CytoFormer: A Molecularly Supervised Cell Foundation Model for Histopathology Cell Classification
يُعد CytoFormer نموذجاً تأسيسياً خلوياً مبتكراً يستفيد من بيانات نسيجية (H&E) وبيانات النسخ المتماثل المكاني المزدوجة من 16 عضواً لتحقيق تصنيف دقيق وفعال في استخدام الملصقات وقابل للتعميم للخلايا دون الاعتماد على التعليقات التوضيحية اليدوية لأخصائيي الأمراض.
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 الطب، الطريقة الأكثر شيوعاً للنظر داخل جسم الإنسان هي عبر المجهر، من خلال فحص شرائح رقيقة من الأنسجة المصبوغة بصبغات وردية وأرجوانية. هذا هو المعيار المعتمد لتشخيص أمراض مثل السرطان؛ حيث ينظر اختصاصي علم الأمراض إلى هذه الشرائح ويحدد أنواع الخلايا المختلفة الموجودة — سواء كانت أنسجة سليمة، أو خلايا مناعية غازية، أو خلايا ورمية مارقة. هذا الفحص البصري قوي، ولكنه أيضاً بطيء، وذاتي، ويصعب توسيع نطاقه. إن عدّ ملايين الخلايا الفردية بالعين المجردة أمر مستحيل، وحتى الخبراء قد يختلفون حول ماهية خلية معينة، خاصة عندما تبدو أنواع الخلايا المختلفة متشابهة تماماً تحت المجهر. لعقود من الزمن، كان الحلم هو تعليم الحواسيب القيام بهذا العدّ تلقائياً، لكن بناء حاسوب كهذا ظل عالقاً في عنق زجاجة: فهو يتطلب خبيراً بشرياً لتسمية (توسيم) ملايين الخلايا يدوياً لتعليم الآلة ما الذي يجب أن تبحث عنه. هذا العمل اليدوي ممل، ومكلف، وغالباً ما يكون غير موثوق، مما ترك المجال دون وجود ما يكفي من البيانات عالية الجودة لتدريب أنظمة ذكية حقاً.
لقد وجد فريق من الباحثين في جامعة بنسلفانيا طريقة لتجاوز عنق الزجاجة البشري هذا تماماً. فبدلاً من مطالبة اختصاصيي علم الأمراض بتسمية الخلايا، استخدموا نوعاً مختلفاً من الخرائط البيولوجية لتعليم الكمبيوتر. لقد ربطوا شرائح الأنسجة القياسية ذات اللون الوردي والأرجواني بتقنية أحدث تسمى "علم النسخ المكاني" (spatial transcriptomics)، والتي تعمل مثل ماسح ضوئي للرموز الشريطية الجزيئية. يقوم هذا الماسح بقراءة النشاط الجيني داخل كل خلية فردية بينما لا تزال مستقرة في النسيج. ولأن الشفرة الجينية فريدة من نوعها وتحدد هوية الخلية، فهي تخبر الباحثين بالضبط نوع الخلية التي ينظرون إليها، دون أي تخمين بشري. ومن خلال مطابقة هذه الهويات الجزيئية مع الصور المقابلة لها على الشرائح القياسية، أنشأ الفريق مجموعة بيانات ضخمة ذاتية الإشراف. واستخدموا هذه المجموعة لتدريب نموذج ذكاء اصطناعي جديد يسمى "سايتوفورمر" (CytoFormer)، والذي تعلم التعرف على أنواع الخلايا بمجرد النظر إلى شكل وقوام الخلايا في صور المجهر الروتينية.
والنتيجة هي نظام يمكنه تحديد أنواع الخلايا بمستوى من الدقة يضاهي الخبراء البشر، ولكن دون الحاجة إلى إنسان يرسم مربعاً واحداً حول خلية أثناء التدريب. قام الباحثون بتجميع بيانات من 81 مقطعاً نسيجياً مختلفاً تغطي 16 عضواً مختلفاً في جسم الإنسان، تتراوح من الثدي والرئة إلى الدماغ ونخاع العظم. وفي المجمل، عالجوا أكثر من 15 مليون خلية فردية. وبالنسبة لكل خلية، تعلم الكمبيوتر ربط المظهر البصري في الصورة المصبوغة بالهوية الجزيئية المحددة التي يوفرها الماسح الجيني. سمح هذا للنموذج بتعلم لغة عالمية لأشكال الخلايا تعمل عبر كامل الجسم. وعند اختباره على مقاطع نسيجية جديدة لم يسبق للنموذج رؤيتها، حدد أنواع الخلايا بشكل صحيح في 85 بالمائة من الحالات في المتوسط. والأهم من ذلك، أن النموذج لم يكتفِ بعدّ الخلايا فحسب؛ بل أعاد بناء الهندسة المعمارية الكاملة للنسيج، ورسم بدقة أماكن تواجد الأورام، والخلايا المناعية، والهياكل السليمة، مما أعاد إنتاج المشهد البيولوجي للعضو بفعالية.
ما يجعل هذا الاكتشاف مهماً بشكل خاص هو مدى جودة نقل النموذج لمعرفته إلى مواقف جديدة. اختبر الباحثون ما إذا كان بإمكان الذكاء الاصطناعي التعامل مع أعضاء وأنواع خلايا لم يسبق له مواجهتها أثناء تدريبه. طبقوا النموذج على أربعة مجموعات بيانات عامة تحتوي على خلايا من أعضاء مثل القولون والجلد، والتي لم تكن جزءاً من مجموعة التدريب الأصلية. وحتى بدون رؤية هذه الأنسجة المحددة من قبل، تفوق النموذج على ستة أنظمة أخرى رائدة من الذكاء الاصطناعي التي تم تدريبها على ملايين الصور الموسومة يدوياً. كان النموذج فعالاً بشكل خاص في السيناريوهات الصعبة حيث تبدو الخلايا متشابهة جداً، مثل التمييز بين الأنسجة السليمة الطبيعية والأنسجة السرطانية التي تحاكيها. في أحد الاختبارات، تعلم النموذج رصد الخلايا الطبيعية المختبئة بين خلايا ورمية تشبهها باستخدام بضع مئات من الأمثلة فقط المقدمة من إنسان، بينما تطلبت الأنظمة الأخرى أمثلة أكثر بكثير للوصول إلى نفس المستوى من الدقة. يشير هذا إلى أن النموذج تعلم القواعد البصرية الأساسية لكيفية ظهور الخلايا في بيئتها، بدلاً من مجرد حفظ قائمة لأنواع خلايا محددة.
استكشف الباحثون أيضاً مقدار النسيج المحيط الذي يحتاج الكمبيوتر لرؤيته لإجراء تحديد صحيح. اختبروا أحجام نوافذ صور مختلفة حول كل خلية، بدءاً من عرض ضيق يظهر الخلية نفسها فقط وصولاً إلى عرض واسع يظهر الحيّ المجاورة بأكملها. ووجدوا أن النموذج يعمل بشكل أفضل عندما يمكنه رؤية الخلية وجيرانها المباشرين، ولكن ليس قسم النسيج بأكره. سمح هذا التوازن للكمبيوتر بفهم سياق الخلية — سواء كانت تجلس في وعاء دموي، أو كتلة ورمية، أو غدة سليمة — دون فقدان التفاصيل الدقيقة لشكل الخلية نفسها. وقد ثبت أن حجم النافذة المحدد هذا، والذي يتوافق مع عرض صغير ولكن واضح للخلية، هو النقطة المثالية للدقة.
من خلال تحويل البيانات الجزيئية من الماسح الجيني إلى أداة تعليم للتعرف البصري، أنشأ الفريق مورداً قابلاً لإعادة الاستخدام يمكن تطبيقه على أي شريحة نسيج روتينية. لا يتطلب النموذج معدات باهظة الثمن لتشغيله؛ إذ يمكنه تحليل الشرائح القياسية المستخدمة بالفعل في المستشفيات كل يوم. وقد أتاح الباحثون الكود البرمجي والنموذج المدرب للمجتمع العلمي، مما يسمح للآخرين باستخدام هذه الطريقة الجديدة لرؤية الخلايا. وبينما يقوم النموذج الحالي بتجميع بعض الخلايا المتشابهة جداً معاً، مثل أنواع مختلفة من الخلايا المناعية، لأنها تبدو متشابهة، إلا أنه يمثل خطوة كبيرة للأمام. إنه يثبت أنه يمكننا بناء أدوات قوية للتحليل الخلوي دون الاعتماد على العملية البطيئة والمكلفة للتوسيم اليدوي. يفتح هذا النهج الباب لتحليل ملايين الخلايا عبر آلاف المرضى، محولاً شرائح المجهر الروتينية إلى خرائط مفصلة للنشاط الخلوي التي يمكن أن تساعد الأطباء في تشخيص الأمراض في وقت مبكر وبدقة أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.