تخيل أنك محقق تحاول حل لغز، ولكن بدلاً من مسرح جريمة، فإن "مسرح الجريمة" الخاص بك هو شريحة صغيرة ملونة من أنسجة مريض، مكبرة آلاف المرات تحت المجهر. هذا هو عالم علم الأمراض الحسابي (computational pathology)، حيث يستخدم العلماء أجهزة كمبيوتر قوية لقراءة هذه الصور المجهرية والتنبؤ بكيفية سلوك مرض المريض، مثل السرطان، بمرور الوقت. لفترة طويلة، كانت هذه الحواسيب تشبه السحرة العباقرة ولكن الصامتين: يمكنهم النظر إلى شريحة وقول: "هذا المريض من المرجح أن يعيش لفترة أطول"، أو "هذا المريض معرض لخطر أعلى"، بدقة مثيرة للإعجاب. لكن هناك مشكلة. عندما تسأل الكمبيوتر لماذا اتخذ هذا التنبؤ، فإنه عادة ما يشير بإصبع متوهجة إلى بقعة محددة في الصورة ويقول: "لقد نظرت هنا". لكنه لا يخبرك بماذا رأى في تلك البقعة. هل هي علامة على معركة مناعية شرسة؟ أم علامة على خلايا ميتة؟ أم نوع معين من الأوعية الدموية؟ بدون معرفة الـ "لماذا"، لا يمكن للأطباء الثقة تماماً في الكمبيوتر، ولا يمكنهم تعلم أسرار جديدة عن المرض التي قد يكون الكمبيوتر قد وجدها.

هنا يأتي دور أداة جديدة تسمى SAGE. تخيل SAGE كأنها مترجم يحول إشارات الكمبيوتر الصامتة إلى قصة منطوقة. تقدم الورقة البحثية طريقة لأخذ هؤلاء "السحرة الصامتين" (وتحديداً نوع من الذكاء الاصطناعي يسمى التعلم متعدد الأمثلة القائم على الانتباه، أو ABMIL) وسؤالهم عن شرح تفكيرهم باستخدام قاموس مكون من 25 مفهوماً بيولوجياً شائعاً، مثل "الخلايا الليمفاوية" (الخلايا المناعية)، أو "النخر" (الأنسجة الميتة)، أو "تكون الأوعية الدموية الجديدة" (نمو أوعية دموية جديدة). لم يقم الباحثون بإعادة تدريب الكمبيوتر أو إجباره على تعلم أشياء جديدة؛ بدلاً من ذلك، قاموا ببناء إطار عمل "بعدي" (post-hoc) يقرأ خريطة الانتباه الموجودة لدى الكمبيوتر ويترجمها إلى مفاهيم يمكن للبشر قراءتها. لقد اختبروا ذلك على سبعة أنواع مختلفة من السرطان من قاعدة بيانات ضخمة تسمى TCGA. والنتيجة؟ لم يكتفِ SAGE بتأكيد ما يعرفه الأطباء بالفعل — مثل حقيقة أن الأنسجة الميتة (النخر) عادة ما تكون أخباراً سيئة — بل كشف أيضاً عن قصص مدهشة خاصة بكل نوع من السرطان، مثل نوع معين من نمو الأوعية الدموية في سرطان الكلى بدا في الواقع علامة جيدة للمريض.

قصة SAGE: منح الذكاء الاصطناعي صوتاً

تخيل أن لديك مساعد روبوت ذكي جداً ولكنه خجول، بارع في تصحيح واجباتك المدرسية ولكنه يرفض إخبارك لماذا حصلت على درجة امتياز أو رسوب. هو فقط يحدد الصفحة ويقول: "ركز هنا". هذا هو بالضبط ما تفعله نماذج الذكاء الاصطناعي الحالية في علم الأمراض. إنها تنظر إلى صور الشرائح الكاملة (WSIs) — والتي تشبه الفسيفساء الرقمية الضخمة المكونة من آلاف الرقع الصغيرة — وتخصص "أوزان انتباه" مختلفة لكل رقعة. إذا حصلت رقعة ما على وزن انتباه عالٍ، فهذا يعني أن النموذج يعتقد أن تلك الرقعة الصغيرة المحددة مهمة لتنبؤه. لكن كلمة "مهمة" غامضة. هل هي مهمة لأنها تبدو كأورم؟ لأنها تبدو كجيش من الخلايا المناعية؟ أم لأن لونها غريب فقط؟

أراد مؤلفو هذه الورقة، عبد الله لمان و فريقه، حل هذا الغموض. لقد ابتكروا إطار عمل يسمى SAGE (التفسيرات العالمية للانتباه الدلالي). فكر في SAGE كدفتر ملاحظات للمحقق يأخذ إشارات الروبوت الغامضة ويملأ الفراغات بمفردات تتكون من 25 مفهوماً بيولوجياً محدداً. تتراوح هذه المفاهيم من أنواع الخلايا (مثل الخلايا الليمفاوية أو الخلايا السرطانية) إلى سلوكيات الخلايا (مثل الانقسام الفتيلي، وهو انقسام الخلايا) والميزات البيئية (مثل النخر أو الندبات).

إليك كيف يحدث السحر، خطوة بخوة:

1. النموذج المجمد: أخذ الباحثون نموذج ذكاء اصطناعي موجود، "مجمد" (أي أنه تم تدريبه بالفعل على التنبؤ بالبقاء على قيد الحياة) ولم يغيروا أي شيء في طريقة تفكيره. لقد احتفظوا فقط بأوزان الانتباه الخاصة به.
2. القاموس: استخدموا "نموذج رؤية-لغة" خاص (نوع من الذكاء الاصطناعي الذي يفهم الصور والكلمات معاً) لإنشاء قاموس لتلك المفاهيم الـ 25.
3. الترجمة: لكل رقعة صغيرة من نسيج الصورة، يسأل SAGE نموذج الرؤية-اللغة: "إلى أي مدى تشبه هذه الرقعة 'النخر'؟ وإلى أي مدى تشبه 'الخلايا الليمفاوية'؟" ويحصل على درجة لكل مفهوم.
4. التجميع: هذا هو الجزء الذكي. SAGE لا يقوم بمجرد حساب المتوسط لهذه الدرجات. بل يضربها في أوزان الانتباه التي أعطاها نموذج الذكاء الاصطناعي الأصلي لتلك الرقع. إذا كان الذكاء الاصطناعي الأصلي مركزاً بشدة على رقعة تبدو كثيراً مثل "النخر"، فإن SAGE يعطي "النخر" درجة عالية جداً. وإذا تجاهل الذكاء الاصطناعي رقعة تبدو مثل "الخلايا الليمفاوية"، فإن ذلك المفهوم يحصل على درجة منخفضة.
5. القصة العالمية: أخيراً، ينظر SAGE إلى جميع المرضى في مجموعة (cohort) ويسأل: "هل المرضى الذين لديهم درجات 'نخر' عالية يميلون إلى الحصول على تنبؤات بقاء أسوأ من الذكاء الاصطناعي؟" ومن خلال القيام بذلك، يصنع "تفسيراً عالمياً" يحكي قصة عن المجموعة بأكملها، وليس مجرد شريحة واحدة.

ما وجدوه: تأكيد القديم واكتشاف الجديد

عندما شغّل الفريق SAGE على سبعة مجموعات بيانات للسرطان (بما في ذلك سرطان الثدي، المثانة، عنق الرحم، القولون، الكلى، الدماغ، والرئة)، كانت النتائج مزيجاً من التأكيد المطمئن والاكتشاف المثير.

أولاً، "الإشارات الصامتة" للذكاء الاصطناعي كانت منطقية. عبر جميع الأنواع، كان مفهوم الخلايا الظهارية (اللبنات الأساسية الطبيعية للأنسجة) مرتبطاً بقوة بتنبؤات بقاء أفضل. وعلى العكس من ذلك، ارتبط النخر (الأنسجة الميتة) باستمرار بتنبؤات بقاء أسوأ. وهذا هو بالضبط ما قد يتوقعه أخصائي علم الأمراض، مما يشير إلى أن الذكاء الاصطناعي يتعلم بالفعل بيولوجيا حقيقية وليس مجرد ضوضاء عشوائية.

لكن المتعة الحقيقية بدأت عندما نظروا إلى أنواع محددة من السرطان. في سرطان الخلايا الكلوية الصافية (KIRC)، كان الذكاء الاصطناعي دقيقاً للغاية، وكشف SAGE عن نمط مذهل. فقد ربط النموذج بين تكون الأوعية الدموية الجديدة (النمو الجديد للأوعية الدموية) والخلايا البطانية (الخلا cells التي تبطن الأوعية الدموية) وبين بقاء أفضل. يبدو هذا غير منطقي — فعادة ما يعني وجود المزيد من الأوعية الدموية وجود ورم "جائع" — لكن الباحثين أشاروا إلى أن هذا يتماشى مع الأنواع الجزيئية المعروفة لسرطان الكلى حيث يكون نوع معين من نمو الأوعية الدموية في الواقع علامة على مرض أقل عدوانية.

في سرطان عنق الرحم (CESC)، ربط الذكاء الاصطناعي بين الخلايا المتعادلة (نوع من خلايا الدم البيضاء) والنتائج السيئة، وهو ما يتوافق مع الدراسات السابقة. ومن المثير للاهتمام، أنه في بعض الحالات، ربط الذكاء الاصطناست فرط الخلايا (وجود الكثير من الخلايا متراكمة معاً) بالبقاء على قيد الحياة بشكل أفضل. في البداية، بدا هذا غريباً لأن الخلايا المزدحمة تعني غالباً السرطان. ومع ذلك، عندما نظر الباحثون في الصور الفعلية، رأوا أن المناطق "المزدحمة" كانت في الواقع مليئة بالخلايا المناعية التي تقاتل السرطان، وليس مجرد خلايا ورمية. لقد ساعد SAGE في إدراك أن الذكاء الاصطناعي كان يرصد نوعاً "جيداً" من الازدحام.

لماذا يهم الأمر: الانتباه مقابل مجرد النظر

أحد أهم الأسئلة التي طرحها الفريق هو: "هل انتباه الذكاء الاصطناعي مهم حقاً، أم أننا سنحصل على نفس الإجابة إذا نظرنا إلى كل شيء بالتساوي؟"

لاختبار ذلك، أجروا تجربة تجاهلوا فيها أوزان انتباه الذكاء الاصطناعي واكتفينا بحساب متوسط درجات المفاهيم عبر الشريحة بأكملة. وجدوا أنه بينما كانت هناك بعض الاتجاهات حتى بدون الانتباه، إلا أن تركيز الذكاء الاصطناعي جعل الإشارات أكثر حدة ووضوحاً. على سبيل المثال، في سرطان الكلى، أصبح الارتباط بين الأوعية الدموية والبقاء الجيد أقوى بكثير عندما استخدموا أوزان انتباه الذكاء الاصطناعي. وهذا يشير إلى أن الذكاء الاصطناعي لا يخمن عشوائياً؛ بل يتعلم تحديداً التركيز على السمات الأكثر دلالة على المرض.

كما اختبروا ما إذا كان قاموسهم المكون من 25 كلمة كافياً بحد ذاته. فقد بنوا نموذجاً جديداً بسيطاً يستخدم فقط الأوصاف النصية لهذه المفاهف الـ 25 (بدون صور على الإطلاق) للتنبؤ بالبقاء على قيد الحياة. ومن المثير للدهشة، أن هذا النموذج "النصي فقط" كان يعمل بشكل جيد تقريباً مثل النموذج المعقد القائم على الصور. وهذا يشير إلى أن المفاهيم الـ 25 التي اختاروها تلتقط قدراً هائلاً من الحقيقة البيولوجية اللازمة للتنبؤ بنتائج المرضى.

الحدود والمستقبل

كان المؤلفون حذرين من المبالغة في تقدير نتائجهم. فقد أشاروا إلى أن SAGE هو أداة "بعدية" (post-hoc)، مما يعني أنها تفسر نموذجاً قد اتخذ قراره بالفعل. إنها تولد فرضيات، وليس دليلاً مطلقاً على السبب والنتيجة. كما اعترفوا بأن قائمتهم المكونة من 25 مفهوماً قد تغفل بعض السمات النادرة أو الدقيقة، وأن الذكاء الاصطناعي الذي استخدموه لترجمة الصور إلى كلمات (نموذج الرؤية-اللغة) ليس مثالياً وقد يرتكب أخطاء.

ومع ذلك، تشير الدراسة إلى أن SAGE أداة قوية وخفيفة الوزن يمكن "توصيلها" بنماذج الذكاء الاصطناعي الموجودة دون الحاجة إلى إعادة تدريبها. إنها تحول "الصندوق الأسود" إلى نافذة شفافة، مما يسمح للأطباء ليس فقط برؤية أين ينظر الذكاء الاصطناعي، بل ماذا يرى. ومن خلال الكشف عن أن الذكاء الاصطناعي يولي اهتماماً لأشياء مثل "تكون الأوعية الدموية" أو "التجمعات الليمفاوية"، يساعد SAGE في بناء الثقة بين الأطباء والآلات، وربما يساعد الأطباء أيضاً في اكتشاف أدلة بيولوجية جديدة حول كيفية سلوك السرطان.

في النهاية، لا يخبرنا SAGE فقط أن الذكاء الاصطناعي ذكي؛ بل يساعدنا على فهم اللغة التي يستخدمها الذكاء الاصطناعي لوصف جسم الإنسان، محولاً البيانات الباردة إلى قصة يمكننا جميعاً فهمها.