نموذج تعلم عميق قابل للتفسير للتنبؤ بالتصنيفات الجزيئية لسرطان البطانة من شرائح ملطخة بـH&E

لماذا يهم هذا لصحة النساء

يعد سرطان بطانة الرحم، الذي يبدأ في الغشاء المبطن للرحم، أحد أكثر السرطانات شيوعًا لدى النساء، ومعدل الوفيات منه في ارتفاع على مستوى العالم. يعرف الأطباء اليوم أن هذا السرطان يتواجد بالفعل في عدة «أنواع» جزيئية تستجيب بشكل مختلف للجراحة والإشعاع والعلاج الكيميائي والعلاجات المناعية الحديثة. عادةً ما يتطلب تحديد هذه التصنيفات الجزيئية اختبارات جينية مكلفة وتستغرق وقتًا طويلاً، ولا تستطيع العديد من المستشفيات تقديمها بسهولة. تستكشف هذه الدراسة ما إذا كان نظام ذكاء اصطناعي مصممًا بعناية قادرًا على قراءة شرائح علم الأمراض الروتينية — صور الأنسجة الوردية والبنفسجية المأخوذة بالفعل لكل مريضة — واستنتاج هذه التصنيفات الجزيئية بدقة، مما قد يتيح توفير رعاية دقيقة على نطاق أوسع.

نظرة أقرب على تنوع الأورام

ليست كل سرطانات بطانة الرحم متشابهة في سلوكها. بعضها ينمو ببطء ويظل محصورًا في الرحم؛ بينما البعض الآخر ينتشر مبكرًا ويكون أصعب في العلاج. تقسم الإرشادات الحديثة هذه الأورام إلى أربع تصنيفات جزيئية اعتمادًا على التغيرات في الحمض النووي وكيفية إصلاح الخلايا للتلف الجيني. تساعد هذه الفئات في التنبؤ بالنتيجة وتوجيه قرارات مثل مدى شمولية الجراحة وما إذا كانت المريضة قد تستفيد من العلاج المناعي. ومع ذلك، فإن الاختبارات الجينية والأصباغ الخاصة المطلوبة مكلفة وتعتمد على تفسير الخبراء وغالبًا ما تكون غير متوفرة في المستشفيات الصغيرة أو محدودة الموارد. لطالما اشتبه أخصائيو علم الأمراض أن العديد من هذه الاختلافات الجزيئية تترك دلائل بصرية في مظهر الخلايا والنسيج الداعم تحت المجهر — لكن هذه الدلائل قد تكون دقيقة ومعقدة جدًا بحيث لا يستطيع العين البشرية تقييمها بشكل متسق.

تعليم الحاسوب قراءة شرائح علم الأمراض

جمع الباحثون صورًا رقمية لـ364 شريحة نسيجية مأخوذة من 324 امرأة عولجن في مركز سرطان رئيسي في شنغهاي، إلى جانب مجموعتين مستقلتين للمقارنة: 296 شريحة من مجموعة بيانات عامة دولية و36 من مستشفى آخر في سوتشو. كانت كل حالة قد حُددت بالفعل كواحدة من التصنيفات الجزيئية الأربع باستخدام اختبارات جينية متقدمة. قطع الفريق كل صورة شريحة كاملة إلى آلاف البلاطات الصغيرة ودرب نموذج تعلم عميق — وهو نوع من الذكاء الاصطناعي مستخدم في تعرف الصور — ليفحص كل بلاطة ويقدّر مدى احتمال انتمائها لكل تصنيف. من خلال متوسط توقعات البلاطات عبر الشريحة بأكملها، أنتج النظام توقع تصنيف واحد لكل مريضة، مما يعكس إلى حد كبير الطريقة التي يفكر بها الأطباء في الورم ككل.

مدى أداء النظام

في المجموعة الرئيسية في شنغهاي، حقق النظام الذكي مستوى عالٍ من الدقة: كانت درجته الإجمالية في تمييز بين التصنيفات الأربع (مقاسة بإحصائية معيارية تتراوح من 0.5 للتخمين إلى 1.0 للفصل التام) حوالي 0.87. ظل الأداء قويًا — حوالي 0.84 — عند اختباره على المجموعتين الخارجيتين المأخوذتين من مستشفيات وأنظمة مسح شرائح مختلفة، مما يشير إلى أن النهج متين إلى حد معقول. بالمقارنة مع عدة استراتيجيات ذكاء اصطناعي رائدة تستخدم مخططات انتباه أو تجميع أكثر تعقيدًا، أدى هذا النموذج الشامل المبني على بنية حديثة لتحليل الصور أداءً أفضل عمومًا. والأهم أن المؤلفين صمموا النظام ليكون قابلًا للتفسير: استخدموا أدوات تصوير لتسليط الضوء على المناطق الدقيقة في كل بلاطة التي اعتمد عليها الذكاء الاصطناعي في قراراته.

ما «رآه» الذكاء الاصطناعي في بيئة الورم الميكروية

لفهم الخصائص التي دفعت التنبؤات، ربط الفريق خرائط الحرارة الناتجة عن الذكاء الاصطناعي بالملاحظات التقليدية لعلم الأمراض وبقياسات مفصلة لشكل وترتيب الخلايا الفردية. أظهرت الأورام في أحد التصنيفات تسللًا كثيفًا للخلايا المناعية في النسيج الداعم، في حين كان تصنيف آخر يميل إلى وجود خلايا بنيوية متقاربة بإحكام. عرضت مجموعة ثالثة صفائح صلبة أكثر من خلايا ورمية شاذة بشدة، وكان التصنيف المرتبط بالسلوك العدواني يظهر هياكل حليمية شبيهة بالأصابع ونوى غير منتظمة جدًا. من خلال تقسيم وتحليل نحو 245 مليون خلية، قام الباحثون بتكميم الاختلافات في حجم الخلية والتباين والتباعد، وأظهروا كيف تتوافق مجموعات معينة مع تصنيفات محددة. تدعم هذه النتائج الفكرة القائلة بأن الاختلافات الجزيئية تترك بصمة قابلة للتعرف في بنية الأنسجة يمكن للآلات اكتشافها منهجيًا.

من إثبات المفهوم إلى مساعدة سريرية

لا تهدف هذه العمل إلى استبدال الاختبارات الجينية؛ بل تقترح أداة فرز «H&E أولاً» تستخدم الصبغة القياسية المحضرة بالفعل لكل خزعة. في التطبيق العملي، قد يساعد خريطة احتمالات التصنيف المولدة آليًا أخصائيي علم الأمراض في تقرير أي الاختبارات التأكيدية ينبغي طلبها أولًا، وإعطاء أولوية للنسيج المحدود لأكثر الفحوص إخبارية، وتسريع قرارات العلاج، لا سيما في المستشفيات التي يصعب فيها الحصول على تصنيف جزيئي كامل. كما تبرز الدراسة الحدود الحالية، مثل انخفاض الأداء للتصنيف النادر والحاجة إلى مجموعات بيانات أكبر وأكثر تنوعًا قبل النشر. ومع ذلك، تقدم الدليل مقنعًا على أن صور المجهر الروتينية تحمل معلومات مخفية كافية لتمكين الذكاء الاصطناعي من تقريبات للعناوين الجزيئية المعقدة، فاتحةً طريقًا نحو رعاية أكثر عدلاً ومعتمدة على البيانات للنساء المصابات بسرطان بطانة الرحم.

الاستشهاد: Guo, Q., Cui, H., Zhang, Y. et al. An interpretable deep learning model for predicting endometrial cancer molecular subtypes from H&E-stained slides. npj Precis. Onc. 10, 71 (2026). https://doi.org/10.1038/s41698-026-01280-w

الكلمات المفتاحية: سرطان بطانة الرحم, علم الأمراض الرقمي, التعلم العميق, التصنيفات الجزيئية, طب دقيق