Multimodal artificial intelligence for personalized hepatocellular carcinoma treatment strategy selection

نادرًا ما يكون علاج السرطان مجرد خيار بسيط بين مسارين. فبالنسبة لمريض يعاني من سرطان الكبد، يتضمن قرار كيفية المضي قدمًا موازنة حجم الورم وموقعه مقابل قوة كبد المريض، وصحته العامة، وحتى ظروفه الشخصية. يجب على الأطباء تجميع كم هائل من المعلومات، من أرقام الفحوصات المخبرية إلى الملاحظات المكتوبة في التاريخ الطبي، لتقرير ما إذا كان الجراح، أو الدواء المستهدف، أو العلاج الحراري الموضعي هو ما يوفر أفضل فرصة للتعافي. هذه العملية معقدة وغالبًا ما تعتمد على خبرة الطبيب، الذي يجب أن يستوعب كل هذه الحقائق المتباينة في ذهنه في آن واحد لإيجاد المسار الصحيح للعمل.

لطالما حاول الباحثون بناء برامج حاسوبية يمكنها المساعدة في اتخاذ القرار هذا. ومع ذلك، فإن معظم الأدوات الموجودة تنظر فقط إلى البيانات المهيكلة، مثل العمر، أو نتائج المختبر، أو قياسات الورم، متجاهلة النصوص الوصفية الغنية الموجودة في ملاحظات الأطباء وتقارير التصوير. تعالج دراسة جديدة من فريق في مدينة ووشي بالصين هذه الفجوة عبر إنشاء نموذج حاسوبي يقرأ ويفهم الأرقام والكلمات في ملف المريض معًا. طور الباحثون نظامًا يجمع بين هذه الأنواع المختلفة من المعلومات للتنبؤ بأي من خمسة علاجات شائعة من المرجح أن يتلقاها المريض، بهدف جعل عملية الاختيار أكثر موضوعية وشمولية.

ركز الفريق على سرطان الخلايا الكبدية، وهو النوع الأكثر شيوعًا من سرطان الكبد الأولي. لقد جمعوا بيانات من 1,043 مريضًا عولجوا في مستشفى ووشي الشعبي بين عامي 2017 و2023 لبناء نموذجهم، واختبروه على مجموعة منفصلة مكونة من 55 مريضًا من عام 2025 ليروا مدى صموده في بيئة جديدة. تم تصميم النظام الحاسوبي ليتطلع إلى أربع فئات رئيسية من المعلومات: الديموغرافيا الأساسية مثل العمر والجنس، والنتائج المخبرية مثل مستويات إنزيمات الكبد، والتاريخ الطبي للمريض بما في ذلك الأمراض السابقة، والنصوص التفصيلية من تقارير التصوير التي تصف ما أظهرته الأشعة. ومن الأهمية بمكان أن النموذج لم يكتفِ بمجرد المسح بحثًا عن الكلمات المفتاحية؛ بل استخدم طريقة متطورة لتحويل النصوص السردية الطبية غير المهيكلة إلى تنسيق يمكن للحاسوب تحليله جنبًا إلى جنب مع الأرقام الصلبة.

لتدريب النظام، قام الباحثون بتغذية الحاسوب ببيانات المجموعة الأولى من المرضى إلى جانب العلاج الفعلي الذي تلقاه كل شخص. كان الهدف هو أن يتعلم الحاسوب الأنماط التي أدت بالأطباء إلى اختيار علاج معين دون غيره. كان على النموذج أن يقرر بين خمسة خيارات: إزالة الورم من خلال الجراحة المفتوحة، أو إزالته باستخدام نهج تنظيري طفيف التوغل، أو استخدام الاستئصال بالترددات الراديوية لحرق الورم، أو سد إمدادات الدم لديه عبر إجراء يسمى الانصمام الكيميائي عبر الشريان، أو إعطاء العلاج الكيميائي. ثم قارن الباحثون نظامهم الجديد بعدة طرق أخرى معروفة لتعلم الحاسوب لمعرفة أي منها كان الأفضل أداءً.

أظهرت النتائج أن النموذج الجديد، الذي أطلق عليه المؤلفون اسم ET-Emb، كان أكثر دقة من الطرق الأخرى. في المجموعة الأولى من المرضى، توقع النظام مسار العلاج بشكل صحيح بمساحة تحت المنحنى (AUC) بلغت 0.84، وحافظ على أداء قوي قدره 0.77 عند اختباره على المجموعة الجديدة المكونة من 55 مريضًا. يشير هذا الاتساق إلى أن النموذج يمكنه التعامل مع تعقيد البيانات الطبية في العالم الحقيقي دون أن يفقد فعاليته. كما كشفت الدراسة أن المعلومات القائمة على النص لم تكن مجرد إضافة ثانوية؛ بل لعبت دورًا رئيسيًا في نجاح النموذج. فعندما حلل الباحثون العوامل التي دفعت القرارات، وجدوا أن الأوصاف المكتوبة في السجلات الطبية والتفاصيل الاجتماعية والاقتصادية، مثل الحالة الوظيفية، كانت من المتنبئات الهامة.

يتحدى هذا الاكتشاف الفكرة القائلة بأن الأرقام السريرية الصلبة هي الوحيدة التي تهم في اختيار العلاج. فقد أشار تحليل النموذج إلى أن عوامل مثل الحالة الوظيفية للمريض أو الصياغة المحددة في ملاحظة الطبيب حول حالته أثرت بشكل خفي على اختيار العلاج النهائي، مما يحاكي الطريقة الدقيقة التي ينظر بها الأطباء البشريون إلى الشخص ككل. على سبيل المثال، حدد النظام أن فصائل دم معينة ووجود حالات مثل ارتفاع ضغط الدم أو السكري ارتبطت بتوصيات علاجية محددة، بما يتماشى مع المخاطر الطبية المعروفة. سمح إدراج بيانات النص للنموذج بالتقاط هذه التفاصيل الدقيقة التي غالبًا ما تفقدها النماذج الرقمية البحتة.

يقر الباحثون بأن عملهم له حدود. فقد تم تدريب النموذج على بيانات من مستشفى واحد، وقد تعلم من القرارات التي اتخذها الأطباء، والتي قد تتضمن تباينات بناءً على الممارسات المحلية أو تفضيلات المرضى بدلاً من الإرشادات الصارمة. بالإضافة إلى ذلك، لم تتبع الدراسة طول فترة بقاء المرضى على قيد الحياة بعد العلاج، لذا فإن النموذج يتنبأ باختيار العلاج، وليس بالضر Przekaz (النتيجة) طويلة المدى للبقاء على قيد الحياة بالضرورة. ورغم هذه القيود، تثبت الدراسة أن الجمع بين السرديات الطبية المكتوبة والبيانات السريرية القياسية يخلق أداة أكثر قوة لفهم قرارات العلاج. ومن خلال النجاح في دمج هذه الأشكال المختلفة من المعلومات، يقدم النموذج طريقة لمحاكاة التفكير المعقد والمشابه للبشر المطلوب للتنقل في الخيارات الصعبة التي تنطوي عليها معالجة سرطان الكبد.