تشخيص سرطان الثدي مستقل التكبير باستخدام مُحوّل بصري معزز بواسطة مُحسّن الذئب الرمادي وتطبيع تلطيخ متعدد المراحل

لماذا يهم هذا البحث للمرضى والأطباء

أصبح سرطان الثدي الآن أكثر أنواع السرطان تشخيصًا على مستوى العالم، ولا يزال الفحص المجهري لعينات الأنسجة المعيار الذهبي لتأكيد المرض. ومع ذلك، فإن قراءة هذه الشرائح تستغرق وقتًا طويلاً، وقد تختلف من خبير لآخر، وتصبح أصعب عندما تُؤخذ الصور بمستويات تكبير مختلفة أو تُلوّن بطرق متفاوتة في المختبر. تستكشف هذه الدراسة كيف يمكن لجيل جديد من أدوات الذكاء الاصطناعي أن يساعد أخصائيي الأمراض على اكتشاف السرطان بشكل أكثر اتساقًا عن طريق تعليم الحواسيب رؤية الأنماط في شرائح أنسجة الثدي بغض النظر عن كيفية تصويرها.

إدخال النظام إلى صور الميكروسكوب الفوضوية

في المستشفيات والمختبرات الحقيقية، نادرًا ما تبدو شرائح أنسجة الثدي متشابهة تمامًا. يمكن أن تتسبب اختلافات في الأصباغ والإضاءة وإعدادات الماسح الضوئي في تحوّل الألوان من أرجواني داكن إلى وردي فاتح، حتى عندما تكون الأنسجة الأساسية متشابهة. يواجه المؤلفون هذه المشكلة أولاً، قبل تدريب أي نموذج ذكاء اصطناعي. صمموا خط معالجة مكوّنًا من أربع خطوات يعدّل التباين، ويوازن السطوع العام، يصحح الإضاءة غير المتساوية، وأخيرًا يوحّد مظهر صبغة الهيماتوكسيلين–إيوزين الشائعة. من خلال العمل على أكثر من 7,900 صورة من مجموعة بيانات عامة تُسمى BreakHis، يجعل هذا الإجراء بنى الخلايا أوضح والألوان أكثر اتساقًا عبر العينات وعبر أربعة مستويات تكبير قياسية للميكروسكوب.

موازنة الحصص بين العينات السليمة والمسرطنة

المسألة العملية الثانية هي عدم التوازن: تحتوي مجموعة البيانات على صور سرطانية أكثر بكثير من الصور الحميدة. إذا تُرك الأمر دون ضبط، قد يتعلّم نموذج الذكاء الاصطناعي ببساطة أن يصنّف كل شيء على أنه سرطاني ويظل يحقق نتائج جيدة على الورق، بينما يفشل في خدمة المرضى عمليًا. لتجنّب ذلك، يقوم الباحثون بتوسيع فئة العينات الحميدة الممثلة بشكل صناعي باستخدام تحويلات مختارة بعناية تحاكي التباينات في العالم الواقعي. يقلبون الصور، يديرونها، يغيّرون السطوع واللون قليلاً، ويضيفون ضبابية خفيفة — كل ذلك دون تدمير التفاصيل الخلوية الدقيقة التي تهم للتشخيص. بعد هذه الخطوة، تتساوى أمثلة الحميدة والخبيثة عند كل مستوى تكبير، ما يمنح النموذج فرصة عادلة لتعلّم الفئتين.

تعليم مُحوّل لقراءة شرائح الأنسجة

بدلاً من استخدام شبكات التلافيف التقليدية، اعتمد الفريق على محوّل بصري — تصميم اخترع في الأصل لمعالجة اللغة وتم تكييفه لاحقًا للصور. بدلاً من مسح الصورة بمرشحات صغيرة، يقوم المحوّل بتقسيم كل شريحة إلى رقع صغيرة عديدة ويتعلّم كيف ترتبط هذه الأجزاء ببعضها عبر الصورة كاملة. هذا المنظور الشامل ذو قيمة في علم الأمراض النسيجي، حيث يمكن أن تشير أشكال وترتيبات الخلايا وأنماط الأنسجة إلى ما إذا كان الورم حميدًا أو عدوانيًا. يتم تدريب النموذج بشكل منفصل لكل مستوى تكبير (40×، 100×، 200×، 400×)، وتُفحص الأداء مقاييس قياسية مثل الدقة، والمعائة، والاستدعاء، ومصفوفات الارتباك، والتحقق المتبادل لضمان أن النتائج مستقرة وليست مجرد صدف نتيجة تقسيمة تدريب–اختبار موفّقة.

ترك مُحسّن مستوحى من الطبيعة لضبط نموذج الذكاء الاصطناعي

لمحوّلات الرؤية العديد من "المقابض" التي تؤثر بقوة على أدائها: مدى عمق الشبكة، عدد رؤوس الانتباه المستخدمة، حجم التمثيلات الداخلية، مقدار الإسقاط العشوائي (dropout)، ومعدل التعلم. بدلاً من ضبط هذه بالإصلاح والخطأ، يلجأ المؤلفون إلى خوارزمية ميتاهيوريستية تُسمى مُحسّن الذئب الرمادي. مستلهمة من كيفية تنسيق الذئاب لتعقب ومحاصرة الفريسة، تستكشف هذه الخوارزمية تراكيب من الإعدادات وتقترب تدريجيًا من تلك التي تُقلل خطأ التحقق. عند تطبيقها بشكل مستقل لكل مستوى تكبير، تكتشف تهيئات للمحوّل تجعل استخدام الصور المنظّفة والمتوازنة أفضل.

تحسن واضح في الدقة عبر جميع مستويات التكبير

بعد التحسين، يحقق الإطار الموحد — المعالجة المسبقة الواعية للتلطيخ، والموازنة الخاصة بالتكبير، ومحوّلات الرؤية المضبوطة بواسطة الذئب الرمادي — نتائج قوية ومتسقة. تصل دقّة الاختبار إلى حوالي 92% عند أقل تكبير وترتفع إلى 94% عند أعلى تكبير. ومن المهم أن الحالات السرطانية (الخبيثة) تُكتشف باستدعاء أعلى قليلًا من الحالات الحميدة، وهو أمر حاسم لأن تفويت سرطان يسبب ضررًا أكبر بكثير من وضع علامة على عينة حميدة لمراجعة إضافية. تكرار التجارب عبر تحقق متقاطع ذو خمس طيات يظهر تباينًا طفيفًا، ما يوحي بأن النظام يتعلّم دلائل قوية بدلاً من حفظ مجموعة التدريب.

ما الذي قد يعنيه هذا لرعاية السرطان المستقبلية

بعبارات بسيطة، تُظهر الدراسة أنه عندما تُوحد صور الأنسجة بعناية ويُضبط نموذج يعتمد على المحول بذكاء، يمكن لنظام ذكاء اصطناعي أن يميّز بشكل موثوق بين عينات ثدي حميدة وخبيثة عبر مستويات تكبير ميكروسكوبية متعددة. ومع أن العمل ما زال محصورًا في مجموعة بيانات عامة واحدة وقرار ثنائي (سرطان أم لا)، إلا أنه يشير إلى أدوات سريرية قد تساعد أخصائيي الأمراض المثقلين بالعمل من خلال الفرز المسبق للشرائح، وتسليط الضوء على المناطق المشتبه بها، وتقليل حالات السرطان المفقودة. مع تحقق أوسع متعدد المراكز ومزيد من التحسين، يمكن لمثل هؤلاء المساعدين المستقلين عن التكبير أن يصبحوا جزءًا متكاملًا من سير عمل علم الأمراض الرقمي، داعمين تشخيص سرطان الثدي بشكل أسرع وأكثر اتساقًا.

الاستشهاد: Fatma, T., Sahu, P.K., Choudhury, S. et al. Magnification-independent breast cancer diagnosis using a GWO-enhanced vision transformer with multi-stage stain normalization. Sci Rep 16, 11930 (2026). https://doi.org/10.1038/s41598-026-42490-3

الكلمات المفتاحية: علم أمراض أنسجة سرطان الثدي, المحوّل البصري, تطبيع التلطيخ, تصنيف الصور الطبية, تحسين التعلم العميق