Exploring learning environments for label\-efficient cancer diagnosis

لا يزال السرطان يمثل أحد أكثر التحديات هولاً في الطب الحديث، وهو مرض يحصد أرواحاً لا حصر لها ويضع عبئاً ثقيلاً على أنظمة الصحة العالمية. وتتمثل إحدى الخطوات الحاسمة في مكافحته في الكشف المبكر، حيث يفحص الأطباء عينات الأنسجة تحت المجهر لرصد الأورام قبل انتشارها. هذه العملية، المعروفة باسم علم الأمراض النسيجي، تعتمد على خبراء مدربين تدريباً عالياً للتمييز بين الأنسجة السليمة والنمو السرطاني. ومع ذلك، فإن هذا العمل اليدوي بطيء ومرهق؛ إذ قد تستغرق شريحة واحدة من المتخصص ما يصل إلى ثلاثين دقيقة لتحليلها، وغالباً ما يتجاوز الطلب على هذه الخبرات حجم المعروض منها. ولتسريع وتيرة الرعاية، لجأ العلماء إلى الحواسيب، حيث قاموا بتعليمها التعرف على أنماط السرطان في الصور. لسنوات طويلة، تطلبت هذه الأنظمة الحاسوبية مكتبات ضخمة من الصور التي تم تصنيفها بعناية من قبل خبراء بشريين لتتعلم ما يجب أن تبحث عنه. ويعد جمع هذه الصور المصنفة مهمة صعبة ومكلفة وتستغرق وقتاً طويلاً، مما يخلق عنق زجاجة يحد من سرعة تطوير هذه الأدوات واستخدامها.

تستكشف دراسة جديدة أجراها باحثون من جامعة جامعة جامية مليا إسلامية والجامعة الصينية في هونغ كونغ طريقة لتجاوز عنق الزجاجة هذا. فقد بحثوا فيما إذا كان بإمكان الحواسيب تعلم تشخيص السرطان بفعالية دون الحاجة إلى تصنيف كل صورة على حدة من قبل البشر. اختبر الفريق ثلاث طرق مختلفة لتعليم هذه الأنظمة الحاسوبية. الطريقة الأولى، المعروفة بالتعلم الخاضع للإشراف، هي النهج التقليدي حيث يتعلم الحاسوب فقط من الصور المصنفة بالكامل. أما الطريقة الثانية، وهي التعلم شبه الخاضع للإشراف، فتسمح للحاسوب بالتعلم من عدد صغير من الصور المصنفة مع النظر أيضاً في مجموعة أكبر بكثير من الصور غير المصنفة لإيجاد الأنماط. أما الطريقة الثالثة، وهي التعلم الذاتي الإشراف، فتحاول تعليم الحاسوب باستخدام الصور غير المصنفة فقط، عبر مطالبته باكتشاف قواعده الخاصة حول ما يجعل صورة ما مشابهة لأخرى. أراد الباحثون معرفة ما إذا كانت الطريقتان الثانية والثالثة يمكنهما مضاهاة أداء النهج التقليدي المعتمد على البيانات المصنفة بالكامل، لا سيما بالنسبة لثلاثة أنواع شائعة من السرطان: سرطان الثدي، والرئة، والكلى.

ولاختبار هذه الأفكار، جمع الباحثون ثلاث مجموعات متميزة من الصور الطبية. احتوت إحدى المجموعات على ما يقرب من 8,000 صورة لأنسجة الثدي، وأخرى تضم أكثر من 16,000 صورة لأنسجة الرئة، والثالثة شملت أكثر من 7,000 صورة لأنسجة الكلى. جاءت هذه الصور من مصادر مختلفة وبصيغ مختلفة، مما يضمن قوة النتائج. ثم أنشأ الفريق سبعة سيناريوهات تدريبية مختلفة. في السيناريو الأول، استخدموا فقط الصور المصنفة بالكامل. وفي السيناريوهات الخمسة التالية، مزجوا بين الصور المصنفة وغير المصنفة بنسب متفاوتة، تتراوح من النصف بالنصف إلى حالة تكون فيها عشرة بالمائة فقط من الصور مصنفة. وفي السيناريو الأخير، استخدموا فقط الصور غير المصنفة. ثم أدخلوا هذه المجموعات المختلفة من البيانات في ثلاثة نماذج حاسوبية قوية موجودة مسبقاً ومصممة للتعرف على الأنماط في الصور. طُلب من هذه النماذج بعد ذلك تصنيف كل صورة كحميدة، أي غير ضارة، أو خبيثة، أي سرطانية.

وكشفت النتائج عن تسلسل هرمي واضح في مدى فاعلية طرق التعلم المختلفة. وكما هو متوقع، أنتجت الطريقة التقليدية باستخدام الصور المصنفة بالكامل النتائج الأكثر دقة. ومع ذلك، جاء نهج التعلم شبه الخاضع للإشراف، الذي استخدم مزيجاً من البيانات المصنفة وغير المصنفة، قريباً بشكل ملحوظ. وفي كثير من الحالات، أدت النماذج الحاسوبية التي تدربت باستخدام جزء صغير فقط من البيانات المصنفة أداءً يقارب أداء تلك التي تدربت على جميع البيانات المصنفة. فعلى سبيل المثال، عند تشخيص سرطان الكلى، حقق نموذج تدرب على ثلاثين بالمائة فقط من الصور المصنفة وسبعين بالمائة من الصور غير المصنفة دقة تقتر% 98، وهو رقم مشابه جداً للنموذج الذي تدرب على جميع البيانات المصنفة. وحتى عندما انخفضت كمية البيانات المصنفة إلى عشرة بالمائة فقط، ظل الأداء قوياً. يشير هذا إلى أن الحاسوب يمكنه تعلم دروس قيمة من الصور غير المصنفة، مستخدماً إياها لفهم البنية العامة للأنسجة قبل التركيز على علامات السرطان المحددة.

أما الطريقة الثالثة، وهي التعلم الذاتي الإشراف، والتي اعتمدت كلياً على الصور غير المصنفة، فقد سجلت درجات دقة أقل من الطريقتين الأخريين. ورغم أنها لم تضاهِ أداء النهجين الخاضع للإشراف وشبه الخاضع للإشراف، إلا أنها نجحت في تحديد أنماط السرطان بدرجة من النجاح، مما أثبت أن الحواسيب يمكنها استخراج معلومات مفيدة حتى بدون أي توجيه بشري. ومن بين النماذج الحاسوبية الثلاثة المختبرة، تفوق نموذج يُعرف باسم EfficientNetB0 باستمرار على الآخرين في جميع أنواع السرطان وجميع طرق التعلم. فقد حقق أعلى معدلات الدقة، حيث وصل إلى ما يقرب من 92 بالمائة لسرطان الثدي وأكثر من 98 بالمائة لسرطان الكلى عند استخدام أفضل ظروف التدريب.

تخلص الدراسة إلى أن المتطلب الصارم لكميات هائلة من البيانات المصنفة قد لا يكون ضرورياً للتشخيص الفعال للسرطان. فقد وجد الباحثون أن التعلم شبه الخاضع للإشراف يوفر بديلاً قابلاً للتطبيق للغاية، مما يسمح للفرق الطبية ببناء أدوات تشخيصية قوية حتى عندما لا يتوفر لديهم سوى عدد متواضع من العينات المصنفة. وهذا يعد اكتشافاً هاماً لأن هذا الأمر يخفض حاجز الدخول لتطوير هذه التقنيات. فإذا كان لدى مستشفى أو مختبر أبحاث آلاف الصور غير المصنفة ولكن لديه بضع مئات فقط من الصور المصنفة، فإنه لا يزال بإمكانه تدريب حاسوب للمساعدة في التشخيص بموثوقية عالية. ويشير العمل إلى أن مستقبل الكشف الآلي عن السرطان لا يعتمد حصرياً على المهمة الشاقة لتصنيف كل صورة، بل على الأساليب الذكية التي يمكنها التعلم من الكميات الهائلة من البيانات غير المصفية المتاحة بالفعل في الأرشيفات الطبية.