BreastDCEDL: مجموعة بيانات معيارية جاهزة للتعلّم العميق لتصوير DCE-MRI للثدي تضم 2,070 مريضة

لماذا هذا مهم لرعاية سرطان الثدي

عند تشخيص شخص ما بسرطان الثدي، يجب على الأطباء بسرعة اتخاذ قرار بشأن العلاجات الأكثر احتمالاً أن تكون فعالة. يمكن لفحوص الرنين المغناطيسي القوية أن تُظهر كيف يتصرف الورم، لكن تحويل تلك الصور إلى أدوات حاسوبية موثوقة لتوجيه العلاج كان أمراً صعباً. تقدم هذه المقالة BreastDCEDL، وهي مجموعة كبيرة ومُعدة بعناية من صور رنين مغناطيسي للثدي صُممت خصيصاً لمساعدة الباحثين على بناء واختبار أنظمة الذكاء الاصطناعي التي تتنبأ بكيفية استجابة الأورام للعلاج.

رؤية تغير الأورام مع مرور الوقت

غالباً ما يستخدم الأطباء نوعاً خاصاً من الرنين المغناطيسي يُسمى تصوير التعزيز الديناميكي بالمادة المتباينة (DCE-MRI) لمعاينة أورام الثدي. في هذا الفحص، تُلتقط صور قبل وبعد حقن مادة تباين، لالتقاط كيفية تدفق الدم عبر الورم على مدار بضع دقائق. تميل الأنسجة السرطانية إلى امتلاك أوعية دموية متسرّبة وغير منظمة، لذلك تتوهّج وتضمحل بشكل مختلف عن الأنسجة الطبيعية. يمكن لهذه الصور المتسلسلة زمنياً أن تكشف مدى عدوانية الورم، وقد تساعد في التنبؤ بما إذا كان سيختفي تماماً بعد أدوية قوية مثل العلاج الكيميائي.

تحويل الفحوص المتناثرة إلى مورد واضح واحد

حتى الآن، أعاق تشتت البيانات التقدم في الذكاء الاصطناعي لتصوير الثدي: تخزن مستشفيات مختلفة الصور بصيغ مختلفة، وتستخدم أجهزة مسح مختلفة، وتسجل التفاصيل السريرية بطرق متفاوتة. تعامل مشروع BreastDCEDL مع هذه المشكلة بجمع صور DCE-MRI قبل العلاج من 2,070 مريضة في ثلاث مجموعات بحثية رئيسية معروفة باسم I-SPY1 وI-SPY2 وDuke. حوّل الفريق أكثر من 8.5 مليون شريحة صورة فردية إلى ما يزيد قليلاً عن أحد عشر ألف حجم ثلاثي الأبعاد باستخدام صيغة معيارية واسعة الانتشار في أبحاث التصوير الطبي. كما صنّفوا الصور بعناية زمنياً (قبل التباين، والمبكر بعده، والمتأخر بعده) ومكانياً، بحيث تتراصف فحوص كل مريضة بشكل صحيح.

وضع علامات على الأورام ومطابقة الحقائق

لكي يتعلم الذكاء الاصطناعي، يجب أن يعرف أين الورم وماذا حدث للمريضة. في BreastDCEDL، لكل مريضة علامات للورم ومعلومات سريرية رئيسية. بالنسبة لمجموعات I-SPY، فُكّت رموز حاسوبية معقدة تصف محيطات الورم إلى أقنعة ثلاثية الأبعاد بسيطة تُحدد مناطق الورم فوكسل بفوكسل. بالنسبة لمجموعة Duke، رسم أخصائيو الأشعة مربعات احتواء حول أكبر ورم في كل حالة. إلى جانب الصور، تتضمن مجموعة البيانات عمر المريضة، تفاصيل ديموغرافية أساسية، حجم الورم، حالة مستقبلات الهرمون (HR)، حالة HER2، وما إذا اختفى الورم تماماً بعد العلاج—النتيجة المعروفة بالاستجابة المرضية الكاملة (pCR). هذه النتيجة، المتاحة لـ1,452 مريضة، مرتبطة ارتباطاً وثيقاً بالبقاء على المدى الطويل وهي هدف رئيسي لنماذج التنبؤ.

بناء اختبارات عادلة لأدوات الذكاء الاصطناعي

لتسهيل مقارنة طرق الذكاء الاصطناعي الجديدة، يوفر المؤلفون مجموعات ثابتة للتدريب والتحقق والاختبار، مع معدلات pCR متشابهة بينها. هذا يعني أن فرق البحث المختلفة يمكنها اختبار نماذجها على مجموعات المرضى نفسها تماماً، مما يجعل مزاعم الأداء أكثر موثوقية. كما تحافظ مجموعة البيانات على التنوع الطبيعي الموجود في المستشفيات الحقيقية: تأتي الفحوص من مراكز متعددة، وآلات رنين مغناطيسي مختلفة، وطرق متباينة قليلاً في تعريف إيجابية HR وHER2. بدلاً من تسطيح هذه الاختلافات، تسجّل BreastDCEDL هذه الاختلافات بوضوح، حتى يتمكن الباحثون من اتخاذ قرار بشأن كيفية التعامل معها واختبار ما إذا كانت نماذجهم تعمل عبر مجموعات مرضى وظروف مسح متنوعة.

ما الذي يفتح هذا البحث أمام الدراسات المستقبلية

BreastDCEDL أكثر من مجرد مجموعة صور؛ إنها مجموعة أدوات منظمة جيداً لأنواع متعددة من الدراسات. يمكن للباحثين تدريب أنظمة الذكاء الاصطناعي لتحديد مواقع الأورام، وقياس حجمها، والتنبؤ بالـpCR قبل بدء العلاج، واستكشاف كيف ترتبط أنماط التصوير ببيولوجيا الورم. تساعد المريضات اللاتي لا تتوفر لهن بيانات نتيجة أيضاً بتوفير أمثلة إضافية للتعلم غير المراقب وشبه المراقب. وبما أن جميع الملفات تتبع نظام تسمية بسيطاً وصيغة مشتركة، يمكن للعلماء تحميلها وتحليلها بسرعة باستخدام برمجيات قياسية، ما يوفر أياماً من التحضير اليدوي ويقلل من احتمال وقوع أخطاء.

مسار أوضح نحو علاج مخصص

بعبارة بسيطة، يحول هذا العمل مجموعة مبعثرة من فحوص رنين مغناطيسي للثدي من مستشفيات متعددة إلى أساس مشترك ومنسق لأبحاث الذكاء الاصطناعي. من خلال توحيد طريقة تخزين الصور والمعلومات السريرية، ووضع علامات متسقة على الأورام والنتائج، يمنح BreastDCEDL الباحثين ما يحتاجونه لبناء واختبار أدوات حاسوبية بصورة عادلة قد تساعد الأطباء يوماً ما في اختيار العلاج المناسب لكل مريضة. وبينما لا يشفي السرطان بحد ذاته، فإنه يزيل عقبة رئيسية على طريق رعاية سرطان ثدي أكثر دقة ومعتمدة على البيانات.

الاستشهاد: Fridman, N., Solway, B., Fridman, T. et al. BreastDCEDL: A standardized deep learning-ready breast DCE-MRI dataset of 2,070 patients. Sci Data 13, 264 (2026). https://doi.org/10.1038/s41597-026-06589-6

الكلمات المفتاحية: تصوير الرنين المغناطيسي للثدي, تصوير السرطان, الذكاء الاصطناعي الطبي, استجابة العلاج, مجموعات بيانات طبية