التعلّم العميق لتوقُّع معدلات الحوادث وتقييم مخاطر الإشعاع للأورام الصلبة

لماذا يهم هذا في حياتنا اليومية

نحن جميعاً نتعرض لمستويات منخفضة من الإشعاع عبر الفحوصات الطبية، الرحلات الجوية، والبيئة. تستخدم الجهات المنظمة نماذج لتقدير مدى زيادة احتمالات إصابتنا بالسرطان بسبب هذا الإشعاع. تسأل هذه الدراسة ما إذا كان الذكاء الاصطناعي الحديث، وبخاصة التعلّم العميق، قادرًا على تحسين هذه التقديرات مقارنةً بالمعادلات التقليدية التي وجهت قواعد السلامة لعقود.

مجموعة بيانات بشرية طويلة الأمد وفريدة

تركز البحث على دراسة مدى الحياة (Life Span Study)، وهي تحقيق طويل الأمد يشمل أكثر من 100000 ناجٍ من انفجاري هيروشيما وناغازاكي. بالنسبة لكل مجموعة فرعية من الناجين، يعلم العلماء مقدار الإشعاع الذي تعرّضوا له، ومدة المتابعة، وعدد الأورام الصلبة التي وقعت. يستخدم المؤلفون جدول سنوات-شخص (person-year)، الذي يلخّص حالات السرطان والزمن المعرض للخطر عبر تراكيب العمر، العمر عند التعرض، الجنس، المدينة، والجرعة. لقد كانت هذه المجموعة الغنية من البيانات العمود الفقري لإرشادات الحماية من الإشعاع على مستوى العالم، مما يجعلها أرضية اختبار مثالية لنهج نمذجة جديدة.

القواعد القديمة مقابل آلات التعلم الجديدة

تُقدَّر مخاطر الإشعاع في هذا التجمع عادةً بنماذج تُسمى بارامتريّة. تعتمد هذه على صيغ رياضية مختارة مسبقًا تصف كيف ينبغي أن يتغير الخطر مع الجرعة والعمر وعوامل أخرى. هي شفافة ويسهل تفسيرها إلى حد بعيد، لكنها قد تكون خاطئة إذا لم تطابق الصيغ المختارة الأنماط الحقيقية في البيانات. بالمقابل، تتعلم الشبكات العصبية العميقة العلاقات مباشرةً من البيانات عبر طبقات متعددة من "الوحدات" المتصلة، دون افتراض شكل رياضي محدد لمنحنى الاستجابة للجرعة. بنى المؤلفون شبكة عصبية تقبل ستة مدخلات — مقياسان للعمر، الجنس، المدينة، موقع التواجد وقت الانفجار، والجرعة — وتتنبأ بمعدلات حدوث الأورام لكل خلية في جدول سنوات-الشخص.

ما مدى دقة التعلّم العميق في توقع معدلات السرطان؟

قارن الفريق أربعة نماذج: نموذج "صفر" مبني على المتوسط البسيط، نموذج خطي قياسي، نموذج بارامتري تقليدي لمخاطر الإشعاع، والشبكة العصبية العميقة. باستخدام التحقق المتقاطع المتكرر، قيّموا الأداء بعدة مقاييس خطأ معيارية. قدمت الشبكة العصبية أدنى خطأ عبر جميع المقاييس، لكن تحسّنها كان طفيفًا فقط مقارنةً بالنموذج البارامتري المتطور. كلا النمذجَين المتقدّمين طابقا معدلات الأورام المرصودة عبر فئات العمر ومعظم فئات الجرعة بشكل وثيق، رغم أن كلًّا منهما أظهر تفاوتات أكبر عند أعلى الجرعات والأعمار المتقدمة جدًا. بعبارة أخرى، لم يتفوّق التعلّم العميق تفوقًا كبيرًا على أفضل نموذج تقليدي من حيث التنبؤ بعدد الأورام، لكنه كان على الأقل بنفس الكفاءة وغالبًا أفضل قليلًا، مع ثمن يتمثل في وقت حسابي وتعقيد أكبر بكثير.

صور مختلفة لكيفية تكوّن خطر الإشعاع

برز الاختلاف الأكثر أهمية عندما فحص المؤلفون مخاطر النسبة الزائدة (ERR)، وهي طريقة شائعة للتعبير عن مدى تضاعف مخاطر السرطان الأساسية بسب الإشعاع. باستخدام شبكتهم العصبية، قدّروا ERR لكل خلية بمقارنة معدلات الأورام المتنبأ بها مع وبدون جرعة الإشعاع، مع إبقاء العوامل الأخرى ثابتة. على الرغم من أن الشبكة العصبية والنموذج البارامتري تنبآ بأعداد أورام مماثلة، اختلفت قيم ERR الناتجة بشكل ملحوظ عبر نطاق الجرعات: كان النموذج البارامتري يميل إلى إعطاء تقديرات ERR أعلى وأكثر انتشارًا. لاستكشاف السبب، طبّق الباحثون قيم SHAP، وهي طريقة قائمة على نظرية الألعاب تُنسب لكل متغير مدخل مساهمة في تنبؤات النموذج. بالنسبة لمعدلات الأورام الإجمالية، اتفق النموذجان على أن العمر الحالي، العمر عند التعرض، الجرعة، والجنس كانت المؤثرات الأكثر أهمية. لكن بالنسبة لـERR، أبرزت الشبكة العصبية الجرعة الإشعاعية كالعامل المهيمن مع دور داعم أصغر للعمر، بينما نسب النموذج البارامتري دورًا أقوى بكثير للعمر عند التعرض والعمر الحالي بسبب الطريقة التي صيغت بها معادلته مسبقًا.

الحدود، التحديات، والاستخدامات المستقبلية

تؤكّد الدراسة أن التعلّم العميق، رغم مرونته، يظل "صندوقًا أسود" لكثير من المستخدمين. فهو لا يوفر بطبيعته أرقامًا ملخّصة بسيطة — مثل "زيادة الخطر لكل وحدة جرعة" — التي اعتادت الجهات المنظمة الاعتماد عليها، وتقدير نطاقات عدم اليقين لتنبؤاته أمر تقنيًا صعب، لا سيما عند استخدام بيانات مجمّعة على شكل سنوات-شخص. قد تُفرط النماذج أيضًا في ملاءمة الشوائب الدقيقة في البيانات إذا لم تُراقَب بعناية، وتحتاج إلى طاقة حوسبية أكبر بكثير من النهج التقليدية. يجادل المؤلفون بأن التعلّم العميق لا ينبغي أن يحل محل النماذج البارامتريّة المصممة جيدًا، بل يمكن أن يكون رفيقًا قويًا: يمكنه كشف أنماط غير خطية أو تفاعلات مخفية واقتراح أشكال دالية أفضل لنماذج أبسط تظل أسهل في الشرح والتنظيم.

ماذا يعني هذا لسلامة الإشعاع

بالنسبة للقارئ العام، الخلاصة أن أدوات الذكاء الاصطناعي الحديثة قادرة على مضاهاة أو تحسين الطرق التقليدية قليلاً عند توقع معدلات السرطان المرتبطة بالإشعاع في مجموعة بيانات بشرية رئيسية. ومع ذلك، قد تعطي صورة مختلفة عن العوامل الأكثر أهمية، لا سيما قوة تأثير العمر في تشكيل مخاطر الإشعاع. بدلاً من قلب المعرفة القائمة، يبرز هذا العمل كيف أن اختيار النموذج يمكن أن يحوّل الأهمية الظاهرة للجرعة مقابل العمر ويدعو لدمج التعلّم العميق مع نماذج شفافة موجهة من الخبراء. على المدى الطويل، قد يدعم مثل هذا النهج الهجين إرشادات حماية من الإشعاع أكثر دقة وموثوقية للرعاية الطبية ومواقع العمل والبيئة.

الاستشهاد: Liu, Z., Nakamizo, T., Misumi, M. et al. Deep learning for incidence rate prediction and radiation risk assessment of solid tumors. Sci Rep 16, 10577 (2026). https://doi.org/10.1038/s41598-026-46756-8

الكلمات المفتاحية: مخاطر الإشعاع, التعلّم العميق, حدوث السرطان, ناجون من القنبلة الذرية, نمذجة المخاطر