Which Attention Helps? A Slide-Level Ablation of Attention-Augmented CNNs for Serous Ovarian Carcinoma Grading
تُظهر هذه الدراسة أنه في ظل تقييم صارم وخالٍ من التسرب على مستوى الشريحة لدرجات سرطان المبيض المصلي، فإن التعلم بنقل المعرفة وتجنب تكوينات الانتباه الضعيفة المقتصرة على القنوات فقط يحققان أكبر مكاسب الأداء، بينما لا توفر آليات الانتباه الأكثر دقة ونماذج التأسيس المرضية أي تحسن ملموس مقارنة بنموذج MobileNet الأساسي مسبق التدريب.
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
في عالم تشخيص السرطان، تعتبر عين اختصاصي علم الأمراض هي الحكم النهائي. فعندما تُزال عينة من الأنسجة من مريض ما، يتم صبغها بالأصباغ، ووضعها تحت المجهر، وفحصها بحثاً عن أدلة حول مدى عدوانية المرض. وبالنسبة لسرطان المبيض، فإن هذا التمييز أمر بالغ الأهمية؛ إذ يوجد نوعان رئيسيان من نوع محدد من الأورام يسمى "السرطان الغدي المصلي": أحدهما ينمو ببطء ويستجيب جيداً لعلاجات معينة، والآخر ينتشر بسرعة ويتطلب نهجاً أكثر عدوانية. وبينما يبدوان متشابهين بشكل لافت تحت المجهر، حيث يتشاركان في الشكل والبنية العامة، فإن الفرق في سلوكهما هو مسأهلة حياة أو موت. والتحدي الذي يواجه الأطباء هو أن التمييز بينهما صعب حتى على الخبراء البشر، كما أن مخاطر الخطأ في ذلك مرتفعة للغاية.
في السنوات الأخيرة، لجأ العلماء إلى الذكاء الاصطناعي للمساعدة في هذه المهمة. يمكن للحواسيب مسح آلاف الصور الصغيرة من شريحة واحدة، بحثاً عن أنماط قد تغفل عنها العين البشرية. ومع ذلك، ادعت تقارير مبكرة كثيرة أن هذه البرامج الحاسوبية كانت شبه مثالية، محققة معدلات دقة بدت جيدة جداً لدرجة أنها تكاد لا تُصدق. وتشير دراسة جديدة إلى أن هذه الأرقام المرتفعة قد تكون وهماً ناتجاً عن خلل في كيفية إجراء الاختبارات. أراد الباحثون وراء هذا العمل معرفة ما إذا كانت الحواسيب تتعلم حقاً التعرف على المرض، أم أنها كانت ببساال مجرد حفظ الطريقة التي تبدو بها عينات الأنسجة في اليوم الذي تم فيه مسحها ضوئياً. ومن خلال بناء نظام اختبار أكثر صرامة، هدفوا إلى معرفة ما يمكن لهذه الأدوات فعله حقاً عندما تواجه الواقع الفوضوي للتشخيص الطبي.
ركز الباحثون على مجموعة تضم 259 صورة كاملة لشريحة من مرضى سرطان المبيض. وقد حصروا تركيزهم في النوعين الصعب التمييز بينهما: النسخة عالية الدرجة العدوانية، والنسخة منخفضة الدرجة بطيئة النمو. وفي المجمل، كان هناك 217 حالة من النوع العدواني و42 حالة فقط من النوع الأبطأ، وهو ندرة تجعل المهمة صعبة إحصائياً. ولضمان نزاهة نتائجهم، صمموا بروتوكولاً يمنع الحاسوب من استخدام المعلومات على مستوى الشريحة. ففي العديد من الدراسات السابقة، قد يُعرض على الحاسوب قطعة صغيرة من الشريحة أثناء التدريب، ثم يُختبر على قطعة أخرى من نفس الشريحة تماماً. وبما أن لون الصبغة وإعدادات الماسح الضوئي متطابقان لكل قطعة من الشريحة الواحدة، فقد يتعلم الحاسوب التعرف على المريض أو المختبر بدلاً من التعرف على السرطان نفسه. لقد أجبرت هذه الدراسة الحاسوب على التعلم من شرائح كاملة، مما ضمن عدم ظهور بيانات أي مريض في كل من مرحلتي التدريب والاختبار.
لفهم أي أجزاء من "دماغ" الحاسوب كانت مفيدة بالفعل، اختبر الفريق سبع نسخ مختلفة من البرنامج. حافظوا على الهيكل الأساسي للبرنامج كما هو في معظمها، مع تغيير كيفية تركيز النظام على أجزاء مختلفة من الصورة فقط. بعض النسخ تجاهلت آلية "الانتباه" تماماً، بينما استخدمت نسخ أخرى حيل رياضية محددة لتسليط الضوء على الميزات الهامة، مثل شكل نوى الخلايا أو نسيج الأنسجة. كما اختبروا نسخة تم تدريبها مسبقاً على ملايين الصور العامة، آملين أن تمنحها هذه المعرفة السابقة ميزة إضافية. وأخيراً، تضمنوا اختبار "الاختصار" حيث سُمح للحاسوب فقط بالنظر إلى ألوان الأنسجة، متجاهلاً جميع الأشكال والبنى، لمعرفة مقدار الإجابة التي يمكن تخمينها بمجرد معرفة درجة اللون.
أظهرت النتتائج أن البرامج الحاسوبية قادرة بالفعل على التمييز بين نوعي السرطان، لكن أداءها كان أكثر تواضعاً بكثير من الدرجات شبه المثالية التي شهدتها التقارير السابقة. وكان أفضل النماذج أداءً، وهو الذي استخدم أساساً مدرباً مسبقاً لفهم ميزات الصور العامة، قد صنف الشرائح بدقة (AUC) بلغت 0.86. وكان هذا تحسناً كبيراً مقارنة بالنماذج التي بدأت من الصفر دون أي تدريب مسبق. ومع ذلك، وجدت الدراسة أن إضافة آليات "الانتباه" المعقدة لم تجعل النظام أكثر ذكاءً بالضرورة. في الواقع، لم تؤدِ إضافة فرع انتباه مكاني إلى نموذج يركز بالفعل على ميزات القنوات إلى أي تحسن ملحوظ؛ حيث لم يؤدِّ النموذج الكامل بشكل أفضل من نسخة "القنوات فقط". واكتشف الباحثون أن الخطوة الإضافية المتمثلة في محاولة رسم خريطة لمكان الورم بدقة لم تساعد الحاسوب في اتخاذ قرار أفضل.
ولعل الاكتشاف الأكثر كشفاً هو أن الحاسوب لم يكن ينظر فقط إلى خلايا السرطان، بل كان يلتقط أيضاً ألوان الصبغة. فعندما اختبر الباحثون نظاماً ينظر فقط إلى لوحة ألوان الأنسجة، استطاع التمييز بين نوعي السرطان بدقة (AUC) بلغت 0.66. يشير هذا إلى أن درجات السرطان المختلفة غالباً ما تأتي مع أنماط صبغ مختلفة قليلاً، ويرجع ذلك على الأرجح إلى كيفية معالجة الأنسجة في المستشفيات المختلفة. وبينما تفوقت النماذج الرئيسية على نظام "اللون فقط" هذا، إلا أن الفجوة بينهما كانت أصغر مما هو متوقع، مما يشير إلى أن الحواسيب كانت تعتمد جزئياً على هذه الإشارات اللونية بدلاً من الاعتماد كلياً على البنية البيولوجية للورم.
كما سلطت الدراسة الضوء على صعوبة المهمة عندما يكون عدد الحالات النادرة صغيراً جداً. فمع وجود 42 حالة فقط من السرطان بطيء النمو، تفاوتت النتائج اعتماداً على العينات المحددة المستخدمة في الاختبار. أجرى الباحثون تجاربهم عدة مرات مع نقاط بداية عشوائية مختلفة لضمان استقرار نتائجهم. ووجدوا أنه بينما كان النموذج المدرب مسبقاً هو الأكثر موثوقية باستمرار، فإن الاختلافات بين النماذج الأخرى كانت غال في كثير من الأحيان صغيرة جداً بحيث لا يمكن الجزم بها. ولم يؤدِّ إصدار أصغر وأبسط من البرنامج الحاسوبي بشكل جيد مثل النسخ الأكبر والأكثر تعقيداً بمجرد مراعاة العشوائية في التدريب، مما يشير إلى أنه بالنسبة لهذه المشكلة الطبية المحددة، لا يتطلب الأمر شبكة ضخمة، ولكن الشبكة المدمجة (الصغيرة) غير كافية مقارنة بالبنية العميقة.
في نهاية المطاف، يعد هذا العمل بمثابة "واقع مرير" لمجال الذكاء الاصطناዊ الطبي. فهو يوضح أنه عندما يتم إجراء الاختبار بشكل صحيح، دون السماح للحاسوب باستخدام معلومات على مستوى الشريحة، فإن أداء هذه الأدوات يكون جيداً ولكنه ليس إعجازياً. وتخلص الدراسة إلى أن النهج الأكثر فعالية في الوقت الحالي هو استخدام نموذج تعلم من صور عامة، وتجنب التصاميم شديدة التعقيد التي لا تضيف قيمة. كما تشير إلى أن الصعوبة الحالية في التمييز بين هذه الأنواع من السرطان هي حقيقة واقعة، وأن العدد المحدود من الحالات النادرة يجعل من الصعب التوصل إلى استنتاجات نهائية حول أفضل طريقة لبناء هذه الأنظمة. إن الطريق إلى الأمام يتطلب ليس فقط خوارزميات أفضل، بل أيضاً مزيداً من البيانات وتركيزاً مستمراً على الاختبار الصارم لضمان إمكانية الوثوق بهذه الأدوات في السياق السريري.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.