Interpretable Multi-modal Deep Learning Radiomics for Preoperative Mapping of Tertiary Lymphoid Structure Associated B-Cell Tumor Immune Microenvironment and Immunotherapy Response in Clear Cell Renal Cell Carcinoma

تخيل جسدك كمدينة صاخبة تحت حصار من عصابة إجرامية ماكرة تُسمى السرطان. عادةً، تحاول قوة الشرطة في المدينة (جهازك المناعي) التصدي لها، ولكن في بعض الأحيان، تبني العصابات جدرانًا غير مرئية لتختبئ منها عن أعين الشرطة. ومع ذلك، في بعض الحالات، تنجح المدينة في بناء محطات صغيرة خاصة بها داخل أراضي العدو. يطلق العلماء على هذه المحطات اسم "بنى ليمفاوية ثالثية" (TLS). فكر في الـ TLS كأكاديميات شرطة مؤقتة صغيرة تُبنى داخل ورم العدو مباشرة، حيث تتجمع الخلايا المناعية، وتتدرب، وتشن هجومًا منسقًا. وكلما زاد عدد هذه الأكاديميات في الورم، زادت فرص المريض في البالبقاء على قيد الحياة والاستجابة للأدوية القوية الجديدة التي تسمى العلاجات المناعية. لكن المشكلة؟ لكي يتمكن الأطباء من رؤية هذه الأكاديميات، يتعين عليهم حاليًا إجراء عملية جراحية أو خزعة لأخذ قطعة مادية من الورم وفحصها تحت المجهر. وهذا أمر جراحي، ومخاطره عالية، ولا يمكنك القيام به قبل الجراحة للتخطيط لأفضل هجوم.

هنا تصبح القصة مثيرة. ماذا لو استطعت النظر إلى مسح طبي قياسي، مثل الأشعة المقطعية (CT scan) (والتي هي مجرد أشعة إكس ثلاثية الأبعاد فائقة التفصيل)، واستخدام عقل حاسوبي ذكي للغاية "لرؤية" هذه الأكاديميات المناعية المختبئة دون الحاجة أبدًا لفتح جسم المريض؟ هذا هو بالضبط ما سعى فريق من الباحثين من الصين للقيام به. لقد أرادوا بناء محقق ذكاء اصطناعي (AI) يمكنه النظر إلى أشعة مقطعية لورم كلوي والتنبؤ بما إذا كانت هذه الهياكل المناعية المفيدة مختبئة بالداخل. إذا تمكنوا من فعل ذلك، فسيتمكن الأطباء من معرفة حالة المريض ومدى فعالية العلاج المناعي قبل بدء الجراحة حتى، مما يحول التخمين الأعمى إلى خريطة واضحة قائمة على البيانات.

المحقق الذكي والخريطة غير المرئية

قرر الباحثون، بقيادة فريق من جامعة تشونغتشينغ الطبية وعدة مستشفيات أخرى، بناء محقق ذكاء اصطناعي "متعدد الوسائط". وباللغة البسيطة، يعني "متعدد الوسائط" أنهم لم يعتمدوا فقط على طريقة واحدة لتحليل البيانات؛ بل دمجوا ثلاث طرق مختلفة لتحليل الأشعة المقطعية:

1. التحليل ثنائي الأبعاد (2D): النظر إلى الورم كصورة مسطحة واحدة (شريحة).
2. التحليل ثنائي ونصف الأبعاد (2.5D): النظر إلى الورم من ثلاثة زوايا مختلفة (الأمام، والجانب، والأعلى) في نفس الوقت، مثل الإمساك بمكعب والنظر إليه من ثلاثة جوانب.
3. التحليل ثلاثي الأبعاد (3D): النظر إلى الورم ككتلة صلبة كاملة ثلاثية الأبعاد.

كما أضافوا أداة رابعة: "الراديوميكس" (Radiomics). فكر في هذا كعدسة مكبرة رقمية تقيس آلاف الأنسجة الدقيقة وغير المرئية في الصورة — أشياء مثل مدى خشونة السطح، وكيفية امتزاج الألوان، وكيفية ترتيب البكسلات. هذه الأنسجة أصغر من أن تلاحظها العين البشرية، ولكنها قد تحمل السر وراء وجود أكاديمية مناعية داخل الورم.

درب الفريق ذكاءه الاصطناعي على مجموعة بيانات ضخمة تضم 1,361 مريضًا يعانون من نوع محدد من سرطان الكلى يسمى سرطان الخلايا الكلوية الصافية (ccRCC). وقسموا هؤلاء المرضى إلى مجموعات مختلفة: بعضها لتعليم الذكاء الاصطناعي (مجموعة التدريب)، وبعضها لاختبار قدراته (مجموعات الاختبار)، وحتى مجموعة من المرضى الذين سيعالجون في المستقبل لرؤية ما إذا كانت تنبؤات الذكاء الاصطناعي ستصمد (المجموعة الاستباقية).

النتائج الكبرى: الفائز بـ "الدمج المتأخر"

بعد تدريب ذكائهم الاصطناعي، كان على الباحثين تحديد أي محقق هو الأفضل. وجدوا أن نموذج 2.5D (الذي ينظر إلى الورم من ثلاث زوايا) كان المحقق المنفرد الأكثر حدة، يليه عن قرب نموذج الراديوميكس التقليدي. ومع ذلك، حدث السحر الحقيقي عندما دمجوا بينهما.

لقد جربوا طريقتين لدمج المحققين:

• الدمج المبكر (Pre-fusion): خلط جميع البيانات الخام معًا قبل اتخاذ القرار.
• الدمج المتأخر (Late Fusion): ترك كل محقق يقدم تخمينه الخاص أولًا، ثم جعل "ذكاء اصطناعي قائد" (باستخدام طريقة تسمى آلة ناقلات الدعم، أو SVM) يستمع إلى جميع التخمينات ويتخذ القرار النهائي.

فازت استراتيجية الدمج المتأخر في السباق. حقق هذا النموذج المدمج، الذي يسميه المؤلفون LFM، درجة دقة (AUC) مذهلة بلغت 0.938 في مجموعة الاختبار الأولى. ولو وضعت ذلك في الاعتبار، فإن درجة AUC تبلغ 1.0 هي الدرجة الكاملة، و0.5 هي بمثابة رمي عملة معدنية (تخمين عشوائي). وهذا يعني أن الذكاء الاصطناعي كان بارعًا للغاية في رصد الأكاديميات المناعية غير المرئية بمجرد النظر إلى الأشعة المقطعية.

لكن الفريق لم يتوقف عند هذا الحد. أرادوا معرفة: هل يرى هذا الذكاء الاصطناعي البيولوجيا حقًا، أم أنه مجرد تخمين؟ ولإثبات ذلك، تعمقوا أكثر. فحصوا عينات الأنسجة الفعلية من المرضى الذين صنفهم الذكاء الاصطناعي على أنهم "إيجابيو الـ TLS". وباستخدام مجهر عالي التقنية وتسلسل جيني، وجدوا أن الذكاء الاصطناعي كان محقًا. فالأورام التي تنبأ بها كانت تتميز بـ:

• كثافة أعلى للخلايا الالتهابية (الشرطة).
• المزيد من الخلايا البائية (نوع محدد من الجنود المناعيين).
• زيادة النشاط في الجينات المعروفة ببناء هذه الهياكل المناعية (تحديدًا محور CXCL13-CXCR5).

وقد أكد هذا أن الذكاء الاصطناعي لم يكن يرى مجرد أنماط عشوائية، بل كان يكتشف البصمة البيولوجية لاستجابة مناعية حقيقية.

التنبؤ بالمستقبل وإنقاذ الأرواح

الاختبار النهائي لأي أداة طبية هو ما إذا كانت ستساعد المرضى. استخدم الباحثون نموذج LFM الخاص بهم للتنبؤ بشيئين حاسمين:

1. البقاء على قيد الحياة: المرضى الذين تنبأت أورامهم بوجود TLS (الأكاديميات المناعية) عاشوا لفترات أطول دون عودة السرطان. في مجموعات الاختبار، كان هذا الفرق ذا دلالة إحصائية، مما يعني أنه تأثير حقيقي وليس مجرد صدفة.
2. الاستجابة للعلاج المناعي: بالنسبة للمرضى الذين يعانون من سرطان متقدم ويتلقون علاجًا مناعيًا (أدوية توقظ الجهاز المناعي)، استطاع الذكاء الاصطناعي التنبؤ بمن سيستجيب جيدًا. حدد النموذج بشكل صحيح "المستجيبين" (الذين تحسنت حالتهم) مقابل "غير المستجيبين" بدقة بلغت 0.807.

كما اختبر الفريق نموذجهم على مجموعة "استباقية" — وهم مرضى عولجوا بعد بناء النموذج. حافظ الذكاء الاصطناعي على دقته العالية (AUC بلغت 0.881)، مما أظهر أنه لم يكن مجرد يحفظ البيانات القديمة، بل يمكنه بالفعل التنبؤ بالنتائج للمرضى الجدد.

الحدود والمستقبل

رغم أن النتائج واعدة، إلا أن المؤلفين حذرون من اعتبار هذه المشكلة "قد حُلت". فقد أشاروا إلى أن دراستهم كانت استرجاعية (تعتمد على النظر في بيانات سابقة) وركزت بشكل أساسي على المرضى في الصين، لذا يجب اختبار النموذج على مجموعات سكانية أكثر تنوعًا لضمان عمله في كل مكان. كما اعترفوا بأن تحليلهم البيولوجي استند إلى مجموعة صغيرة نسبيًا من المرضى، لذا تحتاج الآليات الجزيئية الدقيقة إلى مزيد من الدراسة.

ومع ذلك، فإن الرسالة الجوحية واضحة: تشير هذه الدراسة إلى أنه يمكننا بناء "خريطة" غير جراحية للبيئة المناعية للورم باستخدام الأشعة المقطعية القياسية والذكاء الاصطناعي. ومن خلال دمج طرق مختلفة للنظر إلى الصورة والتحقق منها باستخدام بيانات بيولوجية حقيقية، أنشأ الفريق أداة يمكنها مساعدة الأطباء في تحديد من يحتاج إلى جراحة، ومن يحتاج إلى علاج مناعي، ومن من المرجح أن تكون حالته جيدة — كل ذلك قبل إجراء شق جراحي واحد. إنها خطوة نحو مستقبل يعمل فيه الذكاء الاصطناعي كمترجم، يحول الصور الرمادية الساكنة للأشعة المقطعية إلى قصة ديناميكية لصراع الجسم ضد السرطان.