Automated Extraction of Cancer Registry Data from Pathology Reports: Comparing LLM-Based and Ontology-Driven NLP Platforms
تُظهر هذه الدراسة أن منصة تعتمد على النماذج اللغوية الكبيرة (Brim Analytics) تحقق دقة عالية ومعالجة فعالة لاستخراج بيانات سجل السرطان من تقارير علم الأمراض، متفوقةً بذلك على نظام يعتمد على الأنطولوجيا (DeepPhe)، لا سيما في تصنيف مرحلة الورم (T stage) عبر حالات سرطان البنكرياس والثدي.
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
تخيل أنك تدير مكتبة ضخمة من القصص الطبية. في كل مرة يخضع فيها مريض لعملية جراحية، يكتب الطبيب تقريراً مفصلاً عما وجده داخل الجسم. هذه التقارير هي "المنجم الذهبي" لباحثي السرطان، لكنها مكتوبة بلغة غير منظمة وفوضوية — مثل الملاحظات المكتوبة بخط اليد، وخطوط متنوعة، وأساليب مختلفة.
لاستخدام هذه المعلومات في الأبحاث أو لتتبع اتجاهات السرطان، يجب على شخص ما قراءة كل تقرير وتحويل تلك الملاحظات الفوضوية إلى صناديق بيانات مرتبة ومنظمة (مثل "حجم الورم"، "حالة العقد اللمفاوية"، إلخ). حالياً، يتم ذلك بواسطة خبراء بشريين، وهو أمر بطيء ومكلف ومرهق.
هذه الورقة البحثية هي سباق بين اثنين من "أمين المكتبة الآليين" لمعرفة أيهما يمكنه القيام بمهمة التصنيف هذه بشكل أسرع وأكثر دقة.
المتنافسان
1. "المتدرب الذكي" (Brim Analytics)
- كيف يعمل: يستخدم هذا النظام نموذج لغة ضخم (LLM)، وهو يشبه ذكاءً اصطناعياً فائق الذكاء قد قرأ الملايين من الكتب الطبية. بدلاً من مجرد البحث عن كلمات مفتاحية، فإنه "يقرأ" التقرير كما يقرأه البشر، مستوعباً السياق والفروق الدقيقة.
- الاستراتيجية: منح الباحثون هذا الذكاء الاصطناعي مجموعة محددة جداً من التعليمات (كتيب قواعد) حول ما يجب البحث عنه بالضبط. فكر في الأمر كمتدرب مدرب تدريباً عالياً يعرف تماماً كيفية ملء نموذج بناءً على قائمة مرجعية مفصلة.
- النتيجة: كان دقيقاً للغاية. فقد أصاب حوالي 97% من الإجابات لسرطان البنكرياس و 94% لسرطان الثدي. والأفضل من ذلك، أنه لم يرتبك عندما تغير أسلوب التقرير من فقرة فوضوية إلى قائمة مرجعية منظمة. كان الأمر أشبه بمترجم يتحدث لغة "الأطباء" ولغة "البيانات" بطلاقة.
2. "محقق الكلمات المفتاحية" (DeepPhe)
- كيف يعمل: هذا نظام أقدم يعتمد على "الأنطولوجيا" (علم التصنيف). هو لا "يفهم" الجمل حقاً؛ بل يعمل كمحقق للكلمات المفتاحية. لديه قاموس ضخم للمصطلحات الطبية ويبحث عن تطابقات محددة (على سبيل المثال: "إذا رأيت كلمة 'ورم' بالقرب من كلمة 'حجم'، سآخذ ذلك الرقم").
- الاستراتيجية: يعتمد على قواعد جامدة وقوائم محددة مسبقاً. إنه يشبه روبوتاً يعرف فقط كيفية العثọر على كلمات معينة في نص ما.
- النتيجة: كان أداؤه جيداً في بعض الأمور (مثل العقد اللمفاوية)، لكنه عانى بشدة في أمور أخرى. فعندما تعلق الأمر بحجم الورم (مرحلة T)، أخطأ في حوالي 30% من تقارير سرطان الثدي. وكان يميل إلى التخمين بـ "نعم" كثيراً (أي يتخيل وجود حجم ورم في حين لم يكن مذكوراً بوضوح). كان الأمر أشبه بمحقق يبحث فقط عن كلمة "مسدس" ويفترض وقوع جريمة حتى لو كانت الكلمة مجرد ذكر في قصة عن لعبة.
الاختبار الكبير: تحدي "العالم الحقيقي"
لم يكتفِ الباحثون باختبار هؤلاء الروبوتات على بيانات مثالية ونظيفة، بل ألقوا بهم في واقع المستشفيات الفوضوي:
- اختبار السفر عبر الزمن: استخدموا تقارير من عام 2006 وصولاً إلى عام 2025. أساليب الكتابة الطبية تتغير بمرور الوقت (مثلما توقفنا عن كتابة الرسائل وبدأنا في إرسال الرسائل النصية).
- اختبار الأسلوب: كانت بعض التقارير عبارة عن فقرات طويلة ومسترسلة (سردية)، بينما كانت أخرى عبارة عن نماذج مرتبة تعتمد على ملء الفراغات (ملخصات معيارية).
- اختبار التبديل: قاموا بتدريب "المتدرب الذكي" على سرطان البنكرياس، ثم طلبوا منه القيام بمهمة سرطان الثدي دون أي إعادة تدريب.
ما وجدوه (الخلاصة)
"المتدرب الذكي" (Brim) فاز بالسباق.
- القدرة على التكيف: تعامل مع التقارير القديمة الفوضوية والتقارير الجديدة بنفس الكفاءة.
- التعميم: على الرغم من أنه تم تعليمه فقط عن سرطان البنكرياس، إلا أنه استطاع التعامل مع سرطان الثدي بشكل جيد تقريباً. لقد أدرك أن كلمة "ورم" تعني الشيء نفسه، حتى لو كتبها الطبيب بشكل مختلف.
- الأمان: عندما ارتكب خطأً، كان عادةً "محافظاً" (أي أنه قد يغفل عن تفصيل ما، لكنه لا يخترع تفصيلاً من عنده). وفي الطب، غالباً ما يكون من الأفضل تفويت تفصيل ما ليراجعه البشر، بدلاً من اختراع تفصيل وهمي يتسبب في حالة ذعر.
"محقق الكلمات المفقية" (DeepPhe) تعثر.
- انهار أداؤه عندما لم تكن التقارير منظمة تماماً.
- كان يبتدع بيانات (نتائج إيجابية كاذبة) بشكل متكرر، وهو أمر خطير في السياق الطبي.
- لم يستطع التكيف جيداً عند الانتقال من نوع سرطان إلى آخر.
السرعة
كان كلا الروبوتين سريعاً. يمكنهما معالجة تقرير في أقل من 5 ثوانٍ. كان "المتدرب الذكي" أبطأ قليلاً في التقارير المعقدة، لكن كلاهما كان أسرع بآلاف المرات من البشر.
الخلاصة
تشير هذه الدراسة إلى أن مستقبل بيانات السرطان لا يتعلق فقط بامتلاك المزيد من أجهزة الكمبيوتر؛ بل يتعلق بامتلاك أجهزة كمبيوتر أذكى يمكنها قراءة وفهم السياق، وليس مجرد البحث عن الكلمات المفتاحية.
التشبيه للمستقبل:
تخيل مستشفى حيث يقوم "المتدرب الذكي" بقراءة كل تقرير باثولوجي فور كتابته. يقوم بملء 95% من نماذج البيانات تلقائياً. بعد ذلك، يتعين على خبير بشري (مسجل الأورام) مراجعة الـ 5% من الحالات التي لم يكن الذكاء الاصطناعي متأكداً منها أو التي كان التقرير فيها غريباً. هذا يحول وظيفة تستغرق ساعات إلى وظيفة تستغرق دقائق، مما يسم يسمح للبشر بالتركيز على الحالات المعقدة بدلاً من إدخال البيانات.
باختصار: الذكاء الاصطناعي جاهز للمساعدة، لكن يجب أن يكون من نوع الذكاء الاصطناعي الذي يفهم اللغة، وليس النوع الذي يبحث عن الكلمات فقط.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.