مجموعة بيانات ميتوزية معنونة بمراحل فرعية لتحليل انقسام الخلايا بواسطة الذكاء الاصطناعي

لماذا يعد عد الخلايا المنقسمة مهمًا

عندما ينظر الأطباء إلى السرطان تحت المجهر، تُعد إحدى أهم الدلائل التي يستخدمونها هي عدد الخلايا التي في حالة انقسام. الأورام سريعة الانقسام غالبًا ما تكون أكثر عدوانية وقد تتطلب علاجات مختلفة. ومع ذلك، فإن رصد هذه الخلايا المنقسمة الصغيرة عمل بطيء ومتعب لأخصائيي علم الأمراض وحتى الخبراء كثيرًا ما يختلفون في التقييم. تقدم هذه الدراسة مجموعة صور مشروحة جديدة وغنية وطريقة محسّنة بالذكاء الاصطناعي تهدف إلى مساعدة الحواسيب على العثور على هذه الخلايا المنقسمة وفهمها بشكل أكثر موثوقية عبر أنواع وأماكن سرطانية ومستشفيات متعددة.

نظرة أقرب على انقسام الخلايا في نسيج السرطان

ينبثق انقسام الخلية، أو الميوز، على شكل سلسلة من المراحل بينما يُنسخ المادّة الوراثية وتُفصل. في التشخيص الروتيني للسرطان، تميز أدوات الحاسوب غالبًا «الشكل الميوزي» كفئة واحدة بسيطة، متجاهلة المرحلة التي توجد فيها الخلية أو ما إذا كانت تبدو شاذة. ومع ذلك، قد تحمل الانقسامات غير الاعتيادية أو «الشاذة»، والتوازن بين المراحل المبكرة والمتأخرة، معلومات مهمة عن مدى خطورة الورم. يجادل المؤلفون بأن الذكاء الاصطناعي لن يصل إلى إمكاناته الكاملة في علم الأمراض إلا إذا استطاع تمييز هذه الفروق الدقيقة التي يبحث عنها المتخصصون بالفعل تحت المجهر.

بناء مكتبة أغنى من الصور

للتجاوز عن الرؤية البسيطة بنعم أو لا للخلايا المنقسمة، توسع الفريق مجموعة مرجعية كبيرة موجودة تعرف باسم MIDOG++، والتي كانت بالفعل تغطي أنواع أورام متعددة وأنواع حيوانات وأجهزة مسح مختلفة. أعاد المعلّقون الخبراء فحص أكثر من عشرة آلاف شكل ميوزي وصنفوا كل واحد إلى إحدى المراحل الخمس الرئيسية للانقسام الخلوي الطبيعي، بالإضافة إلى فئة منفصلة للانقسامات الشاذة. كما رسموا محيطات دقيقة حول كل خلية، وليس مجرد صناديق تقريبية. هذا العمل المتأنّي يحوّل مجموعة البيانات إلى مورد يدعم تدريبًا أدق للذكاء الاصطناعي ودراسات مستقبلية عن شكل الخلايا وبنيتها أثناء الانقسام.

إضافة مجموعة بيانات جديدة لسرطان الرئة

إدراكًا لأن أنظمة الذكاء الاصطناعي غالبًا ما تتعثر عند نقلها من مستشفى أو نوع عضو إلى آخر، أنشأ الباحثون أيضًا مجموعة بيانات جديدة من سرطان غدي رئوي، وهو نوع شائع وخطير من سرطان الرئة. بدلًا من التركيز فقط على المناطق «الأكثر نشاطًا» ذات أعلى عدد من الانقسامات، اختاروا المنطقة الكاملة للورم على كل شريحة، وقسموها إلى رقع صور قابلة للإدارة، وقاموا بعناية وبتعب ملحوظ بتسمية الخلايا المنقسمة والانقسامات الشاذة والخلايا المشابهة غير المنقسمة. توفر مجموعة LUNG‑MITO هذه اختبارًا صعبًا وواقعيًا لمعرفة ما إذا كان خوارزم مدرب في مكان آخر لا يزال يؤدّي جيدًا عند مواجهته بنسيج وشروط مسح جديدة.

كيف تعمل خطّة الذكاء الاصطناعي الجديدة

بناءً على هذه الموارد البيانية، صمّم المؤلفون خط أنابيب ذكي من خطوتين. أولًا، شبكة قوية لتجزئة الصور، مبنية على بنية حديثة تسمى ConvNeXt مدمجة مع Mask R‑CNN، تفحص رقع النسيج وتقترح خلايا مرشّحة للانقسام، مبيِّنة محيط كل واحدة ومعطية تخمينًا مبدئيًا لمرحلتها. ثانيًا، شبكة تصنيف منفصلة (EfficientNet) تُلقي نظرة أقرب على هذه المرشحات وتُحسّن القرار بطريقة هرمية: تحكم أولًا إن كانت المرشّحة منقسمة بالفعل أم مجرد شبيهة، ثم، بالنسبة للانقسامات المؤكدة، تختار المرحلة الأكثر احتمالًا. تستخدم المنظومة حيل تعزيز بيانات مخصّصة لصور علم الأمراض لمساعدتها على التعامل مع اختلافات الصبغة وأجهزة المسح بين المختبرات.

اختبار الأداء عبر إعدادات مختلفة

للحكم بعدالة على مدى فاعلية منهجهم، اتبع الباحثون نفس قواعد التقييم المستخدمة في تحديات كشف الميوز السابقة. قاسوا عدد المرات التي تطابقت فيها الخلايا المتوقعة بواسطة الخوارزم مع الخلايا المرسومة من قبل الخبراء ضمن مسافة صغيرة، مع حساب كل من الكشف الفائت والإنذارات الكاذبة. تم التدريب على جزء من بيانات MIDOG++ الموسعة، بينما احتُفظ بشرائح LUNG‑MITO الجديدة كاختبار منفصل لفحص مدى متانة الطريقة تجاه تغيّر نوع الورم ومعدّات التصوير. حسن العمود الفقري المحسّن وخطوة التكرير الأداء بوضوح مقارنةً بنظام تقليدي أكثر، مع زيادة في كل من الكشف العام ودقة كل نوع فرعي من مراحل الانقسام.

ما يعنيه هذا لرعاية السرطان والبحث

بالنسبة لغير المتخصصين، الرسالة الرئيسية هي أن الدراسة تقدّم كلًا من مجموعة بيانات عامة مفصّلة ونموذج ذكاء اصطناعي أقوى للتعرّف على كيفية ومتى تنقسم خلايا السرطان. من خلال تعليم الخوارزميات التفرقة بين مراحل الميوز المختلفة والإشارة إلى الانقسامات الشاذة، ومن خلال إظهار أن ذلك يمكن تحقيقه بمزيد من الاتساق عبر أورام وأجهزة مسح متنوعة، تضع هذه الأعمال الأساس لأدوات مستقبلية تدعم أخصائيي علم الأمراض في تصنيف الأورام ودراسة بيولوجيتها. على المدى البعيد، قد تساعد مثل هذه الأدوات في جعل تشخيصات السرطان أكثر اتساقًا بين مستشفى وآخر وفتح اتجاهات بحثية جديدة تربط مظهر الخلايا المنقسمة بسلوكها الجزيئي ونتائج المرضى.

الاستشهاد: Ivan, Z.Z., Hirling, D., Grexa, I. et al. A Subphase-Labeled Mitotic Dataset for AI-powered Cell Division Analysis. Sci Data 13, 680 (2026). https://doi.org/10.1038/s41597-026-07007-7

الكلمات المفتاحية: علم الأمراض الرقمي, انقسام الخلايا, كشف الانقسام الميوزي, تصوير السرطان, الذكاء الاصطناعي الطبي