حكم positive أو negative margin في عينات أورام. لذلك، عند قراءة عبارة «autonomous labeling»، يجب ربطها بتحديد الحافة ضمن هذه التجربة، مع إبقاء تشخيص الورم وعلاقته بالحافة خارج النتائج المثبتة.[1]
120 شريحة مصدرها ست عينات
استخدم الفريق ست عينات tonsil بشرية غير ورمية، مع إحداث cautery تجريبياً. أُنتج بلوكان من كل عينة، ثم عشرة مقاطع متسلسلة من كل بلوك. بهذه الطريقة وصل العدد إلى 12 بلوكاً و120 شريحة H&E. وفّرت المقاطع المتسلسلة صوراً متعددة لملاحظة النمط عبر مستويات النسيج، لكنها تظل مرتبطة بعدد صغير من العينات الأصلية.[1]
دُرّب النموذج على 100 شريحة، واختُبر بصورة عمياء على 20 شريحة من بلوكين لم يدخلا التدريب. فصل البلوكات يحمي التقييم من تكرار البلوك نفسه بين المجموعتين. ويذكر الباحثون صراحة أنهم لم يفرضوا فصلاً صارماً على مستوى المريض؛ لذلك تبقى الحاجة إلى اختبار مستقل على مرضى ومراكز أخرى قائمة.
صنّف طبيب باثولوجي المناطق إلى cautery وnon-cautery ومناطق ملتبسة equivocal. استُبعدت المناطق الملتبسة من التدريب والاختبار، وظهرت في الرسوم للعرض فقط. هذه نقطة تؤثر مباشرة في قراءة النتائج: الأداء المعلن يخص المناطق ذات التصنيف المحدد، بينما الحالات الحدودية تحتاج تقييماً مخصصاً في دراسات لاحقة.[1]
كيف استفاد من Foundation Model؟
استخدم VIN نموذج HIPT المدرّب مسبقاً لاستخراج ملامح الصورة. بقي هذا الجزء ثابتاً، ودُرّب فوقه مصنّف صغير من طبقتين ليقرر إن كانت الرقعة تحمل ملامح cautery. عملياً، استفاد الفريق من قدرة موجودة على وصف النسيج، ثم علّم جزءاً أصغر مهمة محددة.
قرأ النموذج رقعاً بحجم 256 × 256 بكسل، ثم جُمعت قراراتها بالتصويت ضمن مناطق أكبر، بحجم 4096 × 4096 بكسل، لإنتاج الـoverlay. التفاصيل المجهرية تساعد في التعرف على الأثر الحراري، وتجميع القرارات يجعل الناتج قابلاً للعرض على مستوى الشريحة. وعند تفسير الخريطة، يجب تذكّر أن اللون يمثل قراراً مجمّعاً لمنطقة، وليس تتبعاً دقيقاً لكل بكسل على امتداد الحافة.[1]
لماذا ظهرت دقة 73.3% وأخرى 90.2%؟
عند تقييم المناطق الكبيرة في مجموعة الاختبار، بلغت الدقة نحو 73.3%، مع معدل false negatives يقارب 36.7% للمناطق المتأثرة بالكي. أي إن بعض المناطق التي تحمل أثر cautery لم يلتقطها النموذج. هذا الخطأ مهم عندما يكون الهدف مساعدة الطبيب على العثور على سطح القطع.
أجرى الباحثون أيضاً تقييماً على مستوى مقاطع الحواف المتصلة بمشاركة ثلاثة أطباء باثولوجي، وبلغت الدقة فيه نحو 90.2%، من دون false-positive boundaries مرصودة في ذلك التقييم. كانت وحدة القياس هنا حافة متصلة، بينما كانت في التقييم الأول منطقة محددة من الصورة. الرقم الأعلى يصف تقييماً مختلفاً، ويجب عرضه مع هذه المعلومة.[1]
وتوجد نقطة منهجية إضافية: في مراجعة الحواف شاهد الأطباء صوراً منخفضة التكبير مع overlay النموذج، مع تعطيل التكبير إلى التفاصيل الخلوية. صُمم هذا التقييم لقراءة خريطة VIN على مستوى الحافة، ولا يعادل دراسة مستقلة لتشخيص إصابة الـmargin بالورم. كذلك، عدم رصد false positives في هذه المجموعة الصغيرة لا يضمن غيابها في عينات لاحقة.
أين قد يساعد داخل غرفة القراءة؟
الاستخدام المحتمل الأقرب هو إضافة overlay يمكن إظهاره وإخفاؤه داخل عارض الشرائح، يوجّه الطبيب إلى أجزاء الحافة التي يتوقع النموذج وجود cautery فيها. قد يدعم ذلك مراجعة سطح القطع في عينات ضعيفة التحبير أو غير محبّرة، إذا أثبتت دراسات لاحقة فائدته في هذه الحالات. وحتى ذلك الحين، تبقى هذه فائدة مقترحة تحتاج اختباراً سريرياً.
أما قياس المسافة بين الورم وسطح القطع فيحتاج تحديداً صحيحاً لكل منهما، مع فهم orientation العينة. إثبات قدرة النموذج على التعرف على أثر حراري لا يثبت تلقائياً دقة القياس بالملليمتر، ولا يستعيد اسم الحافة التشريحية أو اتجاهها حين تكون معلوماتها مفقودة. الربط بين الخريطة والوصف العياني وخطة أخذ المقاطع يحتاج تحققاً مستقلاً.
ذكر الفريق زمناً نموذجياً يقارب 15 دقيقة لكل WSI، شاملاً المعالجة اللاحقة، على محطة عمل مزودة ببطاقات NVIDIA RTX 3090. هذا رقم لتطبيقهم البحثي الحالي؛ لم تُثبت الدراسة اختصار زمن إصدار التقرير أو تحسين القرار العلاجي في ممارسة فعلية.[1]
ما الذي يحتاجه قبل الاعتماد السريري؟
الاختبار التالي يجب أن يشمل عينات استئصال أورام روتينية، بأعضاء مختلفة وأنماط كي ومعالجة أكثر تنوعاً، مع فصل المرضى والمراكز بين التطوير والاختبار. ويحتاج التقييم إلى إبقاء المناطق الملتبسة ظاهرة في النتائج، وقياس أثرها على الخطأ، لأن هذه المناطق جزء من العمل اليومي.
من المفيد أيضاً مقارنة قراءة الطبيب مع الخريطة ومن دونها: هل يتعرف إلى سطح القطع بصورة أفضل؟ هل يفوّت حافة مهمة؟ هل تتغير دقة قياس المسافة أو مدة المراجعة؟ هذه أسئلة تحقق مقترحة، وتختلف عن الدقة التقنية التي قاستها الدراسة.
حالياً، الأنسب قراءة VIN كأداة بحثية لتحديد حافة مرشحة للمراجعة. يستمر التحبير والتوجيه العياني والتقييم التشخيصي المعتاد ضمن إجراءات المختبر. وأي تجربة محلية للخريطة ينبغي أن تحفظ قرار الطبيب وتعديلاته، وتربط النتيجة بالشريحة وإصدار النموذج، قبل التفكير في استخدامها ضمن تقرير تشخيصي.
المصدر
[1] Yang X، Aydin M، Lu Y وزملاؤهم. Autonomous labeling of surgical resection margins using a foundation model. Scientific Reports، نُشرت إلكترونياً في 16 أكتوبر 2026، Article in Press. DOI: 10.1038/s41598-026-74284-y.
الصورة البارزة رسم توضيحي مفاهيمي مولّد بالذكاء الاصطناعي؛ لا تمثّل عينة من الدراسة أو ناتجاً فعلياً لنموذج VIN.