في دراسة حديثة، قام باحثون بتطوير وتقييم نموذج علم الأمراض القائم على الذكاء الاصطناعي والذي يُطلق عليه اسم Prov-GigaPath. ووفقًا للباحثين، يُعد هذا النموذج الأول من نوعه الذي يعتمد على شرائح الأنسجة الكاملة لتشخيص الخلايا السرطانية، وقد تم تدريبه على مجموعات بيانات ضخمة من حالات واقعية.
يُسهم علم الأمراض الحاسوبي في إحداث نقلة نوعية في تشخيص السرطان، إذ يُساعد المختصين علىdentأنواع المرض الفرعية ومراحله ومساره المحتمل. وقد أظهرت العديد من الدراسات أن التعلم الآلي والتعلم العميق يُحققان نتائج أفضل في الكشف المبكر عن أنواع مختلفة من السرطان.
اقرأ أيضاً: علماء يطورون نموذجاً مدعوماً بالذكاء الاصطناعي لتحسين العلاجات المناعية للسرطان
أجرت مؤسسة بروفيدنس هيلث سيستمز وجامعة واشنطن أحدث دراسة بحثية، نُشرت في مجلة نيتشر. كما تعاون عدد من فرق مايكروسوفت الداخلية لتسهيل البحث.
تشخيص السرطان بواسطة Prov-GigaPath
يعتمد Prov-GigaPath على طريقة التصوير على الشريحة الكاملة، والتي يتم تطبيقها على نطاق واسع في تقييم وتشخيص السرطان.
في تقنية التصوير بالشرائح الكاملة، تُحوّل شريحة مجهرية لصورة ورم إلى صورة رقمية عالية الدقة. تحتوي هذه الصور على معلومات بالغة الأهمية تساعد في فهم البيئة الدقيقة للورم.
"يُعدّ مشروع Prov-Path أكبر بخمس مرات من مشروع TCGA من حيث عدد الصور المقطعية، وأكبر بمرتين من مشروع TCGA من حيث عدد المرضى." Nature.
تم تدريب نموذج Prov-GigaPath على مجموعة بيانات ضخمة تُسمى Prov-path من شبكة بروفيدنس الصحية، التي تضم 28 مركزًا لعلاج السرطان. تحتوي مجموعة البيانات على أكثر من 1.3 مليار صورة مُجمّعة من 171,189 شريحة مجهرية فعلية. تم تطوير هذه الشرائح خلال عمليات الخزعة والاستئصال لأكثر من 30,000 مريض، وتغطي 31 نوعًا رئيسيًا من الأنسجة.
تحتوي مجموعة بيانات Prov-Path أيضًا على بيانات حول مراحل السرطان، وتقارير علم الأمراض ذات الصلة، وملفات تعريف الطفرات الجينية، ونتائج علم الأنسجة المرضية. وتوفر هذه البيانات المتنوعة مجتمعةً فهمًا أفضل لظروف النموذج.
يعمل برنامج GigaPath على تحسينdentشرائح Gigapixel
GigaPath هو مُحوِّل رؤية جديد يستخدمه Prov-GigaPath لتقييم شرائح علم الأمراض ذات الدقة العالية (جيجابكسل). تتحول الشريحة الكاملة إلى سلسلة من الرموز عند استخدام مربعات الصور كرموز بصرية. ولتبسيط الأنماط المعقدة لنمذجة التسلسل، يعتمد مُحوِّل الرؤية على بنية عصبية.
يكمن جوهر الأمر في أنه لا يمكن تطبيق مُحوِّل الرؤية التقليدي مباشرةً على علم الأمراض الرقمي نظرًا للعدد الهائل من الشرائح المجهرية. ففي حالة بيانات بروفيدنس، قد يصل عدد الشرائح إلى 70121 شريحة. وقد لاحظ الباحثون ذلك
"لمعالجة هذه المشكلة، نستفيد من الانتباه الذاتي المتوسع عن طريق تكييف طريقة LongNet التي طورناها مؤخرًا."
تُساهم العديد من الطفرات الجينية المُغيّرة لوظائف الجينات في تطور السرطان، ويمكن الكشف عنها لتشخيص السرطان والتنبؤ بمآله. وأشارت الدراسة إلى أنه على الرغم من الانخفاض الكبير في تكلفة التسلسل الجيني، لا تزال هناك فجوات في الرعاية الصحية. ويُعزى السبب الرئيسي لهذه الفجوة إلى صعوبة الوصول إلى تسلسل جينومات الأورام على مستوى العالم.
أكد الباحثون أن التنبؤ بالطفرات الورمية من صور علم الأمراض يمكن أن يساعد في اختيار طرق العلاج والأدوية الشخصية.
يقارن الباحثون نماذج علم الأمراض
يواجه علم الأمراض الرقمي تحديات حسابية، إذ أن الشرائح القياسية ذات الدقة العالية (جيجابكسل) عادةً ما تكون أكبر بآلاف المرات من الصور الطبيعية التقليدية. وتعاني محولات الرؤية التقليدية من قيود وتجد صعوبة في التعامل مع هذه الصور الضخمة لأن المتطلبات الحسابية تزداد مع ازدياد حجم البيانات.
اقرأ أيضاً: أداة ذكاء اصطناعي تتنبأ بالاستجابات المناعية في مكافحة السرطان
ومن النقاط الأخرى أن الأبحاث السابقة في علم الأمراض الرقمي لم تستغل الترابطات بين مختلف أجزاء الصور في كل شريحة مجهرية. وقد أدى هذا التجاهل لربط هذه الترابطات إلى إهمال سياق الشريحة، وهو أمر بالغ الأهمية للعديد من التطبيقات، مثل نمذجة البيئة الدقيقة للورم.
قارن الباحثون في هذه الدراسة نموذج Prov-GigaPath بنماذج أخرى متاحة للعموم في مجال علم الأمراض، مثل HIPT وCtranspath وREMEDIS. ووجد الباحثون أن Prov-gigaPath أظهر أداءً أفضل في 25 مهمة من أصل 26، كما أشارت الدراسة إلى ذلك
"حقق نموذج Prov-GigaPath تحسناً بنسبة 23.5% في AUROC (مقياس أداء لنماذج التصنيف) و 66.4% في AUPRC (مقياس مفيد عند التعامل مع مجموعات البيانات غير المتوازنة) مقارنة بالنموذج الثاني الأفضل، REMEDIS."
يُعدّ السرطان مرضًا خطيرًا يُهدد الحياة، ويودي بحياة الملايين سنويًا. وكما صرّح توماس فوكس، المؤسس المشارك وكبير العلماء في شركة "بيج" المتخصصة في علم الأمراض الرقمي، لقناة سي إن بي سي في مقابلة: "لا يُعتبر الشخص مصابًا بالسرطان إلا بعد أن يُشخّصه أخصائي علم الأمراض. هذه هي الخطوة الحاسمة في النظام الطبي برمته".
كما نعلم، ساعدت تقنيات علم الأمراض التقليدية في تشخيص الأمراض لأنها تعتمد بشكل كبير على فحص عينات الأنسجة تحت المجهر. ومع ذلك، ومع توفر التكنولوجيا والذكاء الاصطناعي، تتغير الممارسات، وتسارعت عمليةdentوتصنيف السرطانات. تستخدم معظم نماذج علم الأمراض القائمة على الذكاء الاصطناعي نفس تقنية فحص الشرائح المجهرية، ولكن بطريقة رقمية.
تقرير Cryptopolitan بقلم عامر شيخ
