كيف يحدد هذا النموذج الجديد للذكاء الاصطناعي المعيار لتشخيص السرطان؟

في دراسة حديثة، طور الباحثون وقاموا بتقييم نموذج علم أمراض قائم على الذكاء الاصطناعي يُسمى Prov-GigaPath. وفقاً للباحثين، هذا هو أول نموذج أساسي لعلم الأمراض على الشريحة الكاملة لتشخيص الخلايا السرطانية تم تدريبه على مجموعات بيانات كبيرة من حالات العالم الحقيقي.

يساعد علم الأمراض الحسابي في تحويل تشخيص السرطان، مما يساعد المهنيين على تحديد أنواع الأمراض الفرعية ومراحلها والتقدم المحتمل. في العديد من الدراسات، أظهرت تعلم الآلة والتعلم العميق نتائج أفضل للكشف المبكر عن السرطان من أنواع مختلفة.

اقرأ أيضًا: العلماء يطورون نموذجاً مدعوماً بالذكاء الاصطناعي لتعزيز علاجات المناعة للسرطان

أجرت أنظمة Providence Health Systems وجامعة واشنطن أحدث دراسة بحثية، المنشورة في مجلة Nature. تعاونت أيضاً العديد من الفرق الداخلية في Microsoft لتسهيل البحث.

Prov-GigaPath يشخص السرطان 

يبني Prov-GigaPath على طريقة التصوير على الشريحة الكاملة، والتي تُطبق على نطاق واسع في تقييم وتشخيص السرطان.

في تقنية التصوير على الشريحة الكاملة، يتم تحويل شريحة مجهرية لصورة الورم إلى صورة رقمية عالية الدقة. تحتوي هذه الصور على الشريحة الكاملة على معلومات حاسمة تساعد في فهم بيئة الورم الدقيقة. 

"Prov-Path أكبر بخمس مرات من TCGA من حيث عدد بلاطات الصور وأكبر بأكثر من مرتين من TCGA من حيث عدد المرضى." Nature.

تم تدريب Prov-GigaPath على مجموعة بيانات كبيرة تسمى Prov-path من شبكة Providence Health، والتي تضم 28 مركزاً للسرطان. تحتوي المجموعة البيانات على أكثر من 1.3 مليار بلاطة صورة من 171,189 شريحة مجهرية فعلية. تم تطوير الشرائح أثناء الخزعات والاستئصالات لأكثر من 30,000 مريض وتغطي 31 نوعاً رئيسياً من الأنسجة.

تحتوي مجموعة بيانات Prov-Path أيضاً على بيانات حول مراحل السرطان، وتقارير علم الأمراض ذات الصلة، وملفات الطفرات الجينومية، و findings النسيجية المرضية. معاً، توفر هذه الأجزاء المتنوعة من البيانات فهماً أفضل للظروف الخاصة بالنموذج.

GigaPath يعزز تحديد شرائح الجيجابكسل

GigaPath هو محول رؤية جديد يستخدمه Prov-GigaPath لتقييم شرائح علم الأمراض بجيجابكسل. تصبح الشريحة الكاملة سلسلة من الرموز عندما تُستخدم بلاطات الصور كرموز بصرية. من أجل تبسيط الأنماط المعقدة لنمذجة التسلسل، يعد محول الرؤية بنية عصبية.

النقطة هي أن محول الرؤية التقليدي لا يمكن تطبيقه مباشرة على علم الأمراض الرقمي بسبب العدد الهائل من البلاطات في كل شريحة مجهرية. في حالة بيانات Providence، يمكن أن يصل عدد الشرائح إلى 70,121. لاحظ الباحثون أن،

"لمعالجة هذه المشكلة، نستفيد من الانتباه الذاتي المتسع من خلال تكييف طريقة LongNet التي طورناها مؤخراً."

تشارك العديد من الطفرات الجينية التي تغير الوظيفة في تقدم السرطان، والتي يمكن فحصها لتشخيص السرطان والتنبؤ به. لاحظت الدراسة أنه على الرغم من الانخفاض الكبير في تكلفة التسلسل، لا تزال هناك فجوات في الرعاية الصحية. يُقال إن الوصول إلى تسلسل الأورام في جميع أنحاء العالم هو العامل الرئيسي للفجوة المذكورة. 

سلط الباحثون الضوء على أن التنبؤ بطفرات الأورام من صور علم الأمراض يمكن أن يساعد في اختيار طرق العلاج والأدوية الشخصية. 

الباحثون يقارنون نماذج علم الأمراض

يواجه علم الأمراض الرقمي تحديات حسابية، حيث تكون شرائح الجيجابكسل القياسية عادةً أكبر بآلاف المرات من الصور الطبيعية التقليدية. لدى محولات الرؤية التقليدية قيود وتواجه صعوبة في التعامل مع مثل هذه الصور العملاقة لأن المتطلبات الحسابية تزداد مع مثل هذه الكميات من البيانات.

اقرأ أيضًا: أداة الذكاء الاصطناعي تتنبأ بالاستجابات المناعية في مكافحة السرطان

نقطة أخرى هي أن الأبحاث السابقة في علم الأمراض الرقمي لم تستغل التبعيات المتبادلة بين بلاطات الصور المختلفة في كل شريحة مجهرية. أدى تجاهل ربط التبعيات المتبادلة إلى القضاء على سياق مستوى الشريحة، وهو أمر حاسم للعديد من التطبيقات، مثل نمذجة بيئة الورم الدقيقة.

قارن الباحثون Prov-GigaPath مع نماذج أساسية أخرى لعلم الأمراض المتاحة للجمهور مثل HIPT وCtranspath وREMEDIS للدراسة. وجد الباحثون أن Prov-gigaPath أظهر أداءً أفضل في 25 من أصل 26 مهمة، كما أشارت الدراسة إلى أن،

"حقق Prov-GigaPath تحسناً بنسبة 23.5% في AUROC (مقياس أداء لنماذج التصنيف) و66.4% في AUPRC (مقياس مفيد عند التعامل مع مجموعات البيانات غير المتوازنة) مقارنة بالنموذج الثاني الأفضل، REMEDIS."

يمكن أن يكون السرطان مرضاً مهدداً للحياة، ويتسبب في ملايين الوفيات كل عام. كما قال توماس فوكس، المؤسس المشارك والعالم الرئيسي في مزود علم الأمراض الرقمي Paige، في مقابلة مع CNBC: "لن تصاب بالسرطان حتى يقول عالم الأمراض ذلك. هذه هي الخطوة الحاسمة في المبنى الطبي بأكمله."

كما نعلم، ساعدت تقنيات علم الأمراض التقليدية في تشخيص الأمراض لأنها تعتمد بشكل كبير على النظر إلى عينات الأنسجة تحت المجهر. ومع ذلك، مع وجود التكنولوجيا والذكاء الاصطناعي في متناول اليد، تتغير الممارسات، وتسارعت عملية تحديد السرطانات وتصنيفها. تستغل معظم نماذج علم الأمراض بالذكاء الاصطناعي نفس تقنية فحص الشرائح المجهرية ولكن بطريقة رقمية. 

تقرير من Cryptopolitan بقلم عامر شيخ