Interactive Whole Slide Images for RL-based Tumour Segmentation
تقترح هذه الورقة إطار عمل للتعلم التعزيزي من طرف إلى طرف يعامل صور الشرائح الكاملة كبيئات هرمية متعددة الدقة، مما يمكّن وكيلًا من إجراء تقسيم تسلسلي للأورام عبر إجراءات التنقل والتكبير، وهو ما يحقق جودة تقسيم تقريبية مماثلة للطرق القائمة على الرقع مع تقليل وقت الاستدلال بشكل كبير.
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
في عالم التشخيص الطبي، يفحص أطباء المسالك (الباثولوجيين) عينات الأنسجة تحت المجاهر لتحديد الأمراض مثل السرطان. وللقيام بذلك رقمياً، يستخدمون صور الشرائح الكاملة، وهي مسحات عالية الدقة وضخمة لشرائح زجاجية كاملة. هذه الصور كبيرة جداً لدرجة أنها تحتوي على مليارات البكسلات، وهو ما يتجاوز بكثير ما يمكن لشاشة الكمبيوتر عرضه في وقت واحد. ولتسهيل فهمها، تُخزن هذه الصور كأهرامات من الطبقات، حيث تكون الطبقة العليا عبارة عن نظرة عامة ضبابية وصغيرة، بينما تكون الطبقات السفلية لقطات مقربة دقيقة للغاية. تقليدياً، تحلل أجهزة الكمبيوتر هذه الشرائح عن طريق تقسيمها إلى آلاف المربعات الصغيرة الثابتة وفحص كل منها على حدة. ورغم أن هذا الأسلوب فعال، إلا أنه بطيء ومبذر، إذ يجبر الكمبيوتر غالباً على فحص مساحات شاسعة من الأنسجة السليمة لمجرد العثور على المناطق الصغيرة والمتناثرة حيث قد يختبئ ورم ما.
لطالاً ما تساءل الباحثون عما إذا كان بإمكان الحواسيب أن تتعلم النظر إلى هذه الشرائح كما يفعل الطبيب البشري: عبر مسح النظرة العامة، ثم التكبير على البقع المشبوهة، وتجاهل الباقي. تقترح دراسة جديدة أجراها فريق من فرنسا وإيطاليا وباريس طريقة حيث يتعلم وكيل ذكاء اصطناعي كيفية التنقل في هذه الشرائح الرقمية من تلقاء نفسه. فبدلاً من معالجة الصورة بأكملها دفعة واحدة، يتحرك الوكيل عبر الشريحة، مقرراً أين ينظر، وما مدى التكبير المطلوب، ومتى يحدد بقعة ما كمنطقة ورمية. وقد وجد الباحثون أن هذا النهج التفاعلي يسمح للكمبيوتر بالعثور على الأورام بدقة مماثلة للطرق التقليدية ولكن في جزء ضئيل من الوقت، محولاً عملية تستغرق دقائق إلى عملية تستغرق ثوانٍ معدودة.
جوهر هذا العمل هو نظام يعامل الشريحة الرقمية ليس كصورة ثابتة، بل كبيئة تفاعلية. تخيل طبيب مسالك يجلس أمام مجهر؛ فهو لا ينظر إلى كل خلية في العينة، بل يبدأ برؤية واسعة، ثم يرصد منطقة تبدو غير طبيعية، ومن ثم يكبر ليفحصها بدقة. لقد بنى الباحثون برنامجاً حاسوبياً يحاكي هذا السلوك؛ حيث صمموا وكيلاً افتراضياً يمكنه التحرك يساراً، يميناً، أعلى، أو أسفل، ويمكنه التكبير أو التصغير لتغيير مستوى التفاصيل التي يراها. هدف الوكيل هو بناء خريطة للورم من خلال القيام بسلسلة من هذه التحركات والاختيارات. يبدأ من لوحة فارغة ويملأ شكل الورم تدريجياً عبر اختيار الأجزاء التي يجب التركيز عليها من الشريحة.
لتعليم الوكيل كيفية القيام بذلك، استخدم الباحثون طريقة تعلم تسمى "التعلم التعزيزي". وهذا نوع من التدريب حيث يتعلم الوكيل من خلال التجربة والخطأ، ويتلقى تغذية راجعة مقابل أفعاله. في هذه الحالة، يحصل الوكيل على "مكافأة" عندما يقترب تخمينه الحالي لموقع الورم من الموقع الحقيقي، والمعروف من خلال التوصيفات البشرية الخبيرة. صمم الباحثون نظام المكافأة بعناية؛ فقد وجدوا أنه إذا تم مكافأة الوكيل ببساطة لمجرد العثور على أي جزء من الورم، فقد يصبح عدوانياً للغاية ويصنف الأنسجة السليمة على أنها سرطانية. ومع ذلك، إذا تم هيكلة المكافأة لتشجيع الوكيل على تحسين خريطته أثناء تقدمه، فإنه يتعلم أن يكون أكثر دقة. وأظهرت الدراسة أن منح الوكيل قدراً معتدلاً من الوقت للقيام بتحركاته — حوالي 80 خطوة لكل شريحة — سمح له بالعثور على الورم بفعالية دون الضياع في التفاصيل غير الضرورية.
اختبر الفريق هذا النظام على شرائح لمرضى مصابين بسرطان الغدة القنوي الرئوي (adenocarcinoma)، وهو نوع شائع من سرطان الرئة. وقارنوا وكيلهم الجديد بالأساليب الحاسوبية القياسية التي تقسم الشريحة إلى مربعات ثابتة. كانت النتائج مذهلة؛ فالطرق التقليدية، التي تعالج الشريحة بأكملها، استغرقت في المتوسط أكثر من 229 ثانية لتحليل شريحة واحدة، وبعضها استغرق وقتاً أطول اعتماداً على حجم الورم. وفي المقابل، أكمل الوكيل التفاعلي الجديد المهمة نفسها في متوسط قدره 3 ثوانٍ فقط. وبينما كان الوكيل أقل دقة قليلاً في رسم الحواف الدقيقة للورم مقارنة بالطرق التقليدية الأكثر تقدماً، إلا أنه التقط الشكل العام وموقع المرض بدقة مماثلة. هذا التبادل يعد مهماً لأن هذا يعني أن الطبيب يمكنه الحصول على تحليل أولي للشريحة بشكل فوري تقريباً، بدلاً من الانتظار حتى يعالج الكمبيوتر كل بوصة من الصورة.
كان أحد أهم الاكتشافات في الدراسة هو أن الوكيل يحتاج إلى رؤية مجموعة متنوعة من الأمثلة ليتعلم جيداً. فعندما درب الباحثون الوكيل على مجموعة صغيرة من الشرائح، واجه صعوبة في التعميم على مرضى جدد. ومع ذلك، عندما وسعوا مجموعة التدريب لتشمل العديد من الشرائح الإضافية، أصبح الوكيل أكثر موثوقية. يشير هذا إلى أنه لكي تتعلم الحواسيب كيفية التنقل في الصور الطبية المعقدة بفعالية، فإنها تحتاج إلى التعرض لمجموعة متنوعة من الحالات، تماماً كما يفعل الأطباء البشر. كما سلطت الدراسة الضوء على أن الوكيل لم يكن بحاجة إلى أنظمة ذاكرة معقدة لتذكر ما رآه؛ إذ كان الجمع بين الرؤية الحالية ونظرة عامة شاملة للشريحة كافياً لجعله يتخذ قرارات جيدة.
يقر الباحثون بأن طريقتهم ليست مثالية؛ فالوكيل يواجه أحياناً صعوبة في التعامل مع التفاصيل الدقيقة لحدود الورم، ويرجع ذلك على الأرجح إلى أنه يتحرك في خطوات كبيرة جداً بحيث لا تلتقط أصغر التعرجات. بالإضافة إلى ذلك، أُجريت الدراسة على نوع واحد من السرطان من مستشفى واحد، لذا ليس من المعروف بعد ما إذا كانت نفس الطريقة ستنجح مع أمراض أخرى أو في سياقات سريرية مختلفة. ورغم هذه القيود، فإن هذا العمل يوضح مساراً واضحاً للمستقبل. فمن خلال السماح للحواسيب بالتفاعل مع الصور الطبية بطريقة تحاكي الاستكشاف البشري، يمكن تقليل الوقت المطلوب للتشخيص بشكل كبير دون التضحية بالكثير من الدقة. يقدم هذا النهج طريقة واعدة للتعامل مع الحجم الهائل للبيانات في علم المسالك الحديث، مما قد يسمح للأطباء بتركيز اهتمامهم على الحالات التي تحتاج إلى انتباههم أكثر من غيرها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.