تطبيع الصبغة في علم الأمراض النسيجي: مقارنة بين طرق القياس باستخدام مجموعة بيانات متعددة المراكز

صور أنسجة أوضح للأطباء والآلات

عندما ينظر أخصائيو الأمراض النسيجية إلى عينات الأنسجة تحت المجهر، يعتمدون على تدرجات دقيقة من الوردي والبنفسجي لتحديد ما إذا كانت الخلايا سليمة أم سرطانية. اليوم يمكن أن تختلف هذه الألوان كثيرًا من مختبر مستشفى إلى آخر، مما لا يعقد التشخيص البشري فحسب بل يعيق أيضًا أدوات الذكاء الاصطناعي المدربة على هذه الصور. هدفت هذه الدراسة إلى قياس حجم مشكلة الألوان هذه واختبار أي التقنيات الحاسوبية تعمل بشكل أفضل لجعل صور الشرائح متشابهة أكثر دون فقدان التفاصيل المهمة.

لماذا تتفاوت الألوان بين المختبرات

تركز الدراسة على زوج الأصباغ الأكثر شيوعًا في الباثولوجيا، الهيماتوكسيلين والإيوزين، الذي يصبغ أنوية الخلايا بلون أزرق مائل للبنفسجي والأنسجة المحيطة باللون الوردي. يمكن للاختلافات الطفيفة في كيفية تثبيت الأنسجة ومعالجتها وصبغها، وكذلك في كيفية التقاط الماسحات الضوئية للصور، أن تغير هذه الألوان بشكل كبير. لدراسة هذا التأثير بطريقة مضبوطة، أخذ المؤلفون ثلاث عينات نسيجية صغيرة—جلد وكلى وقولون—من نفس كتل المتبرع وأرسلوا مقاطع غير مصبوغة متطابقة إلى 66 مختبرًا في 11 دولة. استخدم كل مختبر إجراءه الروتيني في الصبغ، ثم تم رقمنة الشرائح النهائية. وبما أن المادة البيولوجية كانت متشابهة جدًا، فإن أي اختلافات في المظهر عكست إلى حد كبير كيفية صبغ وتصوير كل مختبر للأنسجة.

بناء منصة اختبار فريدة لتصحيح الألوان

أظهرت مجموعة الصور الناتجة تباينًا ملحوظًا: فقد تراوحت الشرائح من نفس الكتلة النسيجية من شاحب إلى شبه أسود، أو انحرفت من نغمات باردة إلى دافئة جدًا. قاس الفريق أولًا هذه الاختلافات بقياس متوسط مستويات الأحمر والأزرق في كل شريحة. ثم اختاروا شريحة واحدة متوازنة جيدًا لكل نوع نسيج كمرجع وطبقوا ثماني طرق مختلفة لتطبيع الصبغة على البقية. كانت أربع طرق تقليدية أقدم تعتمد على الرياضيات وتعدّل إحصاءات الألوان العامة أو تفصل وتعيد قياس مكونات الصبغة. والأربع الأخرى اعتمدت على الذكاء الاصطناعي «التوليدي» الحديث، الذي يتعلم كيفية تحويل الصور من نمط لوني إلى آخر باستخدام الشبكات العصبية.

أي الطرق أعطت أفضل نتيجة للألوان والبنية

لتقييم الأداء، طرح المؤلفون سؤالين رئيسيين: ما مدى تقارب الصور المصححة من ألوان المرجع، وما مدى حفاظها على البنية النسيجية الدقيقة؟ استخدموا عدة مقاييس عددية تقارن توزيعات الألوان، ومقياس تشابه صورة عالي المستوى مستعار من رؤية الحاسوب، ومؤشر بنيوي حساس إلى الضبابية أو التشوهات. عبر الجلد والكلى والقولون، أنتجت طريقة بسيطة تُدعى مطابقة المدرج التكراري—التي تعيد تشكيل توزيع ألوان كل شريحة لتقليد المرجع—أقرب تطابق لوني باستمرار مع الحفاظ على البُنى إلى حد كبير. وأداء طريقة تقليدية أخرى، تطبيع راينهارد، كان غالبًا مقاربًا جدًا. أما طريقة ثالثة، فهاداني، فتألقَت في الحفاظ على البنية لكنها ميّلت إلى دفع كل شيء نحو نغمة وردية وقمعت صبغة الأنوية الزرقاء.

كيف بدت الصور لخبراء البشر وأدوات الذكاء الاصطناعي

راجع أطباء مرشحون شرائح القولون المعاد تطبيعها ليروا كيف أثرت الطرق على قابلية التفسير في العالم الواقعي. تحققوا مما إذا كانت الطبقات وأنواع الخلايا المهمة لا تزال سهلة التمييز، وما إذا كانت العينات المفرطة أو الناقصة الصبغ تحسنت، وما إذا ظهرت أي تحف رقمية غريبة. لم تكن هناك طريقة واحدة تصلح كل المشكلات، لكن مطابقة المدرج التكراري عمومًا أنتجت ألوانًا متسقة تشبه المرجع دون تحف واضحة، خاصة في العينات المفرطة الصبغ. أنتجت بعض الطرق المبنية على الذكاء الاصطناعي، لا سيما إصدارات معينة من CycleGAN وPix2pix، نتائج تبدو واقعية لكنها أحيانًا أدخلت هياكل مزيفة دقيقة أو خللاً لونيًا طفيفًا في خلايا الدم ومناطق الخلفية. وأظهر الفريق أيضًا أن التطبيع غيّر كيفية عد خوارزمية كشف الخلايا المتقدمة للنوى وكيف مثلت نموذج "أساسي" كبير الشرائح، مما يبرز أن تصحيح الألوان يمكن أن يؤثر بشدة على سلوكيات الذكاء الاصطناعي التالية.

ما الدلالة على التشخيص الرقمي المستقبلي

بشكل عام، تكشف الدراسة أن اختلافات الألوان بين المختبرات كبيرة بما يكفي لتؤثر على القراء البشر والأنظمة الآلية على حد سواء، وأن جعل الصور أكثر تجانسًا خطوة مهمة نحو باثولوجيا رقمية موثوقة وقابلة للمشاركة. ومن المدهش أنه، في هذه المجموعة المضبوطة بعناية والتي تحتوي على محتوى نسيجي متشابه جدًا، تفوقت الأساليب العامة البسيطة مثل مطابقة المدرج التكراري غالبًا على تقنيات التعلم العميق الأكثر تعقيدًا، التي تحتاج إلى بيانات تدريبية أكبر بكثير من شريحة واحدة لكل مختبر. ينشر المؤلفون مجموعة بياناتهم متعددة المراكز المكونة من 66 مركزًا بشكل مفتوح حتى يتمكن الآخرون من مقارنة طرق جديدة وتصميم بيانات تدريب تعكس التباين في العالم الواقعي بشكل أفضل. وللمرضى، قد يترجم التقدم في هذا المجال إلى أنظمة ذكاء اصطناعي تنتقل جيدًا بين المستشفيات، مقدمًا تشخيصات أكثر اتساقًا بغض النظر عن مكان معالجة الخزعة.

الاستشهاد: Khan, U., Härkönen, J., Friman, M. et al. Staining normalization in histopathology: Method benchmarking using multicenter dataset. Sci Rep 16, 11097 (2026). https://doi.org/10.1038/s41598-026-40943-3

الكلمات المفتاحية: الباثولوجيا الرقمية, تطبيع الصبغة, تصوير الأنسجة, الذكاء الاصطناعي الطبي, تباين الألوان