تقييم شامل لقدرة نماذج تقسيم الأنسجة النسيجية على التعميم عبر السرطانات عبر 21 نوع ورم

مساعدون أذكى في تشخيص السرطان

الأطباء الذين يدرسون الأنسجة تحت المجهر يعتمدون بشكل متزايد على برامج حاسوبية لاكتشاف السرطان وقياسه بدقة. لكن بناء أداة منفصلة لكل نوع سرطاني يستغرق شهورًا من العمل الخبير. تطرح هذه الدراسة سؤالًا بسيطًا ذا أثر عملي كبير: هل يمكن إعادة استخدام أداة عالية الجودة مُدَرَّبة على سرطان واحد بأمان على العديد من الأنواع الأخرى، موفرةً الوقت ومسرِّعةً الوصول إلى المساعدين الرقميين في العيادات الحقيقية؟

لماذا تهم تمييز السرطان على الشرائح

عندما ينظر أخصائي علم الأمراض إلى شريحة نسيجية، لا يكتفي فقط بطرح سؤال ما إذا كان السرطان موجودًا. بل يرسم بعناية حدود الورم والأنسجة السليمة المحيطة، يقيم كيفية ترتيب الخلايا، ويقيس سمات مثل النسيج الندبي والمناطق الميتة والخلايا المناعية. يمكن للذكاء الاصطناعي الحديث تقليد هذه العملية عبر تلوين كل بكسل من الشريحة بحسب ما يحتويه. يدعم هذا التعيين على مستوى البكسل الأبحاث حول كيفية نمو الأورام، ويساعد على قياس أنماط دقيقة يصعب على البشر قياسها، ويمكن أن يغذي اختبارات جديدة تربط بنية الأنسجة بالبيانات الجينية أو استجابة الأدوية.

تحدي نموذج واحد لكل سرطان

إنشاء مثل هذه الأدوات التفصيلية بطيء ومتطلب. يجب على الخبراء رسم حدود دقيقة للورم والأنسجة المحيطة على العديد من الصور الكبيرة، وهي مهمة قد تستغرق عدة ساعات لكل حالة. لكل نوع سرطان جديد، عادةً ما يتم تدريب نموذج جديد ثم اختباره من حيث الأمان والدقة، غالبًا على مدار سنوات وعبر مستشفيات متعددة. مع وجود عشرات الأنواع الشائعة من الأورام، يصبح نهج «نموذج واحد لكل سرطان» عنق زجاجة حقيقيًا. يقيّد ذلك سرعة إدخال الذكاء الاصطناعي إلى الرعاية الروتينية ويصعّب بناء أنظمة قابلة للاستخدام على نطاق واسع.

اختبار ما إذا كانت النماذج تعبر حدود السرطانات

استخدم الباحثون خمسة نماذج تقسيم أنسجة موجودة كانت قد دُربت أصلاً على سرطانات الثدي والقولون والرئة والكلى والبروستاتا. طبقوها على أكثر من 7700 شريحة رقمية من 21 نوع ورم مختلفة جُمعت ضمن مشروع أطلس الجينوم للسرطان (The Cancer Genome Atlas). لكل شريحة، اختار أخصائي علم الأمراض منطقة كبيرة غنية بالورم، وعند الإمكان منطقة واحدة من نسيج حميد. قامت النماذج بتلوين كل بكسل في هذه المناطق بحسب نوع النسيج. ثم قيَّم الأطباء مدى نجاح كل نموذج في فصل الورم عن نسيجه الداعم على مقياس بسيط من 0 إلى 10، حيث تعني الدرجات الأعلى حدودًا أكثر دقة وهياكل مفقودة أقل.

أي النماذج تنقل أفضل عبر السرطانات

كان نموذج الرئة الأكثر فائدة على نطاق واسع. في المتوسط سجل حوالي 8 من 10 عبر جميع أنواع الأورام، ووصل إلى جودة «ممتازة» في أكثر من نصف أنواع السرطان غير الرئوية التي اختُبرت، بما في ذلك أورام المبيض، وأورام قنوات المرارة، وسرطان الغدة الدرقية، وعدة سرطانات مبنية من خلايا مسطحة قشريات. في كثير من هذه الحالات، كانت أداؤه مطابقًا لما لوحظ في شرائح الرئة الأصلية. عملت نماذج الثدي والقولون جيدًا أيضًا على العديد من السرطانات الأخرى، وإن لم تكن بالانتشار نفسه الذي أبداه نموذج الرئة. تعممت نماذج الكلى والبروستاتا بدرجة أقل، لأن تلك الأورام عادةً ما تكون ذات أشكال أكثر خصوصية، خصوصًا بالنسبة للأورام التي تبدو خلاياها مختلفة جدًا تحت المجهر.

الأنماط التي تفسر التعميم الجيد

أظهرت الدراسة أن النجاح أو الفشل يتبعان إلى حد كبير مدى تشابه أشكال الخلايا وأنماط النمو بين الأورام. على سبيل المثال، نموذج الرئة، الذي تعلَّم كلًا من نمو الغدد والنمو القشري في سرطانات الرئة، عمل جيدًا على سرطانات قشرية في الرأس والعنق وعنق الرحم والمريء. أثبت نموذج الثدي، المدرب لاكتشاف الخلايا المنفردة المتناثرة في نوع فرعي يُدعى سرطان الفص الغزوي، فعاليته على سرطانات المعدة المنتشرة المصنوعة من تجمعات خلوية صغيرة ومتناثرة مماثلة. بالمقابل، كانت الأورام ذات المظاهر غير الاعتيادية، مثل العديد من سرطانات الكلى والورم الميلانيني، أصعب على جميع النماذج. ومع ذلك، غالبًا ما أنتجت الأدوات حدودًا مفيدة في المناطق الحميدة، مثل الغدد الطبيعية أو التغيرات ما قبل السرطانية المبكرة، والتي يمكن إعادة استخدامها في تدريبات مستقبلية.

مسارات أسرع لأدوات سريرية جديدة

نظرًا لأن عدة نماذج تعمل بالفعل جيدًا على سرطانات لم تُرَ لها أثناء التدريب، فيمكن استخدامها كـ«أدوات بداية» بدلاً من إجبار الخبراء على وسم كل شيء من الصفر. يوضح المؤلفون طرقًا عملية: استخدام نموذج قوي مباشرة دون إعادة تدريب لبعض الدراسات، استخدام ناتجه كمسودة أولية يصححها الأطباء بسرعة، أو تحويل مجموعات بيانات قديمة وخشنة إلى خرائط بكسلية دقيقة بدمج تسميات رقع مع هذه التقسيمات. في الحالات المواتية، يمكن أن يقلل هذا من الوقت اللازم لبناء نموذج جديد من أكثر من عام إلى أقل من أسبوع. بالنسبة للمرضى، قد يعني هذا أن ذكاءً اصطناعيًا دقيقًا وقابلًا للتفسير يدعم التشخيص واكتشاف العلامات الحيوية عبر العديد من السرطانات في وقت أقرب وبجهد مكرر أقل.

ما يعنيه هذا لرعاية السرطان في المستقبل

للقارئ العادي، الرسالة الأساسية هي أن نفس البرنامج الذكي المستخدم لتتبع أورام الرئة يمكن غالبًا إعادة استخدامه لرسم ملامح العديد من السرطانات الأخرى دون البدء من الصفر. تقلل هذه إعادة الاستخدام الجزء الأبطأ في بناء النماذج، وهو الرسم اليدوي الدقيق من قبل الخبراء، وتساعد الباحثين على التركيز على اختبار وتحسين الأدوات بدلاً من إعادة رسم نفس الأنماط مرارًا وتكرارًا. إذا تم تطويرها أكثر إلى أنظمة «لكل السرطانات» حقيقية، قد تصبح مثل هذه نماذج التقسيم طبقة معيارية في علم الأمراض الرقمي، موفرة خرائط متسقة للورم والأنسجة المحيطة تغذي دراسات أفضل، وتقارير أوضح، وفي النهاية قرارات سريرية أكثر اطلاعًا.

الاستشهاد: Bedau, T., Harder, C., Al-Shughri, A. et al. Comprehensive evaluation of cross cancer generalization in histopathology segmentation models across 21 tumor types. Commun Med 6, 302 (2026). https://doi.org/10.1038/s43856-026-01601-x

الكلمات المفتاحية: علم الأمراض الحاسوبي, تقسيم السرطان, التعلم العميق, الهيستولوجيا الرقمية, نماذج عابرة للسرطانات