← أحدث الأبحاث
🤖 machine learning

RACR-MIL: Rank-aware contextual reasoning for weakly supervised grading of squamous cell carcinoma using whole slide images

تقترح الورقة البحثية إطار عمل RACR-MIL، وهو إطار تعلم متعدد الحالات قائم على الانتباه ضعيف الإشراف، يستخدم رسماً بيانياً هجيناً لصور الشرائح الكاملة (WSI) وقيود ترتيب الرتب لتحقيق أفضل مستويات التعميم والدقة في تصنيف سرطان الخلايا الحرشفية عبر مواقع تشريحية متعددة.

المؤلفون الأصليون: Anirudh Choudhary, Mosbah Aouad, Krishnakant Saboo, Angelina Hwang, Jacob Kechter, Blake Bordeaux, Puneet Bhullar, David DiCaudo, Steven Nelson, Nneka Comfere, Emma Johnson, Olayemi Sokumbi, Jason Slu
نُشر 2026-08-26
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Anirudh Choudhary, Mosbah Aouad, Krishnakant Saboo, Angelina Hwang, Jacob Kechter, Blake Bordeaux, Puneet Bhullar, David DiCaudo, Steven Nelson, Nneka Comfere, Emma Johnson, Olayemi Sokumbi, Jason Sluzevich, Leah Swanson, Dennis Murphree, Aaron Mangold, Ravishankar Iyer

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

غالبًا ما يبدأ تشخيص السرطان بتأمل اختصاصي علم الأمراض عبر المجهر لشريحة رقيقة من الأنسجة، بحثًا عن أدلة دقيقة تكشف عن مدى عدوانية الورم. وبالنسبة لنوع شائع من سرطان الجلد والأعضاء يسمى سرطان الخلايا الحرشفية، فإن هذه المهمة صعبة للغاية. فالمرض لا يبدو نفسه في كل مكان؛ إذ يمكن أن تحتوي عينة واحدة على مناطق بطيئة النمو وأخرى سريعة الانتشار، وكل ذلك مختلط معًا. تقليديًا، يحدد الأطباء درجة العينة بأكملها بناءً على أسوأ منطقة تبدو عليها، وهي عملية تعتمد بشكل كبير على الخبرة البشرية ويمكن أن تختلف من طبيب لآخر. ولمساعدة هذا الأمر في التوحيد القياسي، توجه العلماء إلى الذكاء الاصطناعي، حيث قاموا بتعليم الحواسيب قراءة الصور الكاملة للشرائح النسيجية. ومع ذلك، فإن تعليم الكمبيوتر التمييز بين مستويات الشدة المختلفة أمر صعب لأن الكمبيوتر يُعرض عليه عادةً التشخيص النهائي للشريحة بأكملها، دون إخباره بالضبط أي البقع الصغيرة داخل هذه الشريحة هي الأكثر خطورة.

لقد طور فريق من الباحثين نهجًا جديدًا لحل هذه المشكلة، حيث ابتكروا نظامًا يحاكي الطريقة التي يفكر بها الخبير البشري عند تصنيف هذه الأورام. فبدلاً من معاملة كل قطعة صغيرة من صورة النسيج كحقيقة معزولة، يقوم نهجهم، المسمى RACR-MIL، ببناء خريطة لكيفية ارتباط أجزاء النسيج المختلفة ببعضها البعض. فهو يفهم أن سلوك الخلية السرطانية يعتمد على جيرانها وبيئتها الأوسع. والأهم من ذلك، أن النظام مصمم لإعطاء الأولوية للمناطق الأكثر خطورة. تمامًا كما يعرف اختصاصي علم الأمراض البشري أن رقعة صغيرة من الخلايا شديدة العدوانية يمكن أن تحدد شدة الحالة بأكملها، فقد تم تدريب هذا الذكاء الاصطناعي للبحث عن تلك المناطق عالية الخطورة ووزنها بشكل أكبر من المناطق الأكثر هدوءًا وأقل خطورة. ومن خلال الجمع بين الفهم العميق لسياق الأنسجة والقاعدة الصارمة للتركيز على أسوأ الأجزاء، حقق النظام مستوى من الدقة يتجاوز الأساليب السابقة.

اختبر الباحثون هذا الإطار الجديد على آلاف عينات الأنسجة من مرضى مصابين بسرطان الخلايا الحرشفية في مناطق الجلد والرئة والرأس والرقبة. وقارنوا نظامهم بمجموعة واسعة من أدوات الذكاء الاصطناعي الموجودة، بما في ذلك تلك التي تنظر ببساطة إلى قطع فردية من الأنسجة أو تلك التي تحاول ربطها بطرق أكثر بساطة. كانت النتائج واضحة: تفوق نظامهم الجديد باستمرار على منافسيه. فقد حسن دقة التصنيف بفارق كبير، وحدد بدقة شدة السرطان في الحالات التي عانت فيها الأساليب الأخرى. ولعل الأهم من ذلك هو أنه كان أفضل في تحديد المواقع الدقيقة للخلايا الورمية الأكثر خطورة. وفي الاختبارات، حدد هذه المناطق الحرجة بفعالية تزيد بنسبة تصل إلى عشرة بالمائة عن أفضل الأساليب التالية له، وهو فرق قد يكون حيويًا لطبيب يحاول اتخاذ قرار بشأن خطة علاجية.

ما يجعل هذا النهج فريدًا هو كيفية تعامله مع تعقيد الأنسجة. إذ يبني النظام نوعين مختلفين من الروابط بين قطع الصور الصغيرة. يربط النوع الأول بين القطع القريبة فيزيائيًا من بعضها البعض، مما يلتقط الجوار المباشر حيث تتفاعل الخلايا، مثل كيفية دفع الورم للأنسجة السสุขภาพية المحيطة. أما النوع الآخر فيربط بين القطع التي تبدو متشابهة، حتى لو كانت متباعدة في الشريحة، مما يسمح للنظام بالتعرف على أنماط نمو السرطان التي قد تكون منتشرة عبر العينة. ووجد الباحثون أن استخدام كلا النوعين من الروابط معًا وفر صورة أغنى بكثير مما لو استُخدم أي منهما بمفرده. علاوة على ذلك، يتضمن النظام آلية محددة تجبره على إعطاء المزيد من الاهتمام للقطع التي تظهر علامات المرض الشديد. وهذا يضمن أن التشخيص النهائي مدفوع بالأدلة الأكثر حرجًا، بدلاً من الضياع في المظهر المتوسط للشريحة بأكملها.

ولرؤية ما إذا كانت هذه التكنولوجيا يمكن أن تساعد فعليًا في عيادة حقيقية، دعا الباحثون اثنين من اختصاصيي علم الأمض الخبراء لمراجعة مجموعة من الحالات مع وبدون مساعدة الذكاء الاصطناعي. وفي غالبية الحالات، وجد الأطباء أن النظام ساعدهم في العمل بكفاءة أكبر. فقد نجح في تسليط الضوء على الأجزاء الأكثر عدوانية من الأورام التي غفل عنها الأطباء أو قللوا من تقديرها في البداية، مما دفعهم إلى مراجعة تشخيصاتهم إلى درجة أعلى وأكثر دقة. وفي إحدى الحالات، حدد النظام منطقة صغيرة شديدة الخطورة داخل ورم أكبر أقل عدوانية كان الطبيب قد أغفلها. وبينما كانت هناك حالات قليلة جعل فيها تركيز النظام على أسوأ المناطق يجعله يفتقد بعض التفاصيل الدقيقة للأنسجة المحيطة، إلا أن التعليقات العامة كانت إيجابية. فقد شعر الأطباء أن الأداة تعمل كمساعد موثوق، حيث توجههم نحو الأجزاء الأكثر أهمية في الشريحة وتقلل الوقت اللازم للوصول إلى استنتاج واثق.

كما بحثت الدراسة في مدى قدرة النظام على العمل على بيانات لم يسبق له رؤيتها من قبل، مثل عينات الأنسجة من مستشفيات مختلفة أو التي تم مسحها باستخدام أجهزة مختلفة. وقد أثبت الإطار الجديد أنه قوي للغاية، حيث حافظ على أدائه العالي حتى عندما تغيرت البيانات. وهذا يشير إلى أن النظام قد تعلم القواعد الأساسية لكيفية سلوك هذه السرطانات، بدلاً من مجرد حفظ الصور التي تدرب عليها. وأشار الباحثون إلى أنه بينما لا يعد النظام مثاليًا ولا يزال يتطلب إشرافًا بشريًا، إلا أنه يمثل خطوة كبيرة للأمام في جعل تصنيف السرطان أكثر اتساقًا وموثوقية. ومن خلال مواءمة منطق الكمبيوتر مع الطريقة التي يعطي بها الخبراء البشريون الأولوية للمعلومات، يقدم هذا العمل مسارًا واعدًا نحو تشخيصات أكثر دقة وسرعة وموثوقية لمرضى السرطان في جميع أنحاء العالم.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.LG →