التعلّم العميق لتنبؤ الخباثة ومنشأ الورم باستخدام صور الشرائح الكاملة في علم الخلايا أو علم الأمراض النسيجي

لماذا تهم السوائل حول الرئتين والبطن

عندما تتجمع السوائل حول الرئتين (انصباب جنبي) أو في البطن (استسقاء)، قد يكون ذلك علامة مبكرة على انتشار السرطان. يفحص الأطباء هذه السوائل تحت المجهر بحثًا عن خلايا سرطانية، لكن العمل دقيق وقد يختلف الخبراء أحيانًا في التقييم. تصف هذه الدراسة نظام ذكاء اصطناعي جديدًا يستطيع مسح الشرائح الرقمية الكاملة لهذه السوائل، والمساعدة في تقرير ما إذا كان هناك سرطان، وحتى اقتراح المكان المحتمل لبدء الورم في الجسم.

تحويل شرائح المجهر إلى خرائط رقمية

تستطيع مختبرات علم الأمراض الحديثة مسح الشرائح الزجاجية إلى صور رقمية فائقة الدقة، تحتوي كل منها على ملايين الخلايا. استخدم الباحثون هذه الصور الكاملة من نوعين من التحضيرات: مسحات رقيقة للخلايا و"كتل خلوية" مدمجة تشبه عينات صغيرة من النسيج. ركزوا على سوائل الصدر والبطن المجمعة في مستشفى رئيسي، إلى جانب عينات نسيجية إضافية من قاعدة بيانات دولية واسعة للسرطان. وبما أنّ وضع علامات يدوية على كل خلية سرطانية أمر مستحيل على هذا النطاق، بنى الفريق طريقة تتعلّم من ملصقات على مستوى الشريحة مثل "خبيث" أو "حميد" دون الحاجة إلى شروح مفصّلة.

ذكاء اصطناعي يعلّم نفسه ما الذي يبحث عنه

يجمع النظام، المسمي MAMILE‑UNI، بين فكرتين أساسيتين. أولاً، يقسم كل شريحة إلى رقع صغيرة عديدة ويمرّرها عبر شبكة "ترانسفورمر" قوية تم تدريبها مسبقًا، دون تسميات بشرية، على ملايين صور علم الأمراض. تتيح خطوة التدريب الذاتي هذه للنموذج اكتشاف أنماط بصرية مفيدة — مثل تكتلات الخلايا وملمس النسيج — بشكل مستقل. ثانيًا، يتعلّم مكوّن اهتمام (Attention) أي الرقع على الشريحة هي الأكثر أهمية للتشخيص، مقلّدًا فعليًا طريقة مسح اختصاصي علم الأمراض للمناطق المشتبه بها. تُبرز الرقع التي تؤثر بقوة على القرار، ما ينتج خرائط حرارية تُظهر أين "نظر" الخوارزم عند تصنيف الشريحة على أنها سرطانية أو لا.

كشف السرطان في سوائل الصدر والبطن

قيّم الفريق أداء MAMILE‑UNI على 1,250 شريحة سائلة من انصبابات جنبية واستسقاءات. بالمقارنة مع خمس طرق تعلم عميق رائدة، كان النظام الجديد أكثر دقة باستمرار. بالنسبة للانصباب الجنبي، ميز بشكل صحيح بين الشرائح الخبيثة والحميدة بنحو 9 من كل 10 حالات لكل من المسحات والكتل الخلوية. وللاستسقاء، حقق دقة مماثلة وكان قويًا بشكل خاص في الحفاظ على كل من الحساسية العالية (الكشف عن السرطانات الحقيقية) والخصوصية العالية (تجنب الإنذارات الكاذبة). أظهرت الاختبارات الإحصائية أن توقعاته تطابقت عن كثب مع التشخيصات الحقيقية وكانت أفضل بشكل ملحوظ من نماذج الذكاء الاصطناعي المنافسة. والأهم من ذلك، بقي النظام موثوقًا حتى عندما كانت الخلايا السرطانية نادرة على الشريحة، وهي حالة تشكل تحديًا متكررًا للقارئين البشريين.

تتبع مصدر السرطان

بعيدًا عن مجرد الإشارة إلى الخباثة، تساءل المؤلفون عما إذا كان بإمكان الذكاء الاصطناعي استنتاج المكان الذي بدأ منه الورم النقيلي — وهو تحدٍّ كبير عندما يكون الموقع الأساسي غير معروف. باستخدام مسحات الخلايا من الانصبابات والاستسقاء، تعلّم النموذج تصنيف الشرائح إلى مجموعات أصل واسعة مثل الرئة والثدي والجهاز الهضمي أو الأعضاء النسائية. كان دقيقًا بشكل خاص في حالات سرطانات الرئة والثدي، بينما كان الأداء أكثر تواضعًا للأورام النادرة أو المتباينة بصريًا. لاختبار العمومية، طبّق الباحثون أيضًا MAMILE‑UNI على 1,196 مقطعًا نسيجيًا من 69 مستشفى حول العالم. على هذه شرائح النسيج، حدّد النظام منشأ الورم بدقة عالية لافتة، مقتربًا من اتفاق شبه كامل مع التشخيصات المرجعية.

السرعة والكفاءة ودعم الأطباء

غالبًا ما يقضي اختصاصيو علم الأمراض ما لا يقل عن عشر دقائق في مراجعة شريحة خلوية رقمية واحدة بعناية. بالمقابل، يستطيع MAMILE‑UNI معالجة شريحة كاملة وإرجاع توقع في أقل من دقيقتين على بطاقة رسومات قياسية، بعد ضغط الصور التي تصل إلى غيغابايت إلى مجموعات ميزات مضغوطة. أظهرت التقييمات المستندة إلى منحنيات أن النموذج يميل إلى ترتيب الحالات الخبيثة الحقيقية بالقرب من أعلى قائمة أولوياته، ويقدم توازنًا مفيدًا بين المنافع والأضرار عبر مستويات القرار المختلفة، وينتج درجات احتمالية تتوافق جيدًا مع النتائج الواقعية. تداخلت خرائط الاهتمام بشكل وثيق مع المناطق التي يحدّدها اختصاصيو علم الأمراض الخبراء، مما يشير إلى أن تركيز الذكاء الاصطناعي ذو معنى سريري وليس عشوائيًا.

ماذا يعني هذا للمرضى والأطباء

بالنسبة للمرضى الذين لديهم سائل في الصدر أو البطن، يحدد التشخيص السريع والدقيق خيارات العلاج إلى حد كبير، ومع ذلك قد تكون الاختبارات الحالية بطيئة وذاتية ومكلفة. تُظهر هذه الدراسة أن نظام ذكاء اصطناعي مصمّم بعناية يمكنه فحص الشرائح الرقمية للسائل والنسيج بدقة للبحث عن علامات السرطان وتقديم تلميحات حول مكان بداية المرض، مع استخدام موارد حوسبة متواضعة. يؤكد المؤلفون أن MAMILE‑UNI ليس بديلاً لأطباء علم الأمراض، بل أداة دعم قد تقلّل عبء العمل، وتحسّن الاتساق، وتوسّع الوصول إلى تشخيصات سرطانية عالية الجودة — لا سيما في البيئات التي تفتقر إلى الخبرة المتخصصة والاختبارات المخبرية المتقدمة.

الاستشهاد: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

الكلمات المفتاحية: الذكاء الاصطناعي في علم الخلايا, انصباب جنبي, استسقاء بطني, تنبؤ منشأ الورم, علم الأمراض الرقمي