💻 computer science

Weakly Supervised Multicenter Nancy Index Scoring in Ulcerative Colitis Using Foundation Models

تقترح هذه الورقة إطار عمل للتعلم متعدد المثيلات تحت إشراف ضعيف يستفيد من النماذج التأسيسية، وتحديداً نموذج Virchow2، لتحقيق تسجيل قوي وقابل للتفسير لمؤشر نانسي متعدد المراكز لمرض التهاب القولون التقرحي باستخدام تسميات على مستوى الحالة فقط، مما يتغلب على الحاجة إلى التسمية المكلفة على مستوى المنطقة الكثيفة.

المؤلفون الأصليون: Adam Kukučka, Ondřej Fabián, Vít Musil, Tomáš Brázdil

نُشر 2026-04-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Adam Kukučka, Ondřej Fabián, Vít Musil, Tomáš Brázdil

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

الصورة الكبيرة: تقييم أمعاء "فوضوية"

تخيل التهاب القولون التقرحي (UC) كأنه حديقة نمت فيها الأعشاب الضارة (الالتهاب) بشكل مفرط. يحتاج الأطباء لمعرفة مدى سوء هذه الأعشاض لتحديد العلاج المناسب. يستخدمون نظام تقييم قياسي يسمى مؤشر نانسي (Nancy Index)، والذي يصنف الحديقة من 0 (نظيفة تماماً) إلى 4 (مغطاة بالأعشاب الضارة تماماً).

عادةً، يقوم طبيب علم الأمراض (طبيب يفحص الأنسجة تحت المجهر) بهذا التقييم. لكن فحص كل شريحة بمفردها يشبه محاولة عد كل ورقة شجر على أرض الغابة يدوياً؛ فالأمر يستغرق وقتاً طويلاً، وقد يختلف طبيبان حول ما إذا كانت بقعة معينة هي "2" أم "3".

المشكلة: تكلفة تعليم الكمبيوتر باهظة للغاية

حاول العلماء بناء أجهزة كمبيوتر للقيام بهذا التقييم تلقائياً. ومع ذلك، فإن معظم المحاولات السابقة تطلبت وجود "معلم" يرسم مربعات حول كل بقعة سيئة في الصورة ويضع عليها ملصقاً. هذا يشبه استئجار معلم ليشير إلى كل عشب ضار في غابة. إنه أمر مكلف وبطيء للغاية، خاصة عندما يكون لديك عينات من مستشفيات مختلفة تبدو مختلفة (إضاءة مختلفة، صبغات مختلفة، أجهزة مسح مختلفة).

الحل: المحقق "ضعيف الإشراف"

يقترح هذا البحث طريقة أذكى لتعليم الكمبيوتر، تسمى التعلم ضعيف الإشراف (Weakly Supervised Learning).

بدلاً من مطالبة الكمبيوتر بإيجاد كل عشب ضار، أعطى الباحثون الكمبيوتر فقط الدرجة النهائية للشريحة بأكملة (مثلاً: "هذه الشريحة بأكملها هي من الدرجة 3"). لم يوضحوا للكمبيوتر أين توجد البقع السيئة.

فكر في الأمر كالتالي: تعرض على طالب صورة كاملة لغرفة فوضوية وتقول له: "هذه الغرفة هي 3 من 5 على مقيلة الفوضى". أنت لا تخبره أي الجوارب موجودة على الأرض أو أين توجد القمامة. أنت فقط تترك الطالب ينظر إلى الصورة بأكملها ويكتشف التفاصيل بنفسه.

كيف يعمل النظام: "فريق المتخصصين"

يعمل نظام الكمبيوتر الذي بنوه كفريق من ثلاثة محققين متخصصين يعملون معاً لحل القضية:

محقق "العدلات" (Neutrophil): يبحث هذا المحقق خصيصاً عن نوع من خلايا الدم البيضاء (العدلات) التي تشير إلى الالتهاب النشط. ويسأل: "هل الحديقة هادئة (منخفضة) أم مشتعلة (عالية)؟"
متخصص "الدرجة المنخفضة": إذا بدت الحديقة هادئة، يتدخل هذا المتخصص ليقرر ما إذا كانت درجة 0 مثالية أو 1 فوضوية قليلاً.
متخصص "الدرجة العالية": إذا بدت الحديقة مشتعلة، يتدخل هذا المتخص ليقرر ما إذا كانت درجة 2، أو 3، أو 4.

المكون السحري: النماذج التأسيسية (Foundation Models)
لمساعدة هؤلاء المحققين على الرؤية بوضوح، استخدم الباحثون النماذج التأسيسية. فكر في هذه النماذج كـ "عيون فائقة التدريب" درست بالفعل ملايين الصور الطبية من جميع أنحاء العالم. إنها تعرف كيف تبدو الأنسجة السليمة وكيف تبدو الأنسجة المريضة، حتى لو كانت الإضاءة مختلفة. استخدم الباحثون نموذجاً محدداً يسمى Virchow2، والذي تبين أنه أفضل "عيون" لهذه المهمة.

العملية: تقسيم العمل

تقطيع الكعكة: يأخذ الكمبيوتر صورة ضخمة للأنسجة (صورة الشريحة الكاملة - Whole Slide Image) ويقطعها إلى آلاف القطع الصغيرة (بلاطات - tiles).
ضبط الجودة: يتخلص من القطع الضبابية أو السيئة، تماماً كما يتخلص المصور من صورة عليها إصبع أمام العدسة.
التصويت: ينظر المحققون الثلاثة المتخصصون إلى جميع قطع الأحجية. ويستخدمون نظام تصويت (يسمى الانتباه - Attention) لتقرير أي القطع هي الأكثر أهمية.
الحكم النهائي: يجمع النظام الأصوات لإعطاء درجة نهائية من 0 إلى 4.

النتائج: هل نجح الأمر؟

اختبر الفريق هذا النظام على بيانات حقيقية من ثلاثة مستشفيات مختلفة في جمهورية التشيك. استخدمت هذه المستشفيات أجهزة مسح وطرق صبغ مختلفة، مما جعل البيانات "فوضوية" للغاية وصعبة التوحيد.

الدقة: أدى الكمبيوتر أداءً يقارب أفضل أنظمة الذكاء الاصطناعي الموجودة (مثل نظام PathAI) وطابق اتساق الخبراء البشر.
الكفاءة: نظراً لأنه لم يكن بحاجة إلى تلك الملصقات التفصيلية المكلفة (رسم المربعات)، كان من السهل جداً تدريبه.
الشفافية: يمكن للنظام أن يوضح للأطباء أي قطع الأحجية ركز عليها لاتخاذ قراره. الأمر يشبه قيام الكمبيوتر بتحديد الأعشاب الضارة التي وجدها، حتى يتمكن الطبيب البشري من مراجعة العمل.

الخلاصة

يظهر هذا البحث أنك لست بحاجة إلى معلم مثالي ومكلف لتدريب ذكاء اصطناعي لتقييم التهاب القولون التقرحي. من خلال استخدام نهج "الإشراف الضعيف" (إعطاء الدرجة النهائية فقط) وفريق من المتخصصين المدعومين بـ "عيون فائقة" حديثة (النماذج التأسيسية)، يمكن لأجهزة الكمبيوتر تقييم عينات الأنسجة بموثوقية عبر مستشفيات مختلفة. هذا يجعل العملية أسرع وأكثر اتساقاً، مما يساعد الأطباء على علاج المرضى بشكل أفضل دون الحاجة إلى تسمية كل تفصيل يدوياً.

فيما يلي ملخص تقني مفصل للورقة البحثية بعنوان "التقييم الضعيف الخاضع للإشراف متعدد المراكز لمؤشر نانسي (Nancy Index) في التهاب القولون التقرحي باستخدام النماذج التأسيسية."

1. بيان المشكلة

تتناول الورقة البحثية تحدي أتمتة تسجيل مؤشر نانسي النسيجي (NHI) لنشاط التهاب القولون التقرحي (UC).

السياق السريري: يعد مؤشر NHI مقياساً معيارياً مكوناً من 5 درجات (0–4) يُستخدم لتقييم النشاط النسيجي في التهاب القولون التقرحي، وهو أمر بالغ الأهمية في التجارب السريرية والرعاية الروتينية. عملية التقييم اليدوي تستغرق وقتاً طويلاً وتعاني من تباين كبير بين المراقبين (inter-observer) وبين المراقب نفسه (intra-observer).
التحدي التقني: تعتمد الحل‌های الحالية في علم الأمراض الحوسبي غالباً على توصيفات كثيفة على مستوى المنطقة أو مستوى الخلايا، وهي عملية مكلفة وصعبة التوحيد عبر المؤسسات المختلفة.
الهدف المحدد: تطوير نظام تقييم آلي قوي يعمل تحت إشراف ضعيف (باستخدام تسميات على مستوى الحالة أو الشريحة فقط) عبر مجموعات بيانات متعددة المراكز ذات بروتوكولات صبغ، وأنواع ماسحات ضوئية، وفئات مرضى متباينة.

2. المنهجية

يقترح المؤلفون مسار عمل لـ تعلم المجموعات المتعددة (MIL) الخاضع للإشراف الضعيف والمصمم خصيصاً لصور الشرائح الكاملة (WSIs).

أ. إعداد البيانات

مجموعة البيانات: جمع استرجاعي لعينات خزعات القولون المصبوغة بصبغة الهيماتوكسيلين والإيوسين (H&E) من ثلاث مؤسسات تشيكية (IKEM, TUH, KNL) تغطي الفترة من 2019 إلى 2025.
التسميات (Labels): كانت درجات NHI المتاحة هي فقط على مستوى الشريحة/الحالة (0–4). لم تُستخدم أي توصيفات على مستوى المنطقة.
المعالجة المسبقة:
- كشف الأنسجة وضبط الجودة (إزالة الضبابية/العيوب).
- التقطيع (Tiling): تُقسم الشرائح إلى بلاطات (tiles) عند ثلاثة مستويات من الدقة (T0, T1, T2).
- تقسيم البيانات: تقسيم على مستوى الحالة لضمان عدم تسرب بيانات المرضى بين مجموعات التدريب، والاختبار الأولي، والاختبار النهائي.

ب. بنية النموذج

يستخدم مسار العمل نهج النموذج التأسيسي (Foundation Model) بالتزامن مع استراتيجية MIL متخصصة:

مشفرات النماذج التأسيسية: تقوم مشفرات بصرية مدربة مسبقاً ومجمدة (UNI2-h, Prov-GigaPath, Virchow2) باستخراج تضمينات البلاطات ( $h_i$ ).
نماذج الاستدلال المتخصصة: بدلاً من نموذج واحد ضخم، تم تدريب ثلاثة نماذج MIL متميزة لمهام تشخيصية فرعية محددة:
- نموذج نشاط الخلايا المتعادلة (Neutrophil Activity Model): تصنيف ثنائي (نشاط منخفض مقابل نشاط مرتفع).
- نموذج نانسي المنخفض (Nancy-Low Model): تصنيف متعدد الفئات للدرجات {0, 1, High}.
- نموذج نانسي المرتفع (Nancy-High Model): تصنيف متعدد الفئات للدرجات {Low, 2, 3, 4}.
التجميع القائم على الانتباه (متغير "المثيل أولاً" - Instance-First Variant):
- يقوم نظام MIL القياسي بتجميع التضمينات أولاً، ثم التصنيف.
- متغير هذه الورقة: يطبق مصنفاً خاصاً بالمهمة ( $c_\psi$ ) على كل تضمين بلاطة لإنشاء لوغاريتمات (logits) على مستوى البلاطة ( $s_i$ ).
- يتم بعد ذلك تجميع لوغاريتمات البلاطات باستخدام أوزان الانتباه ( $a_i$ ) لإنشاء لوغاريتمات على مستوى الشريحة: $s = \sum a_i s_i$ .
- يسمح هذا النهج ("المثيل أولاً") بالتقييم المباشر على مستوى البلاطة ويوفر قدرة أفضل على التفسير.

ج. ما بعد المعالجة والدمج (Ensembling)

استراتيجية الدمج: عند الاستدلال، تصوت النماذج الثلاثة لتحديد مجموعة النشاط (منخفض مقابل مرتفع).
التنبؤ النهائي: يتم اشتقاق درجة NHI النهائية (من 5 درجات) عن طريق اختيار النموذج المتخصص المناسب (المنخفض أو المرتفع) وأخذ القيمة العظمى (argmax) عبر فئات الدرجات الخاصة به، مع تجاهل فئة المجموعة الأخرى.

3. المساهمات الرئيسية

إطار الإشراف الضعيف: نجاح التعامل مع التنبؤ بـ NHI باستخدام تسميات عامة على مستوى الشريحة فقط، مما يلغي الحاجة إلى توصيفات كثيفة مكلفة.
بنية MIL المتخصصة: تقديم "بوابة هرمية" عبر دمج نماذج مخصصة للمهام (الخلايا المتعادلة، المنخفض، المرتفع) بدلاً من مصنف مسطح واحد، مما يحسن الأداء في نقاط طبية محددة.
تكامل النماذج التأسيسية: إثبات فعالية النماذج التأسيسية الحديثة لعلم الأمراض (تحديداً Virchow2) في التعامل مع التباين بين المراكز.
التحقق متعدد المراكز: تقييم صارم عبر ثلاث مؤسسات متميزة ذات بروتوكولات متنوعة، مما يثبت المتانة تجاه تغير النطاق (domain shift).
القابلية للتفسير: استخدام أوزان الانتباه والتصنيف على مستوى المثيل لتصور مناطق الأنسجة المحددة (مثل التهاب الخبايا، والخراجات) التي تقود القرار.

4. النتائج

تم تقييم النموذج على مجموعة اختبار نهائية تضم بيانات من جميع المراكز الثلاثة.

مقاييس الأداء:
- معامل كوهين كابا الموزون (Weighted Cohen's $\kappa$ ): بلغ 0.85 (مقارنة بمرجع PathAI الذي سجل 0.91).
- ارتباط سبيرمان ( $\rho$ ): بلغ 0.85 (مقارنة بمرجع PathAI الذي سجل 0.89).
- الأداء يقارب الأنظمة المرجعية القوية رغم استخدام الإشراف الضعيف فقط.
دراسات الاستئصال (Ablation Studies):
- اختيار المشفر: قدم Virchow2 أكبر مكاسب متسقة. استخدام دقة أقل (T2) مع Virchow2 حسن الدقة لمهام الخلايا المتعادلة و "نانسي-المنخفض" مع تقليل وقت الحوسبة بنسبة ~10 أضعاف.
- الدمج مقابل البوابة الهرمية: تفوق نهج الدمج المقترح (كابا موزون = 0.89) على خط الأساس للبوابة الهرمية الصارمة (كابا موزون = 0.87)، مما يشير إلى أن الرؤى المستقلة لكل مهمة تعطي قرارات أكثر متانة.
- كشف الخلايا المتعادلة: تفوق نموذج الخلايا المتعادلة المتعلم بشكل كبير على كاشف الخلايا المتعادلة المدرب مسبقاً خارجياً (الدقة: 0.91 مقابل 0.74).
القابلية للتفسير: نجحت خرائط الحرارة للانتباه في إبراز الميزات البيولوجية ذات الصلة مثل التهاب الخبايا بالخلايا المتعادلة، وخراجات الخبايا، وإصابة الظهارة السطحية.

5. الأهمية والخاتمة

الأثر السريري: يثبت هذا العمل أن تعلم المجموعات المتعددة (MIL) الخاضع للإشراف الضعيف مع النماذج التأسيسية يمكن أن يوفر تقييماً نسيجياً قوياً وقابلاً للتفسير في بيئات حقيقية متباينة ومتعددة المراكز.
الكفاءة: من خلال الاعتماد على التسميات على مستوى الشريحة، يقلل هذا النهج بشكل كبير من عبء التوصيف على أطباء المسالك، مما يجعل النشر واسع النطاق أمراً ممكناً.
دعم القرار: يعمل النظام كأداة دعم قرار فعالة يمكنها توحيد معايير التقييم عبر المراكز وتقليل التباين بين المراقبين، لا سيما في التمييز بين الحالات غير النشطة (NHI 0) والحالات عالية النشاط (NHI 4).
التوجه المستقبلي: تؤكد الدراسة إمكانية اعتماد نموذج "النماذج التأسيسية + الإشراف الضعيف" كمعيار قياسي لعلم الأمراض الحوسبي في البيئات السريرية المعقدة والواقعية.