نهج التعلم التزايدي لتجزئة المعنى في صور الهستولوجيا الجلدية

لماذا يهم تعليم الحواسيب قراءة عينات الجلد

سرطان الجلد هو من أكثر أنواع السرطان شيوعًا على مستوى العالم، وغالبًا ما يعتمد الأطباء على شرائح رقيقة من الأنسجة تُعرض تحت المجهر لتحديد مدى خطورة الورم وكيفية معالجته. قراءة هذه الشرائح عمل بطيء ومجهد وقد يختلف من خبير لآخر. تستكشف هذه الدراسة كيفية بناء أنظمة حاسوبية تتعلم التعرف على أنواع الأنسجة والسرطانات الجلدية في صور المجهر، والأهم من ذلك، أن تستمر في التحسن مع مرور الوقت عند إضافة أنواع صور جديدة — تمامًا كما يتعلم المتدرّب البشري طوال مسيرته المهنية.

من إجابات نعم–لا البسيطة إلى خرائط نسيجية مفصّلة

تنظر العديد من أدوات الذكاء الاصطناعي الحالية إلى صورة وتجيب عن سؤال ضيق مثل «سرطان» أم «لا سرطان». وعلى الرغم من فائدة هذه الإجابات، إلا أن هذا النوع من القرار لا يلتقط الغنى التفصيلي الذي يراه أخصائيو الأمراض. في الممارسة العملية، يهتم الأطباء بالعديد من البُنَى في آن واحد: أنواع سرطانات مختلفة، طبقات الجلد السليمة، بصيلات الشعر، الغدد، المناطق الملتهبة، وغير ذلك. تركز هذه الدراسة بدلًا من ذلك على «التجزئة الدلالية»، حيث تُنسب كل بكسل في صورة الهستولوجيا إلى واحدة من اثنتي عشرة فئة نسيجية. ينتج عن ذلك خريطة ملونة تبين مكان تواجد السرطانات والأنسجة الطبيعية بدقّة، مما يوفر إرشادًا أوضح للتشخيص والتخطيط العلاجي.

لماذا تكافح الأنظمة الذكية الحالية التكيّف

تفترض نماذج التعلم العميق القوية اليوم عادةً أن جميع بيانات التدريب متاحة دفعة واحدة. وبمجرد التدريب، تميل هذه النماذج إلى «تجميد» معرفتها. إذا أُضيفت لاحقًا بيانات جديدة بخصائص مختلفة — مثل صور بتكبير مختلف — فغالبًا ما يكون الخيار الأكثر أمانًا هو إعادة تدريب النموذج بأكمله من البداية. هذا مكلف وبطيء، والأسوأ من ذلك أن إضافة معلومات جديدة قد تسبب ما يُعرف بـ «النسيان الكارثي»، حيث يتدهور أداء النموذج على المهام السابقة بهدوء. في السياقات السريرية، مع ذلك، تتغيّر البيانات باستمرار مع ترقية الماسحات، وتبدّل إعدادات التصوير، وجمع المستشفيات لأنواع عينات جديدة. أداة ذكاء اصطناعي لا تستطيع استيعاب مثل هذه التغيرات بسلاسة يصعب الوثوق بها في الممارسة اليومية.

استراتيجية تعلّم خطوة بخطوة مستوحاة من كيفية تعلم البشر

يبني المؤلفون على معمارية محول الرؤية الحديثة المسماة SegFormer ويحوّلونها إلى نظام «تعلم تزايدي» لسرطان الجلد غير الميلانومي. بدلًا من رؤية جميع البيانات دفعة واحدة، يُدرَّب النموذج على مراحل باستخدام شرائح هستولوجية من مجموعة بيانات جامعة كوينزلاند العامة. أولًا يتعلم من صور ذات تكبير عالٍ (10×)، حيث تكون التفاصيل الدقيقة واضحة. لاحقًا تضاف صور بتكبير 5× ثم 2×، مع الاحتفاظ بجزء من بيانات التفاصيل العالية السابقة في الخلط. تساعد دوال خسارة خاصة النسخة الجديدة من النموذج على الاحتفاظ بما عرفه سابقًا عن أنماط الأنسجة، حتى أثناء تكيّفه مع المشاهد الأعرض والأقل تفصيلاً. يُوجَّه هذا «التعلّم بدون نسيان» بتقنية تُسمى تقطير المعرفة، حيث يعمل النموذج السابق كمعلم للجديد، وبواسطة حد تقطير متبادَل يدفع كلًّا من التمثيلات القديمة والجديدة إلى البقاء متناغمة.

التعلّم عبر مستويات التكبير وأنواع الأنسجة النادرة

صور الهستولوجيا صعبة ليس فقط لأن هناك العديد من أنواع الأنسجة، بل لأن بعض البنى المهمة نادرة أيضًا. تتضمن مجموعة البيانات سرطانات شائعة مثل سرطانة الخلايا القاعدية وسرطانة الخلايا الحرشفية، بالإضافة إلى طبقات الجلد السليمة والملتهبة، وكلها معنونة على مستوى البكسل من قبل خبراء — وهي عملية مرهقة تستغرق مئات الساعات. يقسم المؤلفون هذه الشرائح الضخمة إلى رقع صغيرة ويدرّبون نموذجهم باستخدام تقسيم مدروس لمجموعات التدريب والضبط والاختبار، محافظين على توازن فئات الأنسجة عند كل تكبير. لمساعدة النظام على التعرف إلى المناطق الشحيحة لكنها حرجة سريريًا، يعزّزون الفئات الممثلة تمثيلًا ناقصًا بتدوير الرقع وبعرض النموذج لتلك الأنسجة عند مستويات تكبير متعددة. يساعد هذا التعرض متعدد الدقة الذكاء الاصطناعي على التعرف إلى نفس البنية البيولوجية سواء ظهرت مقربة واضحة أو بشكل أوسع وأقل حدة.

ما الذي يحققه النموذج مقارنة بالأدوات السابقة

بمفردها، تتفوق نماذج SegFormer المدربة بشكل منفصل عند كل تكبير بالفعل على التصاميم التفافيه السابقة مثل U-Net في العديد من فئات الأنسجة. لكن عندما يُطبَّق مخطط التعلم التزايدي — التدريب أولًا عند 10×، ثم عند 10× و5× معًا، وأخيرًا عند 10× و5× و2× معًا — تصبح المكاسب لافتة. ترتفع الدقة الإجمالية من نحو 89% عند الاعتماد على صور 10× فقط إلى أكثر من 95% بعد إدراج التكبيرات الثلاثة. تتحسّن مقاييس التداخل بين المناطق المتنبأ بها والحقيقية بشكل مطّرد، ويتفوق الأداء على سرطانات مثل سرطانة الخلايا القاعدية والحرشفية، وكذلك على طبقات طبيعية رئيسية مثل البشرة والجلد الحليمي، على مثيلاته في الطرق المنافسة. والأهم من ذلك، أن النموذج مع إضافة كل مستوى تكبير جديد لا ينسى ما تعلّمه سابقًا؛ بل تصبح فهمه لبنية الأنسجة أكثر متانة وعمومية.

كيف يدفع هذا العمل التشخيص المدعوم بالذكاء الاصطناعي نحو العيادات

لغير المتخصّصين، الرسالة الأساسية هي أن المؤلفين صنعوا «صانع خرائط» لأنسجة الجلد يمكنه الاستمرار في دراسة أنواع جديدة من الصور دون فقدان مهاراته القديمة. من خلال تصميم دقيق لكيفية تعلم النموذج على مراحل وكيفية إعادة استخدام معرفته السابقة، يُظهِرون أنه من الممكن بناء أدوات ذكاء اصطناعي تتكيّف مع تطور ممارسات التصوير الطبي. وعلى الرغم من الحاجة إلى المزيد من التحقق عبر المستشفيات وأنواع الأمراض، يشير هذا النهج التزايدي المعتمد على المحوّلات إلى أنظمة ذكاء اصطناعي قادرة على البقاء محدّثة مع تغير البيانات، وتقديم شروحات بصرية مفصّلة لمواضع السرطان، وفي النهاية دعم الأطباء المختصين في اتخاذ قرارات علاجية أكثر ثقة واتساقًا.

الاستشهاد: Fatima, S., Salam, A.A., Akram, M.U. et al. Incremental learning approach for semantic segmentation of skin histology images. Sci Rep 16, 9593 (2026). https://doi.org/10.1038/s41598-025-31553-6

الكلمات المفتاحية: سرطان الجلد, صور الهستولوجيا, التجزئة الدلالية, التعلم التزايدي, المحوّلات العميقة للتعلّم