💻 computer science

Developing Multimodal Artificial Intelligence-Based Tool for Enhancing Clinical Decision- Making in Personalised Prostate Cancer Treatment

طورت هذه الدراسة الاستعادية ونقّبت نظام دعم قرار سريري قائم على الذكاء الاصطناعي متعدد الوسائط يدمج البيانات الديموغرافية والسريرية والجينية والتصويرية لتعزيز التنبؤ بعلاج سرطان البروستاتا الشخصي في بروناي، مما أثبت أن بنية هجينة من نوع (LSTM–Random Forest) مع دمج في المرحلة المتأخرة حققت أداءً قويًا (AUC 0.964) رغم القيود المتعلقة بصغر حجم العينة.

المؤلفون الأصليون: Hein Minn Tun, Lin Naing, Owais Ahmed Malik, Muhammad Syafiq Abdullah, Thu Ta, Hanif Abdul Rahman

نُشر 2026-07-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hein Minn Tun, Lin Naing, Owais Ahmed Malik, Muhammad Syafiq Abdullah, Thu Ta, Hanif Abdul Rahman

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول حل لغز ضخم ومعقد، ولكن بدلاً من قطع الصور، لديك مزيج من الأدلة المختلفة: عمر المريض، وتاريخه العائلي، وسلسلة من نتائج فحوصات الدم التي تتغير بمرور الوقت، وحتى مسوحات ثلاثية الأبعاد لجسمه. هذا هو عالم علاج الأورام الدقيق، وهو مجال في الطب يحاول التوقف عن علاج كل مريض بنفس الطريقة تماماً. فبدلاً من نهج "مقاس واحد يناسب الجميع"، يريد الأطباء تفصيل العلاجات لتناسب الشخص المحدد الواقف أمامهم. وللقيام بذلك، يستخدمون الذكاء الاصطناعي (AI)، وهو في الأساس برنامج كمبيوتر فائق الذكاء يمكنه رصد الأنماط في أكوام هائلة من البيانات التي قد تخفى على العين البشرية. عندما ينظر هذا الذكاء الاصطناعي إلى نوع واحد فقط من الأدلة (مثل فحوصات الدم فقط)، يُسمى ذلك "أحادي الوسيط" (unimodal). ولكن عندما ينظر إلى كل شيء في وقت واحد —الدم، والمسوحات، والتاريخ المرضي، والوقت— يُسمى ذلك متعدد الوسائط (multimodal). السؤال الكبير الذي يطرحه الباحثون هو: هل يمكننا بناء أداة حاسوبية تعمل كـ "مساعد جانبي" للأطباء، تجمع كل هذه الأدلة المختلفة لاقتراح أفضل علاج ممكن لسرطان البروستاتا، وهو مرض شائع يصيب العديد من الرجال؟

هذا بالضبط ما سعى فريق من الباحثين من بروناي دار السلام وأيرلندا للقيام به. لقد بنوا نوعاً جديداً من المساعد الرقمي، وهو نظام دعم القرار السريري القائم على الذكاء الاصطناعي (AI-CDSS)، المصمم خصيصاً لمرضى سرطان البروستاتا. فكر فيه كـ "محقق خارق" لا يكتفي بالنظر إلى لقطة ثابتة لصحة المريض، بل يراقب قصة صحته وهي تتكشف بمرور الوقت. جمع الباحثون بيانات من 212 مريضاً عولجوا بين عامي 2018 و2024. لم يكتفوا بالنظر إلى الحقائق الثابتة فحسب؛ بل غدّوا الذكاء الاصطناعي بـ "فيلم" لكل رحلة مريض، بما في ذلك كيفية صعود وهبوط مؤشرات الدم لديهم (مثل مستويات PSA) عبر الأشهر، جنباً إلى جنب مع ملفاتهم الجينية والمسوحات ثلاثية الأبعاد لأجسامهم (تحديداً مسوحات PSMA PET/CT).

جرب الفريق طرقاً عديدة لتعليم الذكاء الاصطناعي. أولاً، تركوا الكمبيوتر يحاول إيجاد مجموعات طبيعية من المرضى من تلقاء نفسه دون إخباره بالإجابة (التعلم غير الخاضع للإشراف)، لكن المجموعات كانت مشوشة بعض الشيء، ويرجع ذلك أساساً إلى عدم وجود عدد كافٍ من المرضى لتشكيل أنماط واضحة. لذا، انتقلوا إلى تعليم الذكاء الاصطناعي مع وجود الإجابات جاهزة بالفعل (التعلم الخاضع للإشراف). لقد بنوا نموذجاً هجيناً خاصاً يعمل كفريق مكون من جزأين: جزء كان عبارة عن شبكة الذاكرة الطويلة قصيرة المدى (LSTM)، وهي بارعة في تذكر التسلسلات والقصص (مثل تتبع كيفية تغير فحوصات الدم للمريض على مدار عام)، والجزء الآخر كان الغابة العشوائية (Random Forest)، وهي ممتازة في اتخاذ قرارات معقدة بناءً على قواعد متنوعة.

عندما اختبروا هذا الذكاء الاصطناعي "القارئ للقصص"، قام بعمل جيد. فقد تمكن من التنبؤ بالعلاج الذي تلقاه المريض بدقة إجمالية (AUC) بلغت 0.75. كان جيداً جداً في قول "لا" عندما لا يكون العلاج مناسباً (بنوع تخصص قدره 83%)، لكنه أخطأ أحياناً في حالات الـ "نعم" (بحساسية بلغت 32% فقط). استخدم الباحثون أيضاً أداة تسمى SHAP للتلصص داخل عقل الذكاء الاصطناعي، مما كشف أن الكمبيوتر كان يولي اهتماماً أكبر لأشياء مثل تغيرات مستويات PSA، والهيموجلوبين، والفوسفات — تماماً كما يفعل الطبيب الحقيقي.

لكن السحر الحقيقي حدث عندما دمجوا ذكاء "القصة" مع ذكاء "الصورة". لقد أخذوا أفضل نموذج لبيانات النصوص/الدم وأفضل نموذج لصور المسح ثلاثي الأبعاد ودمجوهما معاً باستخدام تقنية تسمى الدمج في المرحلة المتأخرة (late-stage fusion). تخيل خبيرين: أحدهما بارع في قراءة السجلات الطبية والآخر بارع في قراءة الأشعة السينية. وبدلاً من تركهما يتجادلان، وضعا تخميناتهما النهائية في "صانع قرار ميتا" (نموذج تكديس/stacking model) الذي حدد أفضل طريقة لدمج آرائهما. كان هذا التعاون نجاحاً باهراً؛ حيث قفز النموذج المدمج إلى AUC مذهل بلغ 0.971، متفوقاً بمراحل على كل خبير يعمل بمفرده.

ومع ذلك، فإن الباحثين حذرون من تسمية هذا منتجاً نهائياً. فقد اعترفوا بأنه نظراً لأن مجموعتهم المكونة من 212 مريضاً كانت صغيرة نسبياً، فإن النتائج قد تبدو جيدة أكثر مما ينبغي، ولا يزال النموذج يعاني في رصد كل مريض يحتاج إلى علاج محدد (تلك الحساسية المنخفضة). وهم يقترحون أنه بينما تعد هذه الأداة "مساعداً جانبياً" قوياً يمكنه مساعدة الأطباء في اتخاذ خيارات أكثر تخصيصاً، إلا أنها ليست جاهزة لاستبدال حكم الطبيب بعد. وتخلص الدراسة إلى أنه من خلال مزج البيانات القائمة على الوقت مع الصور، فإننا نقترب من مستقبل يكون فيه علاج سرطان البروستاتا مصمماً خصيصاً لكل فرد، ولكن هناك حاجة لمزيد من الاختبارات مع مجموعات أكبر من الناس قبل أن يتمكن هذا المحقق الرقمي من مواجهة العالم أجمع.

أبحاث مشابهة