KHiM-Mamba: Injecting Pathology Knowledge into Mamba via Hidden-State Modulation for Whole Slide Image Analysis
تُعد KHiM-Mamba بنية تعلم متعدد الحالات مبتكرة تعزز تحليل صور الشرائح الكاملة من خلال دمج المعرفة المرضية والأوصاف الدلالية المستمدة من النماذج اللغوية الكبيرة لتعديل حالات "مامبا" (Mamba) الخفية، مما يمنع تراكم المعلومات غير ذات الصلة ويحقق أداءً رائدًا عبر مهام تشخيصية متنوعة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
في عالم الطب الحديث، تُعد الأداة الأكثر أهمية لطبيب علم الأمراض هي شريحة زجاجية تحتوي على عينة صغيرة من الأنسجة البشرية، مكبرة حتى تكشف عن البنية الخلوية للحياة والمرض. واليوم، يتم مسح هذه الشرائح ضوئياً إلى صور رقمية ضخمة، كبيرة جداً لدرجة أنها تحتوي على مليارات البكسلات، وهي أكبر بكثير مما يمكن للعين البشرية فحصها في نظرة واحدة. ولمساعدة الأطباء في التنقل عبر هذه المناظر الطبيعية الرقمية، طور العلماء أنظمة ذكاء اصطناعي تعمل كمساعدين لا يكلون. تقوم هذه الأنظمة بتجزئة الصورة العملاقة إلى آلاف القطع الصغيرة سهلة الإدارة، وتحليل ملمس وشكل الخلايا في كل قطعة، ثم تحاول تجميع تشخيص شامل. ويكمن التحدي في الحجم الهائل والضجيج؛ فقد تحتوي الشريحة الواحدة على ملايين الخلايا، لكن بضع مجموعات متفرقة فقط هي التي تحمل مفتاح التشخيص، بينما يمثل الباقي أنسجة سليمة أو خلفية غير ذات ص relevance. وإذا تشتت انتباه الكمبيوتر بسبب الكم الهائل من المعلومات غير المهمة، فقد يفقد الأدلة الحاسمة المختبئة في الزوايا.
لقد لجأ الباحثون مؤخراً إلى نوع جديد من بنية الذكاء الاصطناعي، مستوحى من كيفية معالجة الدماغ البشري لتسلسلات المعلومات بمرور الوقت، للتعامل مع هذه الشرائح الرقمية الضخمة. هذه التكنولوجيا ممتازة في تذكر ما رأته سابقاً في تسلسل طويل وتقرر ما يجب الاحتفاظ به في الذاكرة أثناء المضي قدماً. ومع ذلك، اكتشف فريق من العلماء من هونغ كونغ وتشونغتشينغ خللاً في كيفية استخدام هذه النماذج. فقد وجدوا أنه عندما تقوم نماذج الذكاء الاصطناعي هذه بمسح الشريحة، فإنها تعتمد كلياً على شكل البكسلات. فإذا تم صبغ الشريحة بلون صبغة مختلف قليلاً -وهو اختلاف شائع في المختبرات- فقد يرتبك النموذج، ويعامل تغير اللون غير الضار كدليل طبي هام. وقد تسبب هذا في تراكم التفاصيل غير ذات الصلة في ذاكرتها، مما أدى إلى إضعاف الأدلة الحاسمة اللازمة للتشخيص. ولحل هذه المشكلة، قدم الباحثون طريقة جديدة تحقن المعرفة الطبية الفعلية مباشرة في عملية الذاكرة لدى الذكاء الاصطناعي، لتعليم النظام تجاهل الضجيج والتركيز على ما يهم حقاً.
قام الفريق، بقيادة باحثين من جامعة هونغ كونغ للعلوم والتكنولوجيا وجامعة تشونغتشينغ، بتطوير نظام أطلقوا عليه اسم KHiM-Mamba. وبدلاً من ترك الذكاء الاصطناعي يقرر من تلقاء نفسه ما يتذكره أثناء مسح الشريحة، قدموا له دليلاً إرشادياً مكتوباً بلغة علم الأمراض. يحتوي هذا الدليل على أوصاف محددة لما تبدو عليه أنواع الأنسجة المختلفة عندما تكون سليمة أو مريضة. وبينما ينتقل الذكاء الاصطناعي من قطعة صغيرة من الشريحة إلى التالية، فإنه يستشير هذا الدليل ليقرر المعلومات التي تستحق التخزين في ذاكرته وما يجب التخلص منه. تخيل أميناً للمكتبة، بينما يقوم بفرز كومة ضخمة من الكتب، يُسلم إليه قائمة محددة بالعناوين التي يجب الاحتفاظ بها وقائمة بالعناوين التي يجب تجاهلها؛ لن يعود أمين المكتبة بحاجة للتخمين بشأن أهمية الكتب. وفي هذه الحالة، "أمين المكتبة" هو الذكاء الاصطناعي، و"الكتب" هي قطع الصور الصغيرة، و"القائمة" هي المعرفة الطبية المقدمة من نموذج لغوي كبير.
وجد الباحثون أن المحاولات السابقة لاستخدام اللغة لمساعدة الذكاء الاصطناعي في تشخيص الشرائح كانت غالباً غير مباشرة للغاية. تلك الأساليب كانت تستخدم اللغة لاختيار الشرائح التي سيتم النظر فيها قبل بدء التحليل، أو للتحقق من الإجابة النهائية بعد ذلك. أما النهج الجديد فهو مختلف لأنه يغير الآلية الجوهرية لكيفية تفكير الذكاء الاصطناعي؛ فهو يعدل عمليات "الكتابة" و"القراءة" الداخلية لنظام الذاكرة. فعندما يكتب الذكاء الاصطناعي ذاكرة جديدة، تخبره المعرفة الطبية بالتركيز على أشكال وأنماط معينة مرتبطة بالمرض، بدلاً من مجرد الألوان أو الملامس التي قد تكون مضللة. وعندما يقرأ الذكاء الاصطناعي من ذاكرته لاتخاذ قرار، توجهه المعرفة لاسترجاع الأدلة الأكثر صلة التي تم تجميعها حتى الآن. وهذا يضمن أن النظام يبني تمثيلاً للشريحة بناءً على روابط ذات معنى طبي، بدلاً من التشتت بالتباينات البصرية غير ذات الصلة.
ولجعل هذا يعمل، أنشأ الفريق نظاماً ذكياً يولد الأوصاف الطبية الصحيحة لكل جزء محدد من الشريحة. وبما أن الشريحة الواحدة تحتوي على أنواع عديدة ومختلفة من الأنسجة، فإن الوصف العام ليس كافياً. يستخدم النظام نموذجاً لغوياً قوياً للنظر في قطعة صغيرة من النسيج، وتحديد نوع هذا النسيج، ثم توليد وصف دقيق ومفصل لما يجب أن يبدو عليه هذا النسيج إذا كان سليماً أو مريضاً. وإذا كان النظام غير متأكد من نوع النسيج، فإنه يعود إلى وصف أوسع وأكثر أماناً لتجنب ارتكاب الأخطاء. تضمن هذه العملية الديناميكية تلقي الذكاء الاصطناعي لأدق وأكثر التوجيهات تحديداً لكل قطعة من قطع اللغز التي يحلها.
تم اختبار نتائج هذا النهج عبر أحد عشر مجموعة بيانات عامة تتضمن أنواعاً مختلفة من السرطان ونتائج المرضى. تفوق النظام باستمرار على أفضل الأساليب الموجودة. وفي المهام التي توجب على الذكاء الاصطناعي التمييز بين الأنواع الفرعية المختلفة لسرطان الثدي، حقق دقة أعلى من أي نموذج سابق. وعند التنبؤ بأوقات بقاء المرضى بناءً على عينات الأنسجة، قدم تقييمات أكثر موثوقية للمخاطر، وفصل بشكل أفضل بين المرضى ذوي المخاطر العالية والمخاطر المنخفضة. ولعل الأهم من ذلك، أثبت النظام كفاءته عند اختباره على شرائح من مستشفيات مختلفة استخدمت تقنيات صبغ مختلفة. وبينما عانت النماذج الأخرى من هذه الاختلافات، وفشلت غالباً عندما تتغير الألوان قليلاً، حافظ النظام الجديد على أدائه العالي. وهذا يشير إلى أنه من خلال ترسيخ الذكاء الاصطناعي في المعرفة الطبية بدلاً من مجرد الأنماط البصرية، فقد تعلم رؤية المرض نفسه، وليس مجرد مظهر الشريحة.
كما بحثت الدراسة في مدى فعالية النظام عندما يكون لديه قدر ضئيل جداً من البيانات للتعلم منها، وهي مشكلة شائعة في الطب حيث تكون الأمثلة المصنفة نادرة. في الاختبارات التي عُرض فيها على الذكاء الاصطناٍ ثمانية أو ستة عشر مثالاً فقط لتعلم مرض ما، تفوقت الطريقة الجديدة بشكل كبير على منافسيها. وهذا يشير إلى أن المعرفة الطبية المحقونة في النظام تعمل كأساس قوي، مما يسمح له بالتعلم بفعالية حتى مع الحد الأدنى من بيانات التدريب. كما أكد الباحثون أن إضافة هذه الطبقة من المعرفة لم تؤدِ إلى إبطاء النظام أو جعله ضخماً بحيث يصعب تشغيله على أجهزة الكمبيوتر القياسية؛ فقد ظل النظام سريعاً وفعالاً، وقادراً على معالجة آلاف قطع الصور في ثوانٍ.
من خلال إعادة التفكير في كيفية معالجة الذكاء الاصطناعي للصور الطبية، يوضح هذا العمل أن الجمع بين البيانات البصرية والمعرفة الطبية الصريحة يخلق أداة تشخيصية أكثر موثوقية ودقة. لقد أظهر الباحثون أن المفتاح لحل مشكلة البيانات الضخمة والمشوشة ليس مجرد بناء حواسيب أكبر، بل تعليم الكمبيوتر ما الذي يجب أن يبحث عنه. يقدم هذا النهج مساراً جديداً لعلم الأمراض الحسابي، حيث الهدف هو مساعدة الأطباء من خلال تصفية ما لا صلة له وتسليط الضوء على ما هو حاسم، لضمان أن يكون التشخيص النهائي مبنياً على أقوى دليل ممكن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.