Deep learning integrated clinical-radiomics model for prognostic prediction in locally advanced cervical cancer through 18 F-FDG PET/CT and MRI combination

لا يزال سرطان عنق الرحم يمثل تحديًا هائلًا، لا سيما عندما يتم تشخيصه في مرحلة متقدمة موضعياً، مما يعني أن الورم قد نما خارج عنق الرحم ولكنه لم ينتشر بعد إلى الأعضاء البعيدة. بالنسبة لهؤلاء المرضى، فإن المعيار القياسي للرعاية هو مزيج صارم من العلاج الكيميائي والعلاج الإشعاعي الذي يُقدم في وقت واحد. وبينما ينقذ هذا النهج حياة الكثيرين، إلا أنه ليس ضماناً؛ إذ يعاني نحو ثلث المرضى من عودة المرض في غضون عامين، وغالباً ما تكون التوقعات المستقبلية لأولئك الذين يعانون من الانتكاس قاتمة. حالياً، يعتمد الأطباء على فئات سريرية عامة واختبارات دم أساسية لتخمين أي المرضى هم الأكثر عرضة لخطر التكرار، لكن هذه الأدوات غالباً ما تفتقر إلى الدقة اللازمة لتكييف العلاج بفعالية. ولتجسير هذه الفجوة، يتجه الباحثون إلى الصور نفسها. فالماسحات الطبية الحديثة، مثل تلك التي تستخدم السكر المشع لإضاءة الخلايا النشطة أو المجالات المغناطيسية لرسم خرائط الأنسجة الرخوة، تلتقط بيانات أكثر بكما مما تراه العين البشرية. ومن خلال استخدام خوارزميات حاسوبية متقدمة لتحليل هذه الأنماط الخفية، يأمل العلماء في كشف خطر تطور المرض لدى مريض معين قبل بدء العلاج حتى.

وفي خطوة هامة نحو هذا الهدف، طور فريق من الباحثين في مستشفى تشيجيانغ للسرطان أداة تنبؤية جديدة تجمع بين التصوير الطبي التقليدي والذكاء الاصطناعي. ركزت الدراسة على 346 امرأة مصابة بسرطان عنق الرحم المتقدم موضعياً خضعن لعلاج كيميائي إشعاعي متزامن. وقبل بدء علاجهن، خضعت كل مريضة لنوعين من الفحوصات: فحص التصوير المقطعي بالإصدار البوزيتروني المدمج مع التصوير المقطعي المحوسب، والذي يتتبع كمية السكر التي يستهلكها الورم، وفحص التصوير بالرنين المغناطيسي، الذي يوفر صوراً تفصيلية لبنية الورم وحركة الماء. لم يكتفِ الباحثون بالنظر إلى هذه الصور فحسب؛ بل أدخلوها في نظام حاسوبي متطور مصمم للعثور على أدلة دقيقة تتنبأ بما إذا كان السرطان سيعود.

بنى الفريق نموذجاً يعمل بمثابة مستشار رقمي، يدمج ثلاثة مصادر متميزة للمعلومات. أولاً، نظر في العوامل السريرية القياسية، مثل عمر المريضة والمرحلة المحددة للسرطان. ثانياً، أجرى تحليلاً لـ "الراديوميكس" (الخصائص الإشعاعية)، وهي عملية يقوم فيها الحاسوب بتفكيك صور الورم إلى آلاف الميزات الصغيرة القابلة للقياس، مثل الملمس والشكل، لإنشاء بصمة رقمية فريدة للورم. ثالثاً، والأهم من ذلك، استخدم النظام "التعلم العميق"، وهو شكل من أشكال الذاء الاصطناعي يحاكي قدرة الدماغ البشري على التعلم من البيانات. وخلافاً لمنهج الراديوميكس، الذي يعتمد على قياسات محددة مسبقاً، قام خوارزمية التعلم العميق بمسح الصور الخام لاكتشاف أنماط معقدة وعالية المستوى تلقائياً قد يغفل عنها البشر. ومن خلال نسج هذه الخيوط الثلاثة معاً — التاريخ السريري، وميزات الصور المقاسة، والأنماط المكتشفة بواسطة الذكاء الاصطناعي — أنشأ الباحثون نموذجاً شاملاً قادراً على التنبؤ بالمسار المستقبلي للمرض.

عندما اختبر الفريق هذا النموذج الجديد، كانت النتائج مذهلة. فقد أظهر النظام المدمج، الذي أطلقوا عليه اسم نموذج (السريري-الراديوميكس-التعلم العميق)، مستوى من الدقة يتجاوز بكثير الطرق التقليدية. وفي مجموعة المرضى التي استُخدمت لتدريب النظام، حدد النموذج النتيجة بشكل صحيح في كل الحالات تقريباً. والأهم من ذلك، أنه عند اختباره على مجموعة منفصلة من المرضى لم يسبق له رؤيتها، حافظ النموذج على مستوى عالٍ من الموثوقية، حيث تنبأ بشكل صحيح بتطور المرض في أكثر من 90 بالمائة من الحالات. كان هذا الأداء أفضل بكثير من الاعتماد على العوامل السريرية القياسية وحدها، والتي كافحت للتمييز بين المرضى ذوي الخطورة العالية والمرضى ذوي الخطورة المنخفضة. كما وجدت الدراسة أن إضافة مكون التعلم العميق إلى تحليل الراديوميكس التقليدي وفر دفعة واضحة في الدقة، مما يشير إلى أن قدرة الحاسوب على إيجاد الأنماط الخفية أضافت قيمة حقيقية تتجاوز ما يمكن أن تحققه القياسات المصممة بشرياً.

وقد حرص الباحثون على ملاحظة أنه على الرغم من أن النموذج واعد للغاية، إلا أنه ليس حلاً نهائياً لكل عيادة. فقد أُجريت الدراسة في مستشفى واحد، وكان عدد المريضات اللواتي عانين من انتكاس في مجموعة الاختبار صغيراً نسبياً، مما يعني أن النموذج يحتاج إلى التحقق من صحته في مجموعات أكبر وأكثر تنوعاً من الناس قبل أن يمكن اعتماده على نطاق واسع. علاوة على على ذلك، وبينما يعد النموذج ممتازاً في التنبؤ بالنتائج، فإن الأسباب البيولوجية المحددة التي جعلت الحاسوب يحدد أنماطاً معينة تظل غامضة نوعاً ما، تماماً مثل "الصندوق الأسود" الذي يعطي الإجابة الصحيحة دون شرح أسبابه بالكامل. ويقترح المؤلفون أن العمل المستقبلي يجب أن يركز على فهم المعنى البيولوجي وراء هذه الأدلة الرقمية واختبار النموذج في دراسات استباقية حيث يتم متابعة المرضى بمرور الوقت.

في نهاية المطاف، يمثل هذا العمل تحولاً في كيفية تعامل الأطباء مع سرطان عنق الرحم. فبدلاً من علاج جميع المريضات المصابات بمرض متقدم موضعياً بنفس الطريقة، توفر هذه الأداة القدرة على تحديد أولئك الأكثر عرضة لخطر الانتكاس. فإذا تم تصنيف مريضة على أنها عالية الخطورة بواسطة مثل هذا النظام، يمكن للأطباء التفكير في تكثيف علاجها أو جدولة متابعات أكثر تكراراً للإمساك بأي عودة للمرض في وقت مبكر. وعلى العكس من ذلك، قد تتجنب اللواتي يُتوقع لهن الحصول على نتائج جيدة العلاجات العدوانية غير الضرورية. ومن خلال تحويل التفاصيل غير المرئية للصور الطبية إلى معرفة قابلة للتطبيق، ينقل هذا البحث المجال إلى مرحلة أقرب من الرعاية الشخصية الحقيقية، حيث يتم تخصيص استراتيجيات العلاج لتناسب البيولوجيا الفريدة لورم كل فرد.