KAYRA: A Microservice Architecture for AI-Assisted Karyotyping with Cloud and On-Premise Deployment

إليك ملخص تقني مفصل لورقة البحث بعنوان: "KAYRA: بنية الخدمات المصغرة للنمط النووي بمساعدة الذكاء الاصطناعي مع إمكانية النشر السحابي والمحلي."

1. بيان المشكلة

النمط النووي (Karyotyping) هو إجراء تشخيصي سريري بالغ الأهمية يتضمن التحديد البصري، والترتيب، والاقتران للكروموسومات البشرية من صور المجهر لطور الاستدقاق (metaphase) المصبوغة بـ G-band. وهو أمر ضروري لفحص ما قبل الولادة، وعلم الأورام (مثل اكتشاف انتقال فيلادلفيا)، وتشخيص الأمراض الوراثية.

• التحديات الحالية: العملية حالياً يدوية، وتستغرق وقتاً طويلاً (30-90 دقيقة لكل حالة)، وتعتمد على قوة عاملة نادرة من أخصائيي الوراثة الخلوية المدربين تدريباً عالياً.
• الفجوة في هندسة النظم: رغم أن نماذج التعلم العميق (مثل Mask R-CNN و U-Net) أظهرت دقة عالية في التجزئة والتصنيف، إلا أن هناك نقصاً في حلول هندسة النظم القوية. وتحديداً، هناك حاجة لخدمة سريرية قابلة للنشر يمكنها:
  • التعامل مع خطوط معالجة متعددة النماذج (الكشف، التجزئة، التصنيف).
  • العمل ضمن القيود السريرية الصارمة (إقامة بيانات المرضى، المرونة بين النشر المحلي والسحابي).
  • التكامل مع سير عمل "الإنسان في الحلقة" (human-in-the-loop) للمراجعة من قبل الخبراء.

2. المنهجية: نظام KAYRA

نظام KAYRA هو نظام نمط نووي متكامل مصمم كـ خط معالجة خدمات مصغرة حاوية (containerized microservice pipeline). وهو مصمم ليكون مستقلاً عن بيئة النشر، حيث يعمل بنفس صور الحاويات في كل من البيئات السحابية (Kubernetes مدار) والبيئات المحلية (Docker Compose).

أ. بنية النظام

يقوم النظام بتفكيك سير العمل إلى خدمات مصغرة ذات مسؤولية واحدة تتواصل عبر بروتوكول HTTP/REST:

• منسق خط المعالجة (Pipeline Orchestrator): ينسق التدفق لكل صورة. ويطبق مبدأ "التشغيل المتدهور" (degraded operation): إذا فشلت خدمة سابقة، يتخطى خط المعالجة تلك المرحلة ويعيد نتائج جزئية بدلاً من الفشل التام، مما يضمن الفائدة لأخصائي الوراثة الخلوية.
• خدمات النماذج:
  1. التجزئة الدلالية (Semantic Segmentation): نموذج EfficientNet-B5 + U-Net.
  2. كشف المثيلات (Instance Detection): نموذج Mask R-CNN (ببنية ResNet-50 + FPN).
  3. حل مشكلات التكرار/التداخل: مرحلة منطقية مخصصة.
  4. التصنيف + التدوير: مصنف ResNet-18.
• الخلفية البرمجية (Backend): تتولى استيعاب الصور، وطوابير المهام غير المتزامنة، وواجهات البرمجة للتعديل التفاعلي، وتخليق النمط النووي المتوافق مع معايير ISCN.
• الواجهة الأمامية (Frontend): تدعم المراجعة التفاعلية من الخبراء (التقسيم، الدمج، إعادة التصنيف، تدوير الكروموسومات) مع سجلات تدقيق كاملة.

ب. خط معالجة تضييق منطقة الاهتمام المتتالي (Cascaded ROI-Narrowing Pipeline)

الابتكار الجوهي هو استراتيجية منطقة الاهتمام (ROI) المتتالية، والتي تطبق نهج "فرق تسد" للتعامل مع الكروموسومات المتداخلة وتقليل العبء الحسابي:

1. مرشح Otsu الأولي: يتم تصغير الصورة الأصلية (مثلاً 1830×1830)، ثم تحويلها إلى صورة ثنائية باستخدام طريقة Otsu، وتسمية المكونات المتصلة لإنشاء قص أولي (crop1).
2. التحسين الدلالي: يتم تصغير crop1 إلى 992×992 ومعالجته بواسطة U-Net (ببنية EfficientNet-B5) لتوليد قناع ثلاثي الفئات (الخلفية، الكروموسوم، التداخل).
3. استخراج منطقة الاهتمام الضيقة: يحدد النطاق غير الصفري لقناع U-Net قَصّاً أكثر دقة (crop2) بالدقة الأصلية.
4. تجزئة المثيلات: يعمل Mask R-CNN فقط على crop2 (عند زوايا 0 و45 درجة) للكشف عن الكروموسومات الفردية وإنشاء أقنعة دقيقة بكسلياً.
5. التصنيف: يتم قص الكروموسومات المكتشفة وتمريرها إلى مصنف ResNet-18 لتحديد نوع الكروموسوم (1–22، X، Y) وتقدير زاوية التدوير.

لماذا تهم هذه الطريقة المتتالية؟

• الكفاءة: يعالج Mask R-CNN مساحة بكسلات أصغر بنسبة ~34%، مما يقلل من حمل مقترحات شبكة اقتراح المناطق (RPN).
• الاستقرار: أحجام الإدخال الثابتة (992×992) تثبت ملفات تعريف الذاكرة وعمليات الدفعات (batching).
• الدقة: كل نموذج يرى فقط البيانات التي هو الأنسب لمعالجتها (على سبيل المثال، يقوم U-Net بإزالة ضجيج الخلفية قبل أن يحاول Mask R-CNN فصل التداخلات).

ج. بيانات التدريب

تم تدريب النماذج على مجموعة بيانات مجمعة تضم حوالي 24,000 نمط نووي تم ترميزها من قبل خبراء، تشمل:

• عينات الدم المحيطي ونخاع العظم.
• الحالات ذات التشوهات الهيكلية (الانتقالات، الحذف).
• تشوهات محددة (مثل t(9;22) الخاص بكروموسوم فيلادلفيا).
• بيانات من منصات تجارية لضمان المتانة عبر مختلف الموردين.
• الخصوصية: يتم تقسيم البيانات على مستوى معرف المريض لمنع التسرب بين مجموعات التدريب والتحقق والاختبار.

3. المساهمات الرئيسية

1. بنية الخدمات المصغرة: نظام مرن وحاوي يدعم النشر السحابي والمحلي، مما يلبي المتطلبات الحرجة لإقامة بيانات المرضى.
2. خط معالجة ROI المتتالي: نهج هندسي مبتكر يربط بين ترشيح Otsu، والتحسين الدلالي بـ U-Net، وتجزئة المثيلات بـ Mask R-CNN لتحسين الأداء في حالات الكروموسومات المتداخلة.
3. التحقق السريري: دراسة تجريبية صارمة قارنت KAYRA بنظامين مرجعيين تجاريين (أحدهما يعتمد على عتبة الكثافة، والآخر ذكاء اصطنا-حديث) باستخدام بيانات سريرية حقيقية.
4. تكامل "الإنسان في الحلقة": سير عمل مصمم للتبني السريري، يسمح لعلماء الوراثة الخلوية بتصحيح مخرجات الذكاء الاصطناعي مع توفير إصدارات وتدقيق كامل.

4. النتائج

تم تقييم النظام على 459 كروموسوماً من 10 مسحات طور استدقاق (7 طبيعية، 3 غير طبيعية) مقابل مرجعين تجاريين.

المقياس	KAYRA	المرجع 2 (ذكاء اصطناعي حديث)	المرجع 1 (عتبة الكثافة)	الدلالة الإحصائية (KAYRA مقابل المرجع 1)
دقة التجزئة	98.91%	78.21%	40.52%	$p < 0.0001$
دقة التصنيف	89.1%	86.9%	54.5%	$p < 0.0001$
دقة التدوير	89.76%	94.55%	78.43%	$p < 0.0001$

• التجزئة: تفوق KAYRA بشكل كبير على كلا المرجعين، حيث قام بتجزئة 454/459 كروموسوماً بشكل صحيح. وقد قلل بشكل ملحوظ من أخطاء "الاندماج" مقارنة بالمرجع 2.
• التصنيف: حقق KAYRA دقة بنسبة 89.1%، متفوقاً بشكل كبير على المرجع 1 القديم. أما الفرق مع المرجع 2 (86.9%) فلم يكن ذا دلالة إحصائية ($p=0.34$) نظراً لحجم العينة، رغم أن KAYRA أظهر أداءً فائقاً في مجموعات B و C متوسطة الحجم.
• التدوير: تأخر KAYRA قليلاً عن المرجع 2 (89.76% مقابل 94.55%)، وهو ما تم تحديده كمنطقة للتحسين عبر تعزيز بيانات التدريب.
• المتانة: قدم KAYRA أداءً أفضل في عينات نخاع العظم الصعبة تقنياً (دقة 93.5%) مقارنة بالدم المحيطي (86.5%)، ويرجع ذلك على الأرجح إلى توزيع بيانات التدريب.

5. الأهمية والخاتمة

• الجاهزية السريرية: وصل نظام KAYRA إلى مستوى الجاهزية التكنولوجية 6 (TRL 6)، حيث أثبت كونه نموذجاً أولياً تم التحقق منه في بيئة ذات صلة.
• مرونة النشر: تثبت البنية أن خطوط معالجة الذكاء الاصطناعي متعددة النماذج والمعقدة يمكن تغليفها لتلبية معايير حوكمة البيانات السريرية الصارمة (النشر المحلي) دون التضحية بقابلية التوسع التي يوفرها النشر السحابي.
• العمل المستقبلي: النظام مستقل عن نوع العمود الفقري (backbone)، مما يسمح بترقيات مستقبلية لنماذج تعتمد على المحولات (Transformers) مثل Mask2Former دون الحاجة لإعادة بناء البنية. تشمل الخطوات التالية المخطط لها التحقق متعدد المراكز، وتحسين دقة التدوير، ومعالجة نقص التمثيل لكروموسوم Y.

الخلاصة: نجح KAYRA في سد الفجوة بين نماذج التعلم العموي الأكاديمية والخدمات السريرية القابلة للنشر في علم الوراثة الخلوية، حيث قدم حلاً قوياً ومرناً وعالي الدقة يتكامل بسلاسة مع سير عمل الخبراء الحالي.