💻 computer science

A Comprehensive Benchmark of Histopathology Foundation Models for Kidney Histopathology

تقوم هذه الورقة البحثية بتقييم مرجعي منهجي لـ 11 نموذجاً تأسيسياً في علم الأمراض النسيجية بناءً على مهام خاصة بالكلى، كاشفةً أنه في حين تؤدي هذه النماذج بشكل جيد إلى حد ما في السمات المورفولوجية الخشنة متوسطة النطاق، إلا أنها تعاني في التمييز الدقيق للبنية المجهرية والاستدلال الإنذاري، مما يسلط الضوء على الحاجة الملحة لنماذج تأسيسية متعددة الصبغات وخاصة بالكلى.

المؤلفون الأصليون: Harishwar Reddy Kasireddy (University of Florida), Patricio S. La Rosa (University of Florida, Bayer Company), Akshita Gupta (University of Florida), Anindya S. Paul (University of Florida), Jamie L.

نُشر 2026-03-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Harishwar Reddy Kasireddy (University of Florida), Patricio S. La Rosa (University of Florida, Bayer Company), Akshita Gupta (University of Florida), Anindya S. Paul (University of Florida), Jamie L. Fermin (University of Florida), William L. Clapp (University of Florida), Meryl A. Waldman (National Institutes of Health), Tarek M. El-Ashkar (Indiana University School of Medicine), Sanjay Jain (Washington University School of Medicine), Luis Rodrigues (Universidade de Coimbra), Kuang Yu Jen (University of California Davis), Avi Z. Rosenberg (Johns Hopkins University), Michael T. Eadon (Indiana University School of Medicine), Jeffrey B. Hodgin (University of Michigan), Pinaki Sarder (University of Florida)

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

تخيل أن لديك طالباً فائق الذكاء، قضى سنوات في دراسة ملايين الصور لمرض السرطان. هذا الطالب بارع جداً في رصد الأورام لدرجة أنه يمكنه تحديدها في أجزاء من الثانية. في عالم الذكاء الاصطناዊ الطبي، يُطلق على هذا الطالب اسم "النموذج التأسيسي" (Foundation Model).

الآن، تخيل أن طبيباً يسأل هذا الطالب: "لقد قمت بعمل رائع مع السرطان، ولكن هل يمكنك أيضاً مساعدتي في تشخيص أمراض الكلى؟"

أمراض الكلى معقدة؛ فهي لا تقتصر فقط على إيجاد ورم، بل تتعلق برصد تغييرات دقيقة في "سباكة" الكلية، والتحقق من وجود التهابات، والتنبؤ بكيفية تغير صحة المريض على مدار سنوات. الطبيب لا يعرف ما إذا كان الطالب، الذي درس السرطان فقط، يمتلك المعرفة الكافية عن الكلى ليكون مفيداً.

هذه الورقة البحثية هي في الأساس "تقرير درجات" لـ 11 من هؤلاء "الطلاب الخارقين". فقد وضعهم الباحثون في سلسلة من الاختبارات ليروا مدى قدرتهم على التعامل مع مشاçكل الكلى، رغم أنهم تدربوا في الغالب على السرطان.

إليك تفاصيل ما وجدوه، باستخدام تشبيهات من الحياة اليومية:

1. الإعداد: "خبير السرطان" مقابل "طبيب الكلى"

أخذ الباحثون 11 نموذجاً مختلفاً للذكاء الاصطناعي (الطلاب) الذين تم تدريبهم على قواعد بيانات ضخمة من شرائح السرطان. ثم اختبروهم في 11 مهمة مختلفة تتعلق بالكلى.

المهام: بعضها كان سهلاً (مثل رصد انسداد كبير وواضح في أنبوب). وبعضها كان صعباً (مثل رصد خدش صغير في جدار الأنبوب). وبعضها كان معقداً للغاية (مثل التنبؤ بما إذا كان المريض سيتحسن أم تسوء حالته في المستقبل).
الألوان: يستخدم أطباء الكلى أصباغاً ملونة مختلفة لرؤية أشياء مختلفة. تم اختبار الذكاء الاصطناعي على شرائح بألوان مختلفة، رغم أنه تدرب في الغالب على لون محدد (الوردي والأرجواني).

2. النتائج: أين تألقوا

الأخبار الجيدة: عندما كانت المهمة تتعلق برصد التغييرات الكبيرة والواضحة، أبلى الذكاء الاصطناعي بلاءً حسناً بشكل مفاجئ.

التشبيه: تخيل أنك تنظر إلى غابة. إذا سألت الذكاء الاصطناعي: "هل هناك شجرة ضخمة ساقطة تسد الطريق؟" سيجيب: "نعم، بالتأكيد!" بثقة عالية.
الواقع: كان الذكاء الاصطناعي بارعاً في رصد أضرار الكلى واسعة النطاق، مثل الحالات التي تكون فيها وحدات الترشيح في الكلية (الكبيبات) متندبة تماماً أو عند وجود التهاب هائل. لم يهم إذا كانت الشريحة مصبوغة بصبغة لونية مختلفة؛ فقد استطاع الذكاء الاصطناعي التعرف على "شكل" الضرر.

3. النتائج: أين تعثروا

الأخبار السيئة: عندما كانت المهمة تتطلب تفاصيل دقيقة أو تنبؤات مستقبلية، واجه الذكاء الاصطناعي صعوبة.

التشبيه: الآن، تخيل أنك تسأل الذكاء الاصطناعي: "هل يمكنك رؤية الخدش الصغير على لحاء تلك الشجرة تحديداً؟" أو "هل يمكنك التنبؤ بما إذا كانت هذه الغابة ستنجو من الجفاف في العام المقبل بناءً على أوراق الشجر؟" هنا يصاب الذكاء الاصطناعي بالارتباك.
الواقع:
- التفاصيل الدقيقة: كان الذكاء الاصطناعي سيئاً في رصد التغييرات الطفيفة جداً، مثل النتوءات الصغيرة على غشاء القاعدة الخاص بالكلية أو الضيق الطفيف في الأوعية الدموية. الأمر يشبه البحث عن إبرة في كومة قش.
- الأسرار الجزيئية: لم يستطع الذكاء الاصطناعي التمييز بين أنبوب كلية "سليم" وآخر "مريض" إذا كان التغيير يعتمد على إشارات جزيئية غير مرئية بدلاً من تغيرات الشكل المرئية.
- التنبؤ بالمستقبل: كان الذكاء الاصطناعي سيئاً جداً في التنبؤ بكيفية انخفاض وظائف الكلى لدى المريض خلال السنوات القادمة. الأمر يشبه محاولة التنبؤ بانهيار البورصة بمجرد النظر إلى صورة لأرضية مصنع.

4. اختبار "عمى الألوان"

اختبر الباحثون أيضاً ما إذا كان الذكاء الاصطناعي يعاني من "عمى الألوان" تجاه الأصباغ المختلفة التي يستخدمها أخصائيو الأمراض.

التشبيه: إذا عرضت صورة لتفاحة حمراء على شخص درس التفاح الأخضر فقط، هل سيظل يتعرف عليها كتفاحة؟
الواقع: كان الذكاء الاصطناعي جيداً بشكل مدهش في هذا! لقد تعلم "شكل" الخلايا جيداً لدرجة أنه لم يرتبك عندما تغيرت الألوان. ومع ذلك، إذا أضفت "ضجيجاً" (مثل التشويش في التلفاز القديم)، فإن الذكاء الاصطناعي يصاب بالارتباك.

5. الاستنتاج الكبير

تخلص الورقة البحثية إلى أن "خبراء السرطان" هؤلاء رائعون لإجراء فحص سريع وتقريبي لصحة الكلى. يمكنهم إخبار الطبيب: "مهلاً، هذه الكلية تبدو متضررة تماماً"، وهي نقطة بداية جيدة.

ولكن، هم ليسوا مستعدين ليكونوا صانعي القرار النهائي في حالات الكلى المعقدة. لا يمكنهم بعد استبدال أخصائي الأمراض البشري عندما يتعلق الأمر بـ:

رصد العلامات الأكثر دقة وتناهياً في الصغر للمرض.
التنبؤ بكيفية استجابة المريض للعلاج.
فهم التغييرات الجزيئية غير المرئية التي تحدث داخل الخلايا.

الخلاصة

يقول المؤلفون: "لقد بنينا محركاً قوياً، لكننا بحاجة إلى ضبطه خصيصاً للكلى. نحن بحاجة لتعليمه كيفية النظر إلى ألوان الكلى الخاصة، وتفاصيلها الدقيقة الخاصة، ودمج رؤيته مع بيانات أخرى (مثل فحوصات الدم وتاريخ المريض) قبل أن نتمكن من الوثوق به لاتخاذ قرارات تتعلق بحياة أو موت مرضى الكلى."

لقد أطلقوا أيضاً أدوات مجانية (مثل كتاب وصفات الطعام) لكي يتمكن العلماء الآخرون من إجراء نفس هذه الاختبارات للتأكد من أن نماذج الذكاء الاصطناዊ الخاصة بهم جاهزة للعالم الحقيقي.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تقييم شامل لنماذج التأسيس لنسيج الكلى" (A Comprehensive Benchmark of Histopathology Foundation Models for Kidney Histopathology).

1. بيان المشكلة

بينما أحدثت نماذج التأسيس لنسيج الكلى (HFMs) المدربة على مجموعات بيانات سرطانية واسعة النطاق (مثل TCGA وCPTAC) ثورة في علم الأمراض الحسابي، إلا أن قابليتها للتطبيق على أمراض الكلى المزمنة غير السرطانية (CKD) لا تزال غير مستكشفة بشكل كافٍ.

الفجوة: غالبًا ما تتزامن أمراض الكلى المزمنة مع سرطانات الكلى (مثل سرطان الخلايا الكلوية RCC، وسرطان الخلايا الظهارية البولية)، مما يشير إلى احتمال وجود تداخل في الميزات. ومع ذلك، يعتمد نسيج الكلى على بروتوكولات صبغ متعددة (PAS، PASM، H&E، IHC) لتصور هياكل النفرونات المتميزة، في حين أن معظم نماذج HFMs مدربة أساسًا على شرائح سرطان مصبوغة بصبغة H&E.
التحدي: من غير الواضح ما إذا كانت نماذج HFMs الحالية يمكنها:
1. التعميم من سرطان الكلى إلى أمراض الكلى غير السرطانية.
2. الانتقال بفعالية عبر بروتوكولات الصبغ المختلفة (التعميم عبر الأصباغ).
3. التقاط التفاصيل الدقيقة للبنية المجهرية أو الأنماط الظاهرية الجزيئية المعقدة المطلوبة للتنبؤ بالإنذار، أم أنها تقتصر على الميزات المتوسطة الخشنة.

2. المنهجية

النماذج التي تم تقييمها

قيمت الدراسة 11 نموذجًا من نماذج التأسيس (HFMs) المتاحة علنًا والمدربة مسبقةً على أكثر من 100,000 صورة شريحة كاملة (WSI). تستخدم هذه النماذج هياكل Vision Transformer (ViT) واستراتيجيات التعلم الذاتي الخاضع للإشراف (غال: DINO/DINOv2).

النماذج: UNI، UNI2-h، Virchow، Virchow2، H-optimus-0/1، Hibou-B/L، SP22M/SP85M، وProv-Gigapath.
التدريب المسبق: اعتمد بشكل أساسي على صبغات H&E وIHC لبيانات السرطان، بمقاييس متفاوتة (تصل إلى 3.1 مليون شريحة) وتكبيرات مختلفة.

إطار التقييم

قيم المؤلفون هذه النماذج عبر 11 مهمة خاصة بالكلى على مستويين: مستوى البلاطة (Tile-level) ومستوى الشريحة (Slide-level).

أ. مهام مستوى البلاطة (المورفولوجيا المحلية)

المنهج: استخدموا الاختبار الخطي (Linear Probing) (الانحدار اللوجستي) وk-الأقرب (kNN) على التضمينات المجمدة. استخدمت مهام الانحدار انحدار ريدج (Ridge Regression).
المهام:
1. الكبيبات المتصلبة كليًا مقابل غير المتصلبة كليًا (صبغة PAS).
2. كشف بروزات الغشاء القاعدي (GBM Spike) (صبغة PASM).
3. الأنابيب المرجعية مقابل غير الطبيعية (صبغة H&E، مصنفة عبر علم النسخ المكاني).
4. الالتهاب مقابل عدم الالتهاب (صبغة H&E، متوافقة مع CD45-IHC).
5. تصنيف تضيق الشرايين (بسيط/متوسط/شديد، صبغة PAS).
6. تقدير نسبة نوع الخلايا (انحدار لـ 16 نوعًا من الخلايا من H&E).
7. كشف النسخ (Copy Detection) (اختبار المتانة ضد التغييرات الهندسية، اللون، الضجيج، والتشوه).

ب. مهام مستوى الشريحة (السياق العالمي)

المنهج: استخدموا التعلم متعدد الأمثلة القائم على الانتباه (ABMIL) لتجميع تضمينات البلاطات في تمثيلات على مستوى الشريحة.
التحقق: تكرار التحقق المتقاطع الطبقي المتداخل (Nested Stratified K-Fold Cross-Validation) (5 طيات خارجية، 3 بذور) مع ضبط المعلمات الفائقة (معدل التعلم، أبعاد الانتباه، أبعاد FC) لضمان تقدير غير منحاز للأداء.
المهام:
1. اعتلال الكلية السكري (DN) مقابل المرجع (صبغة PAS).
2. الاستجابة للعلاج في اعتلال الكلية الغشائي (MN) (مستجيب مقابل غير مستجيب، صبغة PAS).
3. التنبؤ بتراجع معدل الترشيح الكبيبي (eGFR) (بعد الزرع، صبغة PAS).
4. التنبؤ بمعدل الترشيح الكبيبي (eGFR) (بعد سنة واحدة من الزرع، صبغة PAS).

التحليل الإحصائي

المقاييس: معامل ارتباط ماتيوس (MCC) للتصنيف، معامل ارتباط بيرسون (PCC) للانحدار، و $R^2$ لانحدار مستوى الشريحة.
اختبار الدلالة: اختبار Friedman يليه اختبارات Wilcoxon المزدوجة ذات الرتب الموقعة مع تصحيح Holm-Bonferroni. تم تصور النتائج باستخدام عرض الحرف المدمج (CLD).
قابلية التكرار: تم إصدار حزمة بايثون مفتوحة المصدر، kidney-hfm-eval، لتوحيد هذه المسارات.

3. النتائج الرئيسية

أداء مستوى البلاطة

الأداء العالي (المورفولوجيا الخشنة): تفوقت نماذج HFMs في المهام التي تتضمن تغيرات هيكلية واضحة وخشنة.
- الكبيبات المتصلبة كليًا: حققت أفضل النماذج (Prov-Gigapath, UNI) متوسط MCC > 0.96.
- الالتهاب: أداء متوسط إلى قوي (متوسط MCC ~0.47)، مما يشير إلى قدرة النماذج على التقاط تجمعات الخلايا المناعية.
الأداء المتوسط/المنخفض (الدقة/البنية المجهرية الدقيقة):
- بروزات GBM (صبغة PASM): انخفض الأداء بشكل كبير (متوسط MCC ~0.38)، مما يشير إلى صعوبة اكتشاف عدم انتظام الغشاء القاعدي الدقيق.
- تضيق الشرايين: أداء متوسط (متوسط MCC ~0.39)، حيث تعاني النماذج مع التدرجات المستمرة للإصابة الوعائية.
- الاضطرابات الأنبوبية: أداء يقترب من العشوائية (MCC ~0)، حيث فشلت في التمييز بين الإصابة الأنبوبية المحددة جزيئيًا والأنسجة المرجعية.
- تقدير نوع الخلايا: ارتباط ضعيف (PCC ~0.36)، مما يشير إلى أن التضمينات لا يمكنها التقاط التباين الخلوي على مستوى النسخ الجيني بشكل كامل.
التعميم عبر الأصباغ: نجحت النماذج المدربة على H&E/IHC في الانتقال إلى مهام PAS وPASM، مما يؤكد ثبات الصبغة (stain invariance) للميزات متوسطة المقياس. ومع ذلك، تدهور الأداء في المهام دقيقة التفاصيل بغض النظر عن نوع الصبغة.
المتانة: أظهرت النماذج متانة شبه مثالية تجاه التغييرات الهندسية واللونية، لكنها تفاوتت بشكل كبير في التعامل مع اضطرابات الضجيج.

أداء مستوى الشريحة

التصنيف التشخيصي (DN مقابل المرجع): حققت نماذج HFMs فصلاً شبه مثالي (متوسط MCC > 0.92)، مما يثبت القدرة القوية على التعرف على المورفولوجيا العالمية المحددة للمرض.
التنبؤ الوظيفي/الإنذاري:
- الاستجابة للعلاج في MN: أداء يقترب من العشوائية (MCC ~0)، مما يشير إلى الفشل في التقاط المحركات المناعية للاستجابة للعلاج.
- تراجع/التنبؤ بـ eGFR: أداء ضعيف (MCC < 0.1، $R^2$ < -0.08)، مما يشير إلى أن المورفولوجيا النسيجية الثابتة وحدها غير كافية للتنبؤ بالتراجع الوظيفي أو نتائج الزرع.

4. المساهمات الرئيسية

أول تقييم شامل للكلى: تقييم 11 نموذجًا من نماذج HFMs بشكل منهجي عبر 11 مهمة كلوية متنوعة، تغطي أصباغًا متعددة (PAS، PASM، H&E، IHC)، ومقاييس مختلفة (بلاطة/شريحة)، وأنواع مخرجات (كشف، تشخيص، إنذار).
إطار إحصائي صارم: تقديم مسار تقييم قوي باستخدام التحقق المتقاطع الطبقي المتداخل المتكرر والاختبارات الإحصائية البعدية الصارمة (Friedman/Wilcoxon/CLD) لضمان مقارنة عادلة بين النماذج.
أدوات مفتوحة المصدر: إطلاق kidney-hfm-eval كحزمة بايثون معيارية لتسهيل قابلية التكرار والتقييم المستقبلي في مجال أمراض الكلى.
رؤى تجريبية: تقديم أدلة على أن نماذج HFMs الحالية محايدة للصبغة بالنسبة للميزات الخشنة، ولكنها محدودة في التقاط البنى المجهرية الدقيقة، والأنماط الظاهرية الجزيئية، وإشارات الإنذار.

5. الأهمية والخاتمة

الآثار السريرية: نماذج HFMs الحالية مناسبة للفحص التشخيصي الخشن (مثل تحديد اعتلال الكلية السكري أو التصلب الكلي) ولكنها ليست جاهزة بعد لاتخاذ القرارات السريرية المعقدة المتعلقة بالتنبؤ بالاستجابة للعلاج، أو الإنذار، أو التنميط الظاهري الجزيئي الدقيق في أمراض الكلى.
الرؤية العلمية: تؤكد الدراسة أنه بينما يحفز التعلم الذاتي (DINO) المتانة تجاه تغيرات الصبغة، فإنه لا يحل بطبيعته مشكلة "توافر الإشارة" للأنماط المرضية الكلوية الدقيقة أو المحددة جزيئيًا.
الاتجاهات المستقبلية: يدعو المؤلفون إلى تطوير نماذج تأسيس خاصة بالكلى، متعددة الأصباغ، ومتعددة الوسائط تدمج البيانات السريرية، والنسخية (omics)، والطولية لسد الفجوة بين المورفولوجيا الثابتة وتطور المرض الديناميكي.

باختصار، تثبت هذه الورقة أنه بينما نجحت نماذج HFMs في التعميم على نسيج الكلى للمهام الهيكلية الكبيرة، فإنها تفتقر حاليًا إلى القدرة على فك رموز الإشارات الدقيقة والجزيئية والإنذارية الضرورية لرعاية متقدمة في طب الكلى.