PET/CT Radiogenomic Mutation Prediction in Non-Small Cell Lung Cancer Using Multi-Label Learning
تُظهر هذه الدراسة أنه بينما يمكن للتعلم العميق القائم على التصوير المقطعي بالإصدار البوزيتروني والتصوير المقطعي المحوسب (PET/CT) التنبؤ بطفرات سرطان الرئة غير الخلايا الصغيرة (NSCLC)، فإن فعالية التعلم متعدد الملصقات تتباين بشكل كبير اعتماداً على زوج الجينات المحدد الذي يتم نمذجته، حيث أظهر التنبؤ المشترك لـ KRAS وTP53 تحسناً مقارنة بالتصنيف أحادي الجين.
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 أنك محقق يحاول حل لغز داخل جسم مريض. عادةً، وللعثور على الأدلة التي تخبرنا كيف سيتصرف السرطان، يتعين على الأطباء إجراء خزعة. هذا يشبه إرسال مسبار صغير إلى كهف مظلم لالتقاط صخرة واحدة؛ يخبرك هذا المسبار بشيء ما عن تلك البقعة المحددة، لكنه قد يفتقد بقية أسرار الكهف، كما يمكن أن يكون مؤلماً ومحفوفاً بالمخاطر. الآن، تخيل لو كان بإمكانك فقط التقاط صورة فائقة القوة للكهف بأكمله واستخدام كمبيوتر ذكي لتخمين نوع الصخور الموجودة بداخله، دون لمسها أبداً. هذا هو عالم علم الجينوم الإشعاعي (radiogenomics). إنه مجال يحاول فيه العلماء ربط الصور التي يلتقطها الأطباء (مثل فحوصات PET/CT، التي تظهر شكل الورم ومدى جوعه للطاقة) بالشفرة الجينية المخفية داخل خلايا الورم. السؤال الكبير هو: هل يمكن للكمبيوتر أن ينظر إلى هذه الصور ويخبرنا أي "مفاتيح" جينية محددة تم تشغيلها أو إيقاف تشغيلها؟ إذا استطاع ذلك، فقد يساعد الأطباء في اختيار الدواء المثالي لكل مريض دون الحاجة إلى جراحة باضعة.
هذه الورقة البحثية تتحدث عن فريق من الباحثين الذين قرروا اختبار استراتيجية جديدة لعمل المحقق الكمبيوتري هذا. لقد ركزوا على سرطان الرئة غير صغير الخلايا (NSCLC)، وهو نوع شائع من سرطان الرئة، ونظروا في ثلاثة مفاتيح جينية محددة: EGFR وKRAS وTP53. فكر في هذه المفاتيح كأنها إعدادات مختلفة لآلة معقدة؛ معرفة أي منها نشط يساعد الأطباء في تحديد أفضل علاج. طرح الباحثون سؤالاً ذكياً: هل من الأفضل تعليم الكمبيوتر تخمين مفتاح واحد في كل مرة، أم يجب أن يحاول تخمين مفتاحين في نفس الوقت؟ هم يسمون هذا "التعلم متعدد الملصقات" (multi-label learning). إنه يشبه سؤال طالب في اختبار رياضيات حيث يتعين عليه حل مسألتين مرتبطتين معاً، على أمل أن يساعد حل إحداهما في فهم الأخرى.
استخدم الفريق مجموعة بيانات خاصة من المملكة المتحدة تضم 263 مريضاً مصاباً بسرطان الرئة المؤكد. قاموا بتدريب نموذج تعلم عميق (نوع من الذكاء الاصطناعي الذي يتعلم من خلال النظر في آلاف الأمثلة) للنظر في صور PET/CT والتنبؤ بحالة هذه الجينات. وقارنوا بين نهجين: أحدهما حيث يتعلم الذكاء الاصطناعي عن كل جين على حدة، والآخر حيث يتعلم عن أزواج من الجينات معاً.
إليكم ما وجدوه، والأمر يشبه النتوة المختلطة. عندما طلبوا من الذكاء الاصطناعي تخمين مفاتيح KRAS وTP53 في وقت واحد، فقد أصبح في الواقع أفضل في كلاهما! تحسنت قدرة الكمبيوتر على رصد مفتاح KRAS من درجة 0.58 إلى 0.64، وبالنسبة لـ TP53، ارتفعت من 0.69 إلى 0.71. يبدو أنه بالنسبة لهذا الزوج المحدد، ساعدت أدلة أحد الجينات الكمبيوتر على فهم الآخر، مثل صديقين يساعدان بعضهما في حل لغز.
ومع ذلك، تتغير القصة عندما جربوا أزواجاً أخرى. عندما طلبوا من الذكاء الاصطناعي تخمين EGFR وKRAS معاً، أصبح الكمبيوتر أفضل في رصد EGFR ولكنه أصبح في الواقع أسوأ في رصد KRAS. الأمر يشبه أن الكمبيوتر أصبح شديد التركيز على أدلة EGFR لدرجة أنه ارتبك بشأن KRAS. وعندما جربوا زوج EGFR وTP53، لم يساعد التعلم المشترك على الإطلاق؛ بل كان الكمبيوتر يؤدي بشكل أفضل عندما يتعلم عنهما بشكل منفصل.
يشير الباحثون إلى أن هذا يعني أنه لا توجد قاعدة "مقاس واحد يناسب الجميع" لتعليم الذكاء الاصطناعي قراءة هذه المفاتيح الجينية. فأحياناً، يساعد تعلم شيئين معاً، وأحياناً أخرى يعيق ذلك العملية. وخلصوا إلى أنه بدلاً من محاولة تخمين جينات متعددة في وقت واحد دائماً، يجب على الأطباء والعلماء اختيار الاستراتيجية بناءً على الجينات المحددة التي يبحثون عنها. فبالنسبة لبعض التوليفات، يعمل العمل الجماعي؛ ولأخرى، يكون العمل بمفرده أفضل. لا تثبت هذه الدراسة أنه يمكننا استبدال الخزعات بعد، لكنها تشير إلى أنه إذا أردنا استخدام الذكاء الاصطناعي للتنبؤ بالجينات من الصور، فنحن بحاجة إلى أن نكون حذرين للغاية بشأن كيفية تعليم الكمبيوتر، ومطابقة الطريقة مع اللغز الجيني المحدد الذي نحاول حله.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.