الاستفادة من التصوير الطبي والتعلّم العميق لتشخيص سرطان الثدي باستخدام صور الأنسجة المرضية

لماذا يهم الكشف المبكّر

يُعد سرطان الثدي من الأسباب الرئيسة لوفيات السرطان بين النساء على مستوى العالم، لكن النتائج تتحسن بشكل كبير عندما يُكتشف المرض في مراحله المبكرة. عادةً ما يقوم الأطباء بتشخيص سرطان الثدي بفحص شرائح رقيقة من الأنسجة تحت المجهر، وهي عملية تُسمى علم الأمراض النسيجي. تحتوي هذه الصور على تفاصيل غنية حول ما إذا كانت الخلايا حميدة أم خبيثة، ومع ذلك فإن قراءتها تستغرق وقتًا وقد تختلف من متخصص إلى آخر. تستكشف هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن يساعد أطباء الأمراض على اكتشاف سرطان الثدي بشكل أسرع وأكثر اتساقًا، مما قد يوفّر للمرضى إجابات أسرع وخيارات علاجية أكثر فعالية.

نظرة أعمق على صور الأنسجة

تحت المجهر، لا تنقسم أنسجة الثدي بشكل واضح إلى «صحية» و«سرطانية». تتداخل الخلايا، وتتباين الألوان من مختبر لآخر، ويمكن أن تحمل التغيرات الطفيفة في الشكل أو النسيج معانٍ حاسمة. واجهت الأنظمة التقليدية المساعدة بالحاسوب صعوبة مع هذه التعقيدات لأن المهندسين كانوا يصممون يدويًا الميزات التي يجب أن يبحث عنها الحاسوب، وكانت التغيّرات الصغيرة في التلوين أو جودة الصورة قد تربكها. أحدث التعلّم العميق، وهو فرع من فروع الذكاء الاصطناعي يتعلم الأنماط مباشرةً من البيانات، تحولًا في كيفية تفسير الحواسيب للصور، بما في ذلك الصور الطبية. يبني المؤلفون على هذا التقدم لتصميم نظام مصمَّم لواقع شرائح أنسجة الثدي المعقّد.

تنقية الصورة قبل قراءتها

الخطوة الأولى في نهجهم بسيطة لكنها فعّالة: تنقية الصورة قبل أن يطلبوا من الحاسوب تفسيرها. غالبًا ما تحتوي شرائح علم الأمراض النسيجي على «ضوضاء» بصرية ناجمة عن عملية التلوين والتصوير، مما قد يحجب البنى الدقيقة التي تشير إلى سرطان مبكر. يستخدم الباحثون تقنية تُسمى ترشيح وينر، التي تزيل البقع العشوائية مع الحفاظ على الحواف الحادة والتفاصيل الصغيرة مثل حدود الخلايا والتجمعات الصغيرة. من خلال تقديم صورة أوضح للحاسوب، تساعد هذه الخطوة على تجنّب كل من تفويت سرطانات حقيقية والإنذارات الكاذبة التي قد ترسل المرضى لإجراءات غير ضرورية.

تعليم الحاسوب على ما يركّز عليه

بعد ذلك، يلجأ الفريق إلى نموذج تعلّم عميق متقدّم يعرف باسم SE‑ResNet لدراسة الصور المنقّاة. ببساطة، يفحص هذا النموذج الشريحة جزءًا جزءًا، ويبني تدريجيًا «مفردات» داخلية من الأنماط البصرية: كيف تبدو القنوات الطبيعية، كيف تتجمع خلايا الورم، وكيف تتغير النسيجات مع تقدم العدوانية السرطانية. تساعد آلية الانتباه المدمجة الشبكة على التأكيد على قنوات الصورة الأكثر معلوماتية وتقليل وزن الخلفية غير ذات الصلة. هذا يجعل النموذج أكثر حساسية لأنماط المرض الرقيقة مع إبقاء الحسابات فعّالة بما يكفي للعمل على أجهزة المستشفيات الواقعية.

اتباع الأنماط عبر المساحة كأنها قصة

بدلًا من معاملة كل قطعة من النسيج كلقطة منعزلة، يقر الباحثون أن علامات المرض كثيرًا ما تتكشف كسرد عبر الشريحة. لالتقاط ذلك، يُدخلون الميزات المُستخرجة بواسطة SE‑ResNet إلى شبكة ذاكرة طويلة قصيرة المدى ثنائية الاتجاه، أو BiLSTM. صُمم هذا النوع من النماذج لفهم التسلسلات: ينظر إلى كيف تتغير الأنماط من منطقة إلى أخرى، للأمام والخلف، تمامًا كما قد تقرأ جملة في كلا الاتجاهين لفهم معناها الكامل. من خلال تعلّم هذه العلاقات المكانية، تصبح BiLSTM أفضل في التمييز بين التغيرات الحميدة والتغيرات الخبيثة الحقيقية.

مدى فاعلية النظام عمليًا

اختبر المؤلفون خطّ الأنابيب الكامل لديهم—تقليل الضوضاء، وتعلّم الميزات، ونمذجة التسلسل—على مجموعات كبيرة من صور أنسجة الثدي المتاحة للعامة، بما في ذلك مجموعة BreakHis المستخدمة على نطاق واسع. قسموا البيانات إلى مجموعات تدريب واختبار بنسب مختلفة وقارنوا طريقتهم مع العديد من نماذج التعلّم العميق القائمة. عبر هذه التجارب، صنّف نظامهم العينات الحميدة مقابل الخبيثة بشكل صحيح بما يقارب 99٪ من الوقت، متفوّقًا على الطرق المنافسة مع تشغيل أسرع أيضًا. ظلّ الأداء قويًا عبر تكبيرات مختلفة للأنسجة، ما يشير إلى قدرته على التكيّف مع شرائح مُعدّة بشروط متباينة. ومع ذلك، تشير الدراسة أيضًا إلى حدود: المجموعات لا تزال متواضعة الحجم، ويركز النموذج على قرار ثنائي بسيط بدلاً من تصنيفات فرعية مفصّلة للأورام، ولم يُثبَت بعد في سير العمل السريري الواقعي.

ماذا يعني هذا للمرضى والأطباء

بالنسبة للقارئ العادي، الخلاصة أن الحواسيب أصبحت أحسن بكثير في قراءة صور المجهر لأنسجة الثدي وتحديد المناطق المشبوهة. النظام المقترح لا يحل محل أخصائي علم الأمراض؛ بل يعمل كمساعد يقظ جدًا يبرز المناطق التي يحتمل أن تكون سرطانية ويقدّم رأيًا ثانيًا بدقة عالية جدًا. إذا تأكّد فعاليته على مجموعات مرضى أكبر وأكثر تنوّعًا، فقد تُقصَر فترة التشخيص، وتُقلَّل فرصة تفويت سرطان صغير، وتساعد المستشفيات المرهقة في التعامل مع أعداد متزايدة من الحالات. سيحتاج العمل المستقبلي إلى اختبار الطريقة على شرائح أكثر تنوّعًا ودمجها في روتين المختبر اليومي، لكن تُظهِر هذه الدراسة أن أنظمة التعلّم العميق المصممة بعناية يمكن أن تكون حليفًا قويًا في مكافحة سرطان الثدي.

الاستشهاد: Nagalakshmi, V., Ahammad, S.H. Leveraging medical imaging and deep learning for diagnosis of breast cancer using histopathological images. Sci Rep 16, 6236 (2026). https://doi.org/10.1038/s41598-026-37663-z

الكلمات المفتاحية: تشخيص سرطان الثدي, صور الأنسجة المرضية, التعلّم العميق, التصوير الطبي, الكشف بمساعدة الكمبيوتر