تجزئة الغدد القولونية المستندة إلى إشراف ضعيف عبر التعلم الذاتي والوسم الزائف المعتمد على الانتباه

لماذا يهم هذا لتشخيص السرطان

عندما ينظر أخصائي علم الأمراض إلى خزعة من القولون تحت المجهر، فإن أحد أبرز دلائل شدة السرطان هو شكل وتنظيم الهياكل الأنبوبية الصغيرة التي تُسمى الغدد. رسم كل غدة يدوياً بعناية عملية بطيئة ومكلفة ويصعب توحيدها عبر المستشفيات. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي أن يتعلم تتبع هذه الغدد تقريباً بمستوى خبراء البشر بينما يستخدم تسميات بشرية أقل تفصيلاً، مما قد يسرّع ويُحسّن تشخيص سرطان القولون والمستقيم.

التحدي المتمثل في رسم كل حد دقيق

يُعد سرطان القولون والمستقيم من أكثر السرطانات شيوعاً وفتكاً عالمياً، وتصنيف شدته يعتمد كثيراً على مظهر الغدد. في الأنسجة الصحية أو ذات المرحلة المبكرة تبدو الغدد كأنابيب منتظمة ومستديرة؛ في الأورام العدوانية تصبح متموِّجة أو ملتحمة أو بالكاد قابلة للتمييز. يمكن تدريب الحواسيب على تجزئة، أو «تلوين»، كل غدة لإجراء قياسات تلقائية، لكن نظم التعلم العميق التقليدية تتطلب رسوماً مُرهِقة بكسلاً بكسل من قبل أخصائيي الباثولوجيا. في العيادات الحقيقية ما هو أسهل كثيراً الحصول عليه هو تسميات على مستوى الصورة، مثل ما إذا كانت قطعة من النسيج تحتوي أو لا تحتوي على غدد، أو ما إذا كانت حميدة أو خبيثة.

تدريب الذكاء الاصطناعي من شرائح غير معنونة وضعيفة التسمية

يقدّم المؤلفون خط تدريبي مكوّن من ثلاث خطوات صُمم لاستخراج قيمة أكبر من هذه التسميات الأضعف. أولاً، يبدأون من نموذج رؤيّي قوي يدعى DINOv2، الذي تم تدريبه أصلاً على صور فوتوغرافية طبيعية، ويعرّضونه لآلاف صور خزعات القولون غير المعنونة. من خلال إجبار النموذج على مطابقة مشاهد مختلفة لذات بقعة النسيج مع بعضها، يتعلّم ميزات بصرية متوافقة مع ألوان وملمس شرائح الهيستولوجيا دون الحاجة إلى تسميات. تخلق هذه الخطوة "مشفراً" مخصّصاً يحول الصور الخام إلى تمثيلات داخلية غنية تلتقط تراكيب شبيهة بالغدد.

إتاحة ما يركّز عليه الذكاء الاصطناعي

في المرحلة الثانية، يُوصَل هذا المشفر بشبكة تصنيف تحتاج فقط إلى تسميات على مستوى الصورة، مثل وجود الغدد أم لا. يتعلّم آلية انتباه داخل الشبكة أن تمنح أوزاناً أعلى لمناطق الصورة التي تُهم القرار. تُبرز خرائط الانتباه هذه بفعالية الأماكن التي "يعتقد" فيها النموذج أن الغدد تقع. يحوّل الباحثون هذه الخرائط النصفية إلى أقنعة ثنائية تقريبية باستخدام المزج والعتبة، ثم يُنقّحوها أكثر بتقنية تنعيم احتمالية تُسمى الحقل العشوائي الشرطي (Conditional Random Field). النتيجة هي مجموعة من الوسوم الزائفة المُنقّحة: حدود غدد مُولّدة حاسوبياً ليست مثالية، لكنها جيدة بما يكفي لتوجيه نموذج تجزئة أكثر تخصصاً.

توضيح حدود الغدد

في المرحلة الثالثة، يتم تدريب شبكة تجزئة مخصصة باستخدام هذه الوسوم الزائفة كبدائل عن التعليقات اليدوية. تعيد استخدام المشفر المولَّف بدقة ولكن تضيف رأس مفكك خفيف الوزن يحوّل السمات إلى قناع غدة مفصّل. والأهم أن دالة الخسارة المستخدمة أثناء التدريب تولي اهتماماً إضافياً للحدود: تُعاقَب الأخطاء التي تشوّه حواف الغدد بشدة أكثر من الأخطاء الصغيرة داخل الداخل. يشجع هذا التدريب الواعي بالحدود على حدود واضحة وواقعية تشريحياً، وهو أمر ضروري لقياس شكل الغدة وفصلها بدقة.

ما مدى فاعليته عملياً؟

اختبرت الفريق طريقتهم على مجموعتي معيار قياس قياسيتين لأنسجة القولون والمستقيم. على مجموعة بيانات GlaS، لم تكتف طريقتهم بالإشراف الضعيف بتفوق على طرق أخرى تستخدم تسميات محدودة، بل اقتربت في عدة مقاييس أو تجاوزت أنظمة مشرف عليها بالكامل التي اعتمدت على تعليقات بكسل-بكسل كاملة. على مجموعة أصعب تسمى CRAG، المليئة بالغدد غير المنتظمة والشديدة الخبث، تراجعت الأداءات لجميع الطرق، ومع ذلك لا تزال الإطار الجديد يتفوق على المنافسين ذوي التسمية الضعيفة وضيق الفجوة مع النماذج المشرفة بالكامل. أظهرت دراسات الاستئصال أن كل مكوّن—التحسين الذاتي، الوسم الزائف المعتمد على الانتباه مع المعالجة اللاحقة، وخسارة الوعي بالحدود—ساهم بشكل ملموس في التحسينات.

ماذا يعني هذا لأدوات الباثولوجيا المستقبلية

للقراء العادي، الخلاصة الأساسية هي أن هذا العمل يشير إلى نظم ذكاء اصطناعي قادرة على إنتاج خرائط دقيقة حدودياً للهياكل الغدية المجهرية بينما تعتمد أساساً على تسميات بسيطة على مستوى الشريحة المتاحة بالفعل في أرشيفات المستشفيات. من خلال تقليل الاعتماد على التحديد اليدوي الشاق، قد تجعل هذه المقاربة التصنيف المتقدم المستند إلى الصور والتحليل الكمي أكثر قابلية للتطبيق عبر مراكز عديدة، مما يساعد أخصائيي الباثولوجيا على تشخيص سرطان القولون والمستقيم بشكل أكثر اتساقاً وكفاءة، وربما تمتد أيضاً لأنواع وأنسجة أخرى في المستقبل.

الاستشهاد: Wen, H., Wu, Y., Huang, D. et al. Weakly supervised colorectal gland segmentation through self-supervised learning and attention-based pseudo-labeling. Sci Rep 16, 5771 (2026). https://doi.org/10.1038/s41598-026-36256-0

الكلمات المفتاحية: سرطان القولون والمستقيم, الباثولوجيا الرقمية, تجزئة الغدد, التعلم بالإشراف الضعيف, الرؤية الذاتية التعلُّم