تشخيص محسن لسرطان عنق الرحم باستخدام طريقة ضمّ بايزية جديدة مع ذكاء اصطناعي قابل للتفسير

لماذا هذا مهم لصحة النساء

لا يزال سرطان عنق الرحم سببًا هامًا للوفاة بين النساء في جميع أنحاء العالم، وخصوصًا في الأماكن التي يكون فيها الوصول إلى الأطباء المتخصصين والفحوص المتقدمة محدودًا. ومع ذلك، فإن المرض قابل للعلاج بدرجة كبيرة إذا كُشف عنه مبكرًا. تستعرض هذه الدراسة كيف يمكن للذكاء الاصطناعي المصمم بعناية أن يحوّل معلومات سريرية وسلوكية بسيطة — مثل العمر، عادات التدخين، ونتائج فحوصات الروتين — إلى أداة إنذار مبكر موثوقة يمكن للأطباء استخدامها على الجانب السرييري أو في العيادات الصغيرة.

المشكلة العالمية خلف الأرقام

ينجم سرطان عنق الرحم في الغالب عن إصابة بأنواع عالية المخاطر من فيروس الورم الحليمي البشري (HPV). غالبًا ما يتقدم المرض بصمت، مظهرًا أعراضًا قليلة حتى يصل لمرحلته المتقدمة، حين قد تعاني النساء نزفًا غير طبيعي، ألمًا حوضيًا، أو عقمًا. في عام 2020، سُجلت أكثر من 600,000 حالة جديدة على مستوى العالم، وسُجلت ما يقرب من 90% من الوفيات في البلدان منخفضة ومتوسطة الدخل حيث يكون من الصعب الحفاظ على فحوصات باب أو HPV منتظمة. طرق الفحص الحالية فعّالة لكنها قد تكون متطلبة للجهد، وتحتاج إلى كوادر مدرَّبة، ورغم ذلك قد تفوّت بعض الحالات. هذا يخلق حاجة قوية لأدوات يمكنها تمييز النساء المعرضات للخطر بدقة باستخدام نوع المعلومات التي تجمعها العيادات بالفعل.

تحويل تاريخ المرضى إلى درجة خطر

بنى الباحثون نظامًا هجينًا لتعلم الآلة يحلل 36 عنصرًا من المعلومات عن كل مريضة. تشمل هذه العناصر العمر، عدد الشركاء الجنسيين، العمر عند أول اتصال جنسي، حالة التدخين، استخدام موانع الحمل الهرمونية، تاريخ الأمراض المنقولة جنسيًا، ونتائج فحوص عنق الرحم الشائعة مثل فحوص شيلر وهنسلمان والخلايا. ولأن السجلات الطبية الحقيقية غالبًا ما تحتوي على فراغات، استخدم الفريق تقنية تسمى GAIN لملء القيم المفقودة بطريقة ذكية تحافظ على أنماط واقعية في البيانات. ثم طبقوا طريقة تسمى Boruta لانتقاء كل المتغيرات والاحتفاظ فقط بتلك التي تؤثر فعليًا على ما إذا أظهرت خزعة — الاختبار المعياري الذهبي — وجود سرطان أو حالات ما قبل السرطان.

موازنة الحالات النادرة والعثور على إشارات واضحة

مثل العديد من مجموعات البيانات الطبية، احتوت سجلات سرطان عنق الرحم على عدد أكبر بكثير من النساء الخاليات من المرض مقارنة بالمصابات. إذا تُرك هذا الخلل دون تصحيح، قد يتعلم النموذج الحاسوبي في الغالب من المجموعة الأكبر ويتجاهل بصمت العلامات الدقيقة للسرطان. لمنع ذلك، استخدم الفريق إعادة العيّنة العشوائية لخلق مزيج أكثر توازنًا من الحالات الإيجابية والسلبية. ثم قاموا بضغط البيانات إلى مجموعة أصغر من الأنماط الإعلامية باستخدام أداتين رياضيتين، تحليل المركبات المستقلة (ICA) وتحليل المركبات الرئيسة (PCA). أزالت هذه المجموعة الضجيج والتكرار بينما احتفظت بالإشارات الأساسية التي تميّز بين المرضى ذوي الخطر العالي ومنخفضه.

دمج عقلين في قرار واحد

في قلب النظام توجد «تجمع ضمّ بايزية» جديدة، تدمج نقاط قوة نموذجين مستخدمين على نطاق واسع: أشجار القرار والغابات العشوائية. بدلًا من السماح لكل نموذج بالتصويت بنفس الوزن، يوزن أسلوب الضمّ مساهماتهما بناءً على مدى أدائهما أثناء التحقق. النتيجة تقدير خطر واحد ومحرَّز لكل امرأة. عبر جولات متعددة من الاختبار، وصل هذا النهج إلى نحو 99.9% دقة، وحدّد كل حالة عالية الخطورة (استدعاء تام)، وأنتج نتيجة مثالية في مقياس قياسي لجودة التشخيص (AUC‑ROC = 1.00)، مما يشير إلى أنه نادرًا ما يفوّت السرطان مع تجنّب الإنذارات غير الضرورية.

فتح الصندوق الأسود للأطباء

لأن على الأطباء فهم سبب تمييز الخوارزمية لمريضة على أنها عالية الخطورة، أضاف الفريق أدوات ذكاء اصطناعي قابلة للتفسير تُسمى SHAP وLIME. تكسر هذه الأساليب كل توقع وتبين العوامل التي دفعت القرار نحو «سرطان» أو «لا سرطان». وأكدت أن نتائج شيلر وهنسلمان والخَلَيّات كانت الأقوى مؤثرًا في الخطر، مع لعب العمر، عدد الشركاء الجنسيين، التدخين، والالتهابات السابقة أدوارًا مهمة أيضًا. أخيرًا، غلف الباحثون النموذج بتطبيق ويب يمكن للعيادات استخدامه في الوقت الحقيقي: يدخل الموظفون معلومات المريضة، يعيد النظام درجة الخطر، وتبرز لوحة التفسير الأسباب الرئيسية وراء تلك الدرجة.

ماذا يعني هذا للمرضى والعيادات

تُظهر هذه الدراسة أنه عندما يُصمَّم الذكاء الاصطناعي بعناية ويُفسَّر بشفافية، يمكنه تحويل البيانات السريرية والسلوكية الروتينية إلى نظام إنذار مبكر قوي لسرطان عنق الرحم. لا يحل النموذج محل الخزعات أو حكم الخبراء، لكنه يمكن أن يساعد العيادات المثقلة بالعبء على تحديد النساء اللاتي يحتجن إلى مزيد من الفحوص بسرعة، لا سيما في البيئات ذات الموارد المحدودة. ومع مجموعات بيانات أكبر وأكثر تنوعًا في المستقبل، وبتمديد النهج إلى أنواع أخرى من البيانات الصحية، يمكن لمثل هذه الأدوات أن تصبح جزءًا متكاملًا من الفحص اليومي وتساهم في منع آلاف الوفيات القابلة للتفادي.

الاستشهاد: Islam, O., Assaduzzaman, M., Akter, S. et al. Enhanced cervical cancer diagnosis using a novel Bayesian fusion ensemble method with explainable AI. Sci Rep 16, 12306 (2026). https://doi.org/10.1038/s41598-026-35334-7

الكلمات المفتاحية: فحص سرطان عنق الرحم, الذكاء الاصطناعي الطبي, تعلم الآلة, صحة المرأة, اكتشاف مبكر