Delta Marches: Generative AI based image synthesis to decode disease-driving morphologic transformations.
يُعد "دلتا-مارشز" (Delta-Marches) إطار عمل للذكاء الاصطناóلي التوليدي يعمل على فك رموز آليات المرض من خلال محاكاة التحولات المورفولوجية المثالية بين الفئات النسيجية لتحديد السمات تحت الخلوية التي تقود التغيرات المرضية، كما تم إثباته في تصنيف سرطان الخلايا الكلوية وعسر التنسج في القولون والمستقيم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
داخل جسم الإنسان، تُكتب قصة المرض غالباً من خلال شكل الخلايا وترتيبها. لطالما اعتمد أخصائيو الأمراض، وهم الأطباء الذين يفحصون عينات الأنسجة تحت المجاهر، على هذه الأنماط البصرية لتشخيص الأمراض؛ حيث يبحثون عن التغيرات في كيفية تكتل الخلايا، وكيفية ظهور نواتها، وكيفية تنظيم الهياكل المحيطة بها. وبينما يتمتع الخبراء البشريون بمهارة عالية في التعرف على هذه الأنماط العامة، فإن العالم المجهري يحتوي على كم هائل من التفاصيل التي لا يمكن للعين البشرية معالجتها بالكامل دفعة واحدة. وتستطيع الحواسيب الحديثة، المزودة بالتعلم العميق، رؤية تفاصيل مكانية أكثر بكثير مما يمكن لأي شخص رؤيته، حيث تكتشف إشارات دقيقة تلمح إلى ما يحدث داخل الخلية. ومع ذلك، لا تزال هناك فجوة كبيرة؛ فبينما تستطيع الحواسيب تحديد ما إذا كانت عينة النسيج مصابة بالمرض، إلا أنها تواجه صعوبة في شرح أي التغيرات الهيكلية الدقيقة تسببت في هذا الاستنتاج. وبدون هذا التفسير، يصعب على العلماء فهم الآليات البيولوجية الكامنة التي تقود المرض أو استخدام هذه الرؤى لتطوير علاجات جديدة.
لقد طور فريق من الباحثين طريقة جديدة تسمى "دلتا-مارشز" (Delta-Marches) لسد هذه الفجوة. وبدلاً من محاولة الهندسة العكسية لكيفية اتخاذ الكمبيوتر لقرار ما، يطلب هذا النهج من الكمبيوتر تخيل كيف سيبدو عينة النسيج لو كانت مختلفة قليلاً. يأخذ النظام صورة لعينة نسيج ويستخدم الذكاء الاصطناعي التوليدي لمحاكاة تغيير محدد، مثل نقل العينة من درجة مرض منخفضة إلى درجة أعلى. ثم يقوم بمقارنة الصورة الأصلية مع هذه النسخة المعدلة والجديدة. ومن خلال النظر في الاختلافات بين الاثنين، يمكن للنظام تحديد الميزات التي تغيرت أكثر من غيرها بدقة. تعمل هذه العملية على تصفية الاختلافات العشوائية التي تحدث من مريض لآخر، مما يسمح للباحثين بالتركيز على التحولات المورفولوجية (الشكلية) المحددة التي تقود المرض.
اختبر الباحثون هذه الطريقة أولاً على سرطان الكلى، وبالتحديد من خلال مراقبة كيفية تصنيف الأورم بناءً على شدتها. وقد أنتج النظام صوراً واقعية تظهر الانتقال من درجة منخفضة إلى درجة أعلى. ومن خلال القيام بذلك، حدد النظام أن التغيرات في شكل ومظهر نويات الخلايا الورمية كانت العوامل الأكثر حسمًا في تحديد الدرجة. وإلى جانب ما كان معروفاً بالفعل، كشفت الطريقة أيضاً عن نمط واضح لانخفاض شبكات الأوعية الدموية مع زيادة درجة الورم. ويتماشى هذا الاكتشاف المحدد مع الأنماط البيولوجية المعروفة، ولكنه لا يتم التقاطه عادةً في قوائم التشخيص القياسية. ثم طبق الباحثون التقنية نفسها على أنسجة القولون، حيث نجحت في تحديد إعادة تشكيل الهياكل الغدية وفقدان خلايا محددة منتجة للمخاط مع تحول النسيج إلى حالة خلل تنسج (dysplastic). وتثبت هذه النتائج أن الطريقة يمكنها تحليل الأنماط الظاهرية البصرية المعقدة عبر أنواع مختلفة من الأنسجة والمقاييس. ومن خلال عزل التغيرات الهيكلية الدقيقة المهمة، توفر "دلتا-مارشز" وسيلة لتحويل بيانات الصور الخام إلى فرضيات علمية قابلة للاختبار حول كيفية تطور الأمراض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.