التمييز بين سرطان المبيض المخاطي الأولي والنقِيلي من صور الأنسجة المجهريّة باستخدام التعلم العميق

لماذا يهم هذا المرضى والأطباء

عندما يُخبَر الشخص بأنه مصاب بسرطان المبيض، فإن السؤال الحاسم التالي هو أين بدأ السرطان. في نوع شائع يسمى سرطان المبيض المخاطي، قد تكون الأورام في المبيض سرطانات مبدئية حقيقية أو نموات انتقلت من المعدة أو الأمعاء. هاتان الحالتان تتطلبان علاجات مختلفة تمامًا وتحملان توقعات مغايرة، ومع ذلك قد يواجه أخصائيو الباثولوجيا حتى من ذوي الخبرة صعوبة أحيانًا في تمييزهما تحت المجهر. تقدّم هذه الدراسة نظام ذكاء اصطناعي متخصص يقرأ صور المجهر الرقمية ويساعد الأطباء على التفريق بين الاحتمالين بدقة وكفاءة أكبر.

سرطانان متشابهان بصريًا لكن مساراتهما مختلفة

غالبًا ما ينتج عن سرطان المبيض المخاطي أورام كبيرة مملوءة بالمخاط قد تبدو متشابهة للغاية سواء بدأت في المبيض أو وصلت إليه من الجهاز الهضمي. تقليديًا يعتمد الباثولوجيون على مزيج من المؤشرات البصرية في شرائح الأنسجة المصبوغة، وصبغات مختبرية إضافية، وفحوصات تصويرية، والتاريخ السريري. حتى مع هذا التقييم الشامل، قد يبقى التشخيص غير مؤكد، خاصة عندما توجد أورام صغيرة أو مخفية في أجزاء أخرى من الجسم. اقترحت بحوث سابقة قوائم تحقق مبنية على حجم الورم، وما إذا كان متورطًا مبيض واحد أم كلاهما، وأنواع خلايا معينة، لكن هذه القواعد قد تفشل عندما تُحاكي الأورام النقيلية الأورام الأولية في المبيض. قد يؤدي تصنيف ورم نقيلي على أنه بدئي، أو العكس، إلى إجراء جراحة غير مناسبة أو علاج كيماوي خاطئ وإلى نصائح غير دقيقة حول التنبؤ بالمآل.

تعليم الحواسيب قراءة صور الأنسجة

تقدّم الباثولوجيا الرقمية والتعلم العميق طريقًا آخر للتقدم. في هذه الدراسة جمع الباحثون صور مجهرية من 167 مريضًا لديهم أورام مخاطية مبيضيّة موثقة جيدًا من ثلاث مستشفيات. ركزوا على شرائح مصبوغة بالهيماتوكسيلين والأيوزين (H&E) القياسية، وهي جزء من الرعاية الروتينية بالفعل. بنى الفريق نموذج توقُّع منشأ سرطان المبيض المخاطي، أو MOCOPM، الذي يقسم كل شريحة كاملة إلى رقع صغيرة عديدة ويحللها تلقائيًا دون أي معلومات سريرية إضافية. جربوا عدة تصميمات للشبكات العصبية ووجدوا أن نموذجًا رسوميًا أحدث، مستوحًى من طريقة تكبير الباثولوجيين وتغاضيهم عبر مستويات تكبير مختلفة، أعطى أفضل أداء. يربط هذا النموذج الرقع عبر ثلاث مستويات تكبير، مما يسمح له بالتقاط كلٍ من التفاصيل الخلوية الدقيقة وأنماط النمو الأوسع.

مدى أداء الذكاء الاصطناعي في ظروف العالم الواقعي

تدرّب MOCOPM أولًا وتم تقييمه باستخدام حالات من مستشفى إحالة كبير، حيث تكون الأورام الصعبة والنادرة شائعة. في هذه المجموعة الداخلية، فرّق النموذج بدقة عالية بين الأورام الأولية والأورام النقيلية من الجهاز الهضمي، كما يعكس ذلك المساحة تحت منحنى خاصية التشغيل المستقبلية (AUC) بقيمة 0.91. ثم اختبر الباحثون النظام بصور من مستشفيين إضافيين، حيث أُعدت الشرائح بشكل مستقل وكانت الحالات عمومًا أبسط. هنا قدم النموذج أداءً أفضل، بمساحة تحت المنحنى 0.96 وبدرجات قوية للدقة والاستدعاء. كما حافظ على الأداء عند اختباره على مجموعة بيانات عامة منفصلة لأورام مخاطية مبيضيّة أولية من مجموعة بحثية أخرى، مما يشير إلى أن النهج متين نسبيًا عبر مصادر مختلفة.

استكشاف «الصندوق الأسود»

نظرًا لأن أدوات الذكاء الاصطناعي قد تبدو غامضة، استخدم الباحثون تقنية تفسير تسمى GNNExplainer لإبراز المناطق في كل شريحة التي أثّرت أكثر على قرارات النموذج. في غالبية الحالات المصنفة بشكل صحيح التي فحصوها، تداخلت المناطق المظللة مع سمات يستخدمها الخبراء البشريون بالفعل، مثل تجمعات خلايا «خاتم الخاتم» المميزة، وأنماط غزو خلايا الورم للنسيج المحيط، ومزيج من مكونات حميدة وحدية الحد وحدية الخباثة بوضوح. يقترح هذا التداخل أن النظام لا يكتفي بالتقاط شذوذات بصرية غير ذات صلة، بل يلتقط أنماطًا ذات معنى سريريًا. من المهم أن MOCOPM يحتاج فقط إلى شرائح H&E الروتينية، مما قد يوفر الوقت والتكلفة بتقليل الحاجة إلى دفعات كبيرة من الصبغات الإضافية.

ماذا قد يعني هذا للرعاية المستقبلية

يؤكد المؤلفون أن MOCOPM غير مخصّص ليحل محل الباثولوجيين، بل ليعمل كأداة دعم قرار. في بيئات مزدحمة أو محدودة الموارد، يمكنه تمييز الحالات المعقدة، وتوجيه الخبراء نحو مناطق مشبوهة على الشريحة، وتقديم تدقيق إضافي قبل إتمام التشخيص النهائي. للدراسة حدودها: هذا النوع من السرطان نادر، وحجم العينة محدود، ولم تُدرج الأورام النقيلية من مواقع غير معوية. هناك حاجة إلى دراسات أكبر ومسبقة لتقييم النظام قبل دمجه في الممارسة اليومية. ومع ذلك، تُظهر هذه العملة أن الذكاء الاصطناعي المصمم بعناية يمكن أن يساعد في أحد أصعب الفروقات في سرطان المبيض، مما يساعد على ضمان تلقي المرضى لعلاج يتناسب مع المكان الذي بدأ فيه السرطان فعليًا.

الاستشهاد: Zhang, MY., Liu, B., Qin, ZJ. et al. Distinction between primary and metastatic mucinous ovarian carcinoma from histopathology images using deep learning. npj Digit. Med. 9, 276 (2026). https://doi.org/10.1038/s41746-026-02459-y

الكلمات المفتاحية: سرطان المبيض المخاطي, الباثولوجيا الرقمية, التعلم العميق, الشبكة العصبية الرسومية, تشخيص السرطان