تخيل عالماً يستطيع فيه الأطباء النظر إلى شريحة صغيرة من الأنسجة تحت المجهر، ليروا فوراً ليس فقط شكل كل خلية على حدة، بل يعرفون أيضاً بدقة نوع هذه الخلية وما إذا كانت سليمة أم مريضة. هذا هو حلم علم الأمراض الرقمي (Digital Pathology). لعقود من الزمن، استخدم العلماء برامج حاسوبية قوية، تُسمى الذكاء الاصطناعي (AI)، لمحاولة القيام بذلك تلقائياً. تعمل هذه البرامج كـ "مراقبين خارقين"، حيث تمسح آلاف الصور للعثور على أدلة قد تخفى على العين البشرية. لكن هناك عقبة: برامج الذكاء الاصطناعي هذه تشبه الطلاب الذين يجيدون حفظ الصورة الكبيرة، لكنهم يواجهون أحياناً صعوبة في رؤية التفاصيل الصغيرة والفوضوية الموجودة أمامهم مباشرة. غالباً ما يرتبكون عند محاولة رصد الخلايا النادرة أو غير العادية، مثل الخلايا "الميتة"، وهي خلايا حاسمة لتشخيص السرطان ولكن من الصعب العثور عليها لأنها لا تظهر كثيراً.

ولإصلاح ذلك، بنى الباحثون نماذج ذكاء اصطناعي تعمل مثل سباق التتابع. جزء من النموذج (المُشفّر - encoder) يبتعد ليرى الحي بأكمله، بينما يقوم جزء آخر (المُفكك - decoder) بالتقريب للنظر إلى المنازل المحددة. وهما يتبادلان الملاحظات عبر "وصلات تخطي" (skip connections) لدمج رؤيتهما. ومع ذلك، كانت الطريقة القديمة في تبادل هذه الملاحظات خرقاء بعض الشيء؛ فقد كانت تشبه الصراخ بكل التفاصيل من الرؤية البعيدة إلى الرؤية القريبة، حتى الأجزاء المملة أو المربكة منها. يقدم هذا البحث طريقة أذكى لتبادل الملاحظات، تضمن أن يعرف الذكاء الاصطناعي تماماً متى يثق في الصورة الكبيرة ومتى يثق في التفاصيل الدقيقة.

قصة SAFViT: "خريطة الثقة" لمحققي الخلايا

تعرفوا على SAFViT، وهو نموذج ذكاء اصطناعي جديد مصمم ليكون محققاً أفضل في العثور على وتصنيف نوى الخلايا في عينات الأنسجة. قام الباحثان، هارشيت ميتال وأراش راباني، ببناء هذا النموذج فوق إطار عمل موجود يسمى CellViT، لكنهما قررا ترقية الطريقة التي تتواصل بها أجزاء النموذج المختلفة مع بعضها البعض.

تخيل نموذج الذكاء الاصطناعي كفريق من محققين اثنين يعملان على قضية. المحقق (أ) (المُشفّر) هو "الخبير المحلي". إنه يقف بجانب مسرح الجريمة مباشرة، ينظر إلى الشقوق الصغيرة في الرصيف والأشكال المحددة لآثار الأقدام. لديه تفاصيل رائعة، لكنه قد يفتقر إلى السياق الأكبر. المحقق (ب) (المُفكك) هو "الخبير العالمي". إنه ينظر إلى خريطة المدينة من مروحية. هو يعرف تخطيط الحي والأنماط العامة، لكنه لا يستطيع رؤية آثار الأقدام الصغيرة على الأرض.

في نماذج الذكاء الاصطناعي القديمة، كان هذان المحققان يصرخان بكل ما يريانه في بعضهما البعض طوال الوقت. أحياناً، كان المحقق (أ) يصرخ بشأن حصاة لا تهم، والمحقق (ب) يصرخ بشأن شارع بعيد جداً. هذا "الضجيج" كان يربك القرار النهائي.

يقدم SAFViT أداة جديدة تسمى بوابة التركيز المكاني (Spatial Attention Fusion - SAF) Gating. تخيل هذه الأداة كـ "خريطة ثقة" سحرية أو "خريطة حرارية للثقة" ينشئها المحققان معاً لكل بكسل في الصورة. بدلاً من مجرد الصراخ، يتوقفان ويسألان: "بالنسبة لهذا الموقع تحديداً، من يجب أن نثق به أكثر؟"

• إذا كان الموقع عبارة عن حافة معقدة وفوضوية لخلية (مثل حدود متعرجة)، فإن خريطة الثقة تتوهج باللون الأحمر، لتخبر النظام: "ثق بالمحقق (أ) (الخبير المحلي)!" لأن التفاصيل الدقيقة موجودة هناك.
• إذا كان الموقع عبارة عن منطقة نسيج ناعمة وفارغة، فإن خريطة الثقة تتوهج باللون الأزرق، لتخبر النظام: "ثق بالمحقق (ب) (الخبير العالمي)!" لأن الصورة الكبيرة هي الأكثر موثوقية هناك.

هذه الخريطة ليست مجرد مفتاح بسيط "تشغيل/إيقاف". إنها مزيج سلس. يتعلم النظام خلط آراء المحققين الاثنين بشكل مثالي، مما يعطي وزناً أكبر لمن يعرف الأفضل لذلك الموقع تحديداً. هذا يسمح للذكاء الاصطناعي بالتوقف عن تجاهل الخلايا النادرة والمربكة التي تضيع عادةً في الضجيج.

ما وجدوه: الاختراق في الخلايا "الميتة"

اختبر الباحثون نموذج SAFViT الجديد ضد ست طرق أخرى لربط أجزاء الذكاء الاصطناعي، بما في ذلك نموذج CellViT الأصلي وعدة طرق "بوابات" (gating) شهيرة أخرى. استخدموا مجموعة بيانات ضخمة تسمى PanNuke، والتي تحتوي على صور خلايا من 19 نوعاً مختلفاً من السرطان.

كانت النتائج واضحة: أصبح SAFViT هو الأفضل في العثور على الخلايا الأندر والأكثر صعوبة.

في عالم هذه الخلايا، هناك خمسة أنواع رئيسية: الورمية (السرطانية)، الالتهابية، الضامة، الظهارية، والميتة. الخلايا "الميتة" هي المزعجة؛ فهي نادرة جداً (تشكل أقل من 2% من البيانات) وغالباً ما تبدو فوضوية، مما يجعل رصدها صعباً على الذكاء الاصطناعي.

• الفوز الكبير: نجح نموذج CellViT الأصلي في العثور على الخلايا "الميتة" بدرجة 0.373 (على مقي-اس 1.0 للكمال). أما نموذج SAFViT الجديد فقد رفع هذه الدرجة بشكل هائل إلى 0.518. هذا تحسن هائل بمقدار 14.5 نقطة.
• الدرجة الإجمالية: عندما تنظر إلى جودة التجزئة الإجمالية (المعروفة بـ mPQ)، حقق SAFViT درجة 0.471، وهي الأعلى بين جميع النماذج المختبرة.
• فشل الآخرين: ومن المثير للاهتمام أن طريقتين شائعتين أخريين (تُعرفان بـ AG و AFF) فشلتا تماماً في العثور على أي خلايا "ميتة"، حيث سجلتا 0.000. لقد كان تركيزهما منصباً تماماً على الأجزاء السهلة لدرجة أنهما فاتهما النوع النادر تماماً.

أظهر الباحثون أن SAFViT لم يحالفه الحظ فحسب. فقد قاموا بتصور "خريطة الثقة" ورأوا أنها أضاءت بشكل صحيح عند حواف الخلايا "الميتة"، مما أثبت أن النموذج تعلم بالفعل الوثوق بالتفاصيل المحلية في الأماكن التي تشتد الحاجة إليها.

هل يعمل في كل مكان؟ وهل هو سريع؟

للتأكد من أن SAFViT لم يكن مجرد يحفظ بيانات التدريب، اختبره الباحثون على مجموعة بيانات مختلفة تماماً تسمى MoNuSeg، والتي تحتوي على أنواع مختلفة من الأنسجة ولا تحتوي على تسميات للخلايا "الميتة". كانت النتائج قوية: أدى SAFViT أداءً يضاهي أفضل النماذج الأخرى، مما يثبت أن استراتيجية "خريطة الثقة" الخاصة به تعمل حتى على أنواع الأنسجة غير المرئية سابقاً.

ولعل الأهم بالنسبة للاستخدام في العالم الحقيقي، هو أن SAFViT لم يبطئ أي شيء. لقد عالج صورة في حوالي 5.7 ميلي ثانية، وهو تقريباً نفس سرعة النموذج الأصلي (5.8 ميلي ثانية). وهذا يعني أن الأطباء يمكنهم استخدام هذا الذكاء الاصطناعي الأكثر ذكاءً دون انتظار أطول لنتائجهم.

الخلاصة

يشير هذا البحث إلى أن سر بناء ذكاء اصطناعي طبي أفضل لا يكمن دائماً في بناء دماغ أكبر أو أكثر تعقيداً. أحياناً، يتعلق الأمر بتعليم الدماغ متى يستمع لمن. من خلال منح الذكاء الاصطناعي "خريطة ثقة" تقرر ما إذا كان يجب التركيز على التفاصيل الصغيرة أو الصورة الكبيرة عند كل بكسل، أصبح SAFViT أفضل بكثير في رصد الخلايا "الميتة" النادرة والحرجة التي فاتت النماذج الأخرى. وبينما كان التحسن في الخلايا النادرة ضخماً، ظل النموذج جيداً أيضاً في العثور على الخلايا الشائعة، مما يثبت أن هذه الطريقة الجديدة لدمج المعلومات هي أداة قوية لمستقبل تشخيص السرطان.