دراسة: تدريب الذكاء الاصطناعي على طريقة الأطباء يعزز اكتشاف السرطان

كشفت دراسة حديثة أن تدريب أنظمة الذكاء الاصطناعي على تقليد الطريقة التي يتبعها أطباء علم الأمراض في فحص عينات الأنسجة قد يعزز قدرتها على رصد المناطق المشتبه بإصابتها بالسرطان.

وأوضحت الدراسة أن العديد من أنظمة الذكاء الاصطناعي المستخدمة في علم الأمراض تعتمد على تقسيم شرائح الأنسجة إلى أجزاء ثابتة وتحليلها، بينما يتبع الأطباء نهجاً أكثر مرونة يبدأ بفحص الشريحة بصورة عامة، ثم الانتقال بين مستويات التكبير المختلفة والتركيز تدريجياً على المناطق غير الطبيعية.

وتكتسب هذه الآلية أهمية خاصة بسبب ضخامة حجم شرائح الأنسجة الرقمية، التي قد تضم مليارات البكسلات، في حين يمكن أن تكون العلامات الدالة على الإصابة بالسرطان محصورة في مساحة صغيرة للغاية.

وشبه تشي هوانغ، الأستاذ المساعد في علم الأمراض وطب المختبرات بجامعة بنسلفانيا وأحد المشاركين في الدراسة، طريقة الطبيب بمروحية تبحث عن أشخاص مفقودين، إذ يبدأ الطبيب بمسح المنطقة كاملة قبل الانتقال إلى فحص التفاصيل الدقيقة.

وجمع الباحثون بيانات من ثمانية أطباء متخصصين في علم الأمراض، وسجلوا تحركاتهم داخل الشرائح ومستويات التكبير التي اعتمدوها أثناء البحث عن المناطق المشبوهة، وبعد ذلك، استبعدوا الحركات العرضية وركزوا على السلوكيات التي تعكس اهتمام الطبيب بمنطقة محددة، مثل التوقف لفترة أطول أو إعادة فحص المكان أكثر من مرة.

وقارن الفريق هذه البيانات ببيانات تتبع حركة العين للتأكد من أن النظام يتعلم المناطق التي ركز عليها الأطباء فعلياً، كما طلب من نموذج الذكاء الاصطناعي تقديم تفسير موجز لأسباب أهمية كل منطقة، مع إتاحة إمكانية قبول الأطباء للتفسير أو تعديله أو رفضه.

وبناءً على هذه البيانات، طور الباحثون نظاماً أطلقوا عليه اسم "Pathology-o3"، يبدأ بفحص الشريحة بدقة منخفضة، ثم يحدد المناطق التي تستدعي تحليلاً أكثر تفصيلاً، قبل إرسال صور عالية الدقة منها إلى نموذج ذكاء اصطناعي لفحصها.

نتائج واعدة لكنها لا تحسم الفاعلية

اختبر الباحثون النظام على شرائح لأنسجة العقد الليمفاوية مأخوذة من مرضى مصابين بسرطان القولون والمستقيم، وقارنوا أداءه بنموذج "o3" التابع لشركة "OpenAI".

وتمكن "Pathology-o3" من اكتشاف جميع الشرائح التي تضمنت أنسجة سرطانية، محققاً نسبة 100% في رصد الحالات الإيجابية، إلا أن 15.5% من الشرائح التي صنفها على أنها إيجابية كانت خالية من السرطان.

في المقابل، بلغت قدرة نموذج "o3" على تحديد الشرائح المصابة 87.5%، بينما تبين أن 53.3% من الحالات التي صنفها على أنها إيجابية لم تكن مصابة بالسرطان.

وعند اختبار "Pathology-o3" على مجموعة بيانات مستقلة لم يسبق للنظام التعامل معها، بلغت دقته في تحديد الشرائح المصابة 97.6%، في حين كانت 37.1% من الحالات التي صنفها على أنها إيجابية سلبية في الواقع.

ويرجح الباحثون أن ارتفاع معدل النتائج الإيجابية الكاذبة يرتبط بتصميم النظام، الذي يفضل اختيار المناطق التي قد تستحق فحصاً إضافياً بهدف تقليل احتمالية تفويت العلامات السرطانية.

وقال محمد أسدي، عالم البيانات في جامعة ستانفورد، الذي لم يشارك في الدراسة، إن النتائج تشير إلى إمكانية تطبيق النظام على شرائح من مصادر مختلفة، لكنه شدد على أنها لا تثبت حتى الآن أن استخدامه سيجعل أطباء علم الأمراض أكثر دقة أو سرعة.

دور محتمل في مساعدة الأطباء

وأكد الباحثون أن الدراسة لم تستهدف إثبات قدرة "Pathology-o3" على التفوق على الأطباء أو تشخيص السرطان بشكل مستقل، وإنما ركزت على اختبار ما إذا كان تعليم الذكاء الاصطناعي أسلوب البحث الذي يتبعه الطبيب يمكن أن يحسن أداءه.

ويرى هوانغ أن إحدى أبرز فوائد هذا النهج تتمثل في الاستفادة من بيانات موجودة بالفعل داخل المستشفيات، لكنها لم تستثمر بالقدر الكافي في تدريب أنظمة الذكاء الاصطناعي.

ويعتزم الباحثون إجراء تجارب إضافية لمعرفة ما إذا كان استخدام النظام إلى جانب أطباء علم الأمراض يمكن أن يساعد في اكتشاف عدد أكبر من حالات السرطان وتقليل الوقت اللازم لفحص العينات.

من جانبه، يرى أسدي أن الاستخدام الأنسب للنظام في الوقت الحالي يتمثل في العمل كأداة للفحص الأولي، توجه الطبيب إلى المناطق التي تحتاج إلى تدقيق أكبر، مشيراً إلى ضرورة إجراء اختبارات في مستشفيات متعددة لقياس دقة النظام وسرعته، إلى جانب تقييم معدل الإنذارات الكاذبة والعبء الإضافي الذي قد تفرضه على الأطباء.

ولا يزال النظام محدوداً مقارنة بعملية التشخيص الكاملة، التي قد تتطلب فحص عدة شرائح واستخدام تقنيات تلوين مختلفة، فضلاً عن الاستناد إلى التاريخ الطبي للمريض، لذلك، شدد هوانغ على أن الهدف ليس إسناد مهمة التشخيص إلى الذكاء الاصطناعي بشكل منفرد.