Predicting EGFR-TKI resistance in EGFR-mutant lung adenocarcinoma from H&E histopathology with weakly supervised multiple-instance learning
تُظهر هذه الدراسة أن إطار عمل للتعلم العميق خفيف الوزن وضعيف الإشراف، والذي يستخدم التعلم متعدد الحالات ذو الانتباه المبوّب على صور شرائح كاملة لصبغة الهيماتوكسيلين والإيوسين (H&E) الروتينية، يمكنه التنبؤ بدقة بمقاومة مثبطات تيروزين كيناز المستهدف لـ EGFR في سرطان الغدة الرئوي ذي طفرة EGFR، وذلك من خلال تحديد نمط ظاهري كامن لخطر مورفولوجي يتميز بسمات نووية محددة ويرتبط بطفرات TP53 المشتركة.
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
في معركتهم ضد سرطان الرئة، يلجأ الأطباء غالباً إلى فئة من الأدوية تسمى مثبطات تيروزين كيناز لاستهداف أخطاء جينية محددة داخل الخلايا الورمية. تعمل هذه الأدوية بشكل ملحوظ مع مجموعة كبيرة من المرضى الذين يحمل سرطانهم طفرة في جين يُعرف باسم EGFR، لكنها ليست علاجاً شافياً لكل الحالات. فمع مرور الوقت، يتعلم السرطان لدى كل مريض تقريباً كيفية مقاومة العلاج، مما يؤدي إلى عودة المرض. وفي الوقت الحالي، يتطلب تحديد ما إذا كان المريض سيستجيب لهذه الأدوية أو سيطور مقاومة إجراءات جراحية، مثل أخذ عينات نسيجية جديدة أو سحب عينات دم، وإجراء اختبارات جينية مكلفة. وحتى حينها، قد تخطئ هذه الطرق في رصد الطبيعة المعقدة والمتغيرة للورم. وهذا يترك فجوة حرجة: الحاجة إلى وسيلة للتنبؤ بنجاح العلاج مبكراً، باستخدام أدوات قياسية موجودة بالفعل في المستشفيات ولا تتطلب خزعات جديدة.
لقد توجه الباحثون إلى شريحة المجهر المتواضعة، وهي عينة الأنسجة المصبوغة التي فحصها علماء الأمراض لأكثر من قرن. هذه الشرائح، المصبوغة بالصبغات الوردية والأرجوانية، تكشف عن بنية الورم. وبينما يمكن للعين البشرية رصد العلامات الواضحة للمرض، فإن الأنماط الدقيقة التي تشير إلى ما إذا كان الورم سيقاوم الدواء غالباً ما تكون باهتة للغاية بحيث لا تُرى. وقد طور فريق من العلماء من جامعة هيبي الطبية والمستشفيات التابعة لها في الصين طريقة جديدة لقراءة هذه الإشارات الخفية. فقد أنشأوا نظاماً حاسوبياً ينظر إلى الصورة الرقمية الكاملة لشريحة النسيج، ويتعلم رصد القرائن المجهرية التي تميز بين ورم سيستجيب للعلاج وآخر لن يستجيب.
ركز الفريق على 100 مريض يعانون من نوع محدد من سرطان الرئة، وهو سرطان الرئة الغدي (lung adenocarcinoma)، والذين كانوا جميعاً يعانون من طفرة EGFR وكانوا على وشك بدء العلاج. قاموا بجمع شرائح الأنسجة القياسية التي أُخذت قبل بدء المرضى للعلاج. وبدلاً من مطالبة الطبيب برسم خطوط حول كل خلية لتعليم الكمبيوتر، وهو أمر سيكون بطيئاً وصعباً للغاية، استخدموا تقنية تسمى التعلم الخاضع للإشراف الضعيف (weakly supervised learning). في هذا النهج، يتم عرض الشريحة الكاملة على الكمبيوتر وإخباره فقط بالنتيجة النهائية: هل استجاب المريض للدواء، أم تطور المرض؟ ثم يكتشف الكمبيوتر بنفسه أي الأجزاء الصغيرة من الصورة هي المسؤولة عن تلك النتيجة. فهو يقوم بتجزئة الشريحة الضخمة إلى آلاف القطع الصغيرة سهلة الإدارة، ويحلل سمات كل قطعة، ويتعلم كيفية وزن العناصر الأكثر أهمية لاتخاذ تنبؤ نهائي.
أثبت النموذج الحاسوبي الذي بناه الفريق فعالية عالية. فعند اختباره، تنبأ بنتيجة العلاج بشكل صحيح في حوالي 89 بالمائة من الحالات، وهو مستوى من الدقة فاق الطرق الشائعة الأخرى التي جربها الباحثون. لم يكن النظام يخمن فحسب؛ بل تعلم التركيز على مناطق محددة من الأنسجة ذات الأهمية. ومن خلال النظر في المناطق التي ركز عليها الكمبيوتر، اكتشف الباحثون أن النموذج كان يحدد بصمة بيولوجية متميزة في الأورام المقاومة. أظهرت هذه الأورام علامات من الفوضى على المستوى الخلوي: حيث كانت الخلايا متراصة بشكل أكثر كثافة، وأشكالها أكثر عدم انتظام، وكانت نوياتها -وهي مراكز التحكم في الخلايا- أكبر وأكثر اضطراباً مقارنة بالأورام التي استجابت جيداً للعلاج.
وعلى وجه التحديد، كان متوسط مساحة النواة في المجموعة المقاومة 78.3 ميكرومتر مربع، مقارنة بـ 62.7 ميكرومتر مربع في المجموعة الحساسة. كما كانت نسبة حجم النواة إلى بقية الخلية أعلى في الحالات المقاومة، وكان نسيج المادة الوراثية داخل النواة أكثر فوضوية. هذا الاضطراب ليس عشوائياً؛ بل هو مرتبط بعدم استقرار جيني أعمق. ووجدت الدراسة أن المرضى الذين أظهرت أورامهم هذه الأنماط الفوضوية كانوا أكثر عرضة بكו لامتلاك طفرة ثانية في جين يسمى TP53، وهو المعروف بقدرته على مساعدة الخلايا في إصلاح الأضرار. وفي المجموعة التي تنبأ الكمبيوتر بأنها مقاومة، كانت نسبة امتلاك طفرة TP53 هي 62.5 بالمائة، مقارنة بـ 38.3 بالمائة فقط في المجموعة التي تنبأ باستجابتها الجيدة. وهذا يشير إلى أن الكمبيوتر لا يرى مجرد ضجيج عشوائي، بل يرصد في الواقع البصمة الفيزيائية لورم غير مستقر جينياً وبالتالي يصعب السيطرة عليه.
اختبر الباحثون أيضاً ما إذا كانت هذه الطريقة تعمل بشكل مختلف اعتماداً على نوع طفرة EGFR المحددة التي يحملها المريض. أدى الكمبيوتر أداءً أفضل قليلاً للمرضى الذين لديهم نوع واحد شائع من الطفرات، حيث تنبأ بالنتائج بدقة بلغت 90 بالمائة في تلك الحالات، مقارنة بـ 87 بالمائة للنوع الآخر. يشير هذا الاختلاف إلى أن البنية الفيزيائية للورم قد تختلف قليلاً اعتماداً على الخطأ الجيني المحرك له، لكن النهج العام ظل قوياً في جميع الحالات. وقد حقق النظام هذه النتائج دون الحاجة إلى أي معدات خاصة بخلاف ماسح مجهري رقمي قياسي وحاسوب، مما يجعله أداة يمكن الوصول إليها للمستشفيات التي لا تمتلك قدرات متقدمة في الاختبارات الجينية.
بينما تبدو النتائج واعدة، يحرص الباحثون على الإشارة إلى أن هذه خطوة أولية. فقد أُجريت الدراسة على مجموعة صغيرة نسبياً من المرضى من مستشفيين، ولم يتم اختبار النموذج بعد على مجموعة مختلفة تماماً من المرضى من مؤسسات أخرى. إن الكمبيوتر ليس بلورة سحرية ترى المستقبل، بل هو متعرف متطور على الأنماط تعلم ربط الفوضى البصرية لشريحة الأنسجة بالواقع السريري لمقاومة الأدوية. إنه يقدم طريقة جديدة للنظر في البيانات القدية، مما يوحي بأن الإجابات على بعض أصعب الأسئلة في علاج السرطان موجودة بالفعل في أرشيفات مختبرات علم الأمراض، بانتظار أن تُقرأ بواسطة آلة تعرف ما الذي يجب أن تبحث عنه. وإذا أكدت الدراسات المستقبلية هذه النتائج، فقد يساعد هذا النهج الأطباء في اتخاذ قرار مبكر بشأن المرضى الذين يحتاجون إلى مراقبة أكثر صرامة أو علاجات بديلة، مما يوفر على الآخرين علاجات غير فعالة ويمنحهم فرصة أفضل لإدارة مرضهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.