نموذج توليد تسميات توضيحية بالذكاء الاصطناعي لعلم الأمراض الرقمي للغُدِّيّات في علم الأمراض النسيجي بالمنظار باستخدام آليات الانتباه متعددة العينات

لماذا تحويل الشرائح إلى كلمات مهم

عندما يشتبه الأطباء في وجود سرطان المعدة، تُؤخذ عينات صغيرة من بطانة المعدة وتُفحص تحت المجهر. تفسير هذه الشرائح مهمة تتطلب مهارة وتستغرق وقتاً للأخصائيين في علم الأمراض، والتقرير المكتوب الذي يُعدّه هو الذي يوجّه كل قرار علاجي لاحق. تُقدّم هذه الدراسة نظام ذكاء اصطناعي يفعل شيئاً بشرياً إلى حد ما: ينظر إلى صور رقمية لشرائح خزعات المعدة ويكتب تلقائياً أوصافاً قصيرة ومهيكلة تشبه تقرير أخصائي علم الأمراض.

من الشريحة الزجاجية إلى المساعد الرقمي

الغُدِّيّات المعدية، وهو شكل شائع وخطير من سرطانات المعدة، يُشخَّص حالياً ويُقيَّم من قبل أخصائيي علم الأمراض الذين يدرسون عينات الخزعة بصرياً. خلال العقد الماضي، بدأت العديد من المستشفيات بمسح الشرائح الزجاجية إلى صور رقمية كبيرة جداً، ما فتح المجال لأدوات ذكاء اصطناعي يمكنها المساعدة في التشخيص. ركّزت الأنظمة السابقة أساساً على أسئلة بنعم أو لا، مثل وجود السرطان أم لا، أو على تصنيف إلى فئات. ومع ذلك، تُعدّ تقارير علم الأمراض الحقيقية سردية: تصف أشكال الخلايا، وأنماط النسيج، ومدى عدوانية الورم. حاولت جهود بحثية قليلة فقط توليد هذه التسميات الوصفية مباشرة من صور الشرائح الكاملة، واعتمدت كثير منها على تسميات إضافية تحدد أنماطاً فرعية مُسبقة التعريف، وهي مكلفة وليست متاحة دائماً.

طريقة جديدة للذكاء الاصطناعي لقراءة أجزاء صغيرة متعددة

يقدّم المؤلفون نموذج توصيفي يُدعى MIAC (التوصيف بالانتباه متعدد العينات) صُمم خصيصاً لشرائح خزعات الغُدِّيّات المعدية. الشريحة الرقمية الواحدة كبيرة جداً بحيث لا يمكن إدخالها كاملة في النموذج دفعة واحدة، لذا تُقسَّم إلى العديد من الصور المربعة الصغيرة، أو البقع. يستخدم MIAC نهجاً يعرف بالتعلّم متعدد العينات: بدلاً من التعامل مع هذه البقع كسلسلة مرتبة، ينظر إليها كمجموعة، مما يسمح بتفاوت عددها وترتيبها من شريحة إلى أخرى كما يحدث في الممارسة الروتينية. شبكة صور قوية تستخرج أولاً ميزات بصرية من كل بقعة. ثم يتعلّم آلية انتباه ذاتي، مبنية دون معلومات موضعية، مدى تأثير كل بقعة على الملخص النهائي. يدمج النموذج هذه الإشارات في تمثيل مضغوط واحد للشريحة بأكملها، والذي يغذي بعد ذلك وحدة لغوية تولّد تسمية تشخيصية بطول جملة، كلمة بكلمة.

التدريب على تقارير حقيقية، والاختبار في مستشفى مختلف

لتعليم MIAC، استخدم الباحثون مجموعة بيانات عامة تسمى PatchGastricADC22، التي تحتوي على ما يقرب من ألف شريحة خزعة ممسوحة ضوئياً من مستشفى ياباني. كل شريحة مرتبطة بجملة تشخيصية قصيرة مأخوذة من تقرير علم الأمراض الأصلي ومحوّلة إلى مصطلحات موحّدة. قُسمت الشرائح إلى مئات بقع، وتدرَّب النموذج على إنتاج التسمية الأصلية عند تزويده بمجموعة فرعية من هذه البقع. قُيِّم الأداء باستخدام مقاييس مقارنة لغوية قياسية تقيس مدى تطابق الأوصاف المولّدة آلياً مع نصوص الخبراء. تفوّق MIAC على طريقة سابقة كانت في طليعة المجال عبر جميع المقاييس، خصوصاً عندما سُمِح له برؤية عدد أكبر من البقع لكل شريحة أثناء التدريب، ما يشير إلى أنه كان أفضل في التقاط الصورة العامة للشريحة من وجهات محلية متفرقة.

التعامل مع الاختلافات بين المستشفيات

سؤال رئيسي لأي نظام ذكاء اصطناعي طبي هو ما إذا كان يظل فعّالاً عندما تأتي البيانات من مكان جديد. لذلك اختبر الفريق MIAC على مجموعة مستقلة من شرائح خزعات المعدة جمعتها مستشفى مختلف، مع تسميات كتبها أخصائي أمراض مختلف. اختلفت هذه الصور في الألوان بسبب ممارسات التلوين والمسح المحلية، وهي مشكلة شائعة قد تُربك النماذج المعتمدة على الصور. طبق الباحثون تقنية تطبيع ألوان مستخدمة على نطاق واسع، تعدّل درجات الصبغة لتقارب تلك المستخدمة في شرائح التدريب. حتى دون أي تعديل إضافي دقيق، أنتج MIAC تسميات ذات معنى سريري على مجموعة البيانات الخارجية، وتحسّن أداؤه عندما طُبِق تطبيع الألوان وعندما أُخذت عينات من عدد أكبر من البقع في كل شريحة.

ما الذي قد يعنيه ذلك لرعاية المرضى

لا يهدف MIAC إلى استبدال أخصائيي علم الأمراض؛ بل يهدف إلى صياغة أوصاف موجزة وموحدة يمكن للخبراء مراجعتها وتحريرها بسرعة. في العيادات المزدحمة أو المناطق ذات الوصول المحدود إلى الأخصائيين، قد يقصر مثل هذا الأداة زمن إعداد التقارير، ويقلّل التباين في الصياغة، وينبّه إلى الحالات ذات الأنماط المعقدة لمزيد من التدقيق. كما تبرز الدراسة حدوداً حالية: لا يزال الأداء يتراجع عندما يواجه النموذج شرائح من مؤسسات جديدة أو أنماط نسيج غير مألوفة، ولا تعكس مقاييس اللغة الآلية بالكامل الفائدة السريرية. يجادل المؤلفون بأن مجموعات بيانات أغنى متعددة المراكز، وطرق أذكى لاختيار البقع التي يُفحَص عليها، وردود فعل مباشرة من أخصائيي علم الأمراض ستكون ضرورية قبل أن يمكن إدماج أنظمة توليد التسميات هذه بأمان في سير العمل التشخيصي اليومي.

الاستشهاد: Lee, Y., Bai, K., Kim, Y. et al. AI caption generation model for digital pathology of adenocarcinoma in endoscopic histopathology using multi-instance attention mechanisms. Sci Rep 16, 13244 (2026). https://doi.org/10.1038/s41598-026-37455-5

الكلمات المفتاحية: سرطان المعدة, علم الأمراض الرقمي, الذكاء الاصطناعي الطبي, وصف الصور, علم الأمراض النسيجي