📄 medicine

Prediction of HER2 FISH result from registered H&amp;E and IHC slides in breast cancer

تُظهر هذه الدراسة أن نموذج تعلم عميق متعدد الوسائط، تم تدريبه على شرائح (H&E) و(IHC) مقترنة ومسجلة، يمكنه التنبؤ بدقة بنتائج فحص (FISH) لبروتين (HER2)، مما قد يلغي الحاجة إلى اختبار (FISH) المكلف في حوالي ثلث حالات سرطان الثدي غير الواضحة.

المؤلفون الأصليون: Amit Frechter, Edmond Sabo, Alexandra Cretu, Antonio Polonia, Shahar Cohen, Frederick Howard, Karin Stoliar, Ron Kimmel, Gil Shamai

نُشر 2026-08-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Amit Frechter, Edmond Sabo, Alexandra Cretu, Antonio Polonia, Shahar Cohen, Frederick Howard, Karin Stoliar, Ron Kimmel, Gil Shamai

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

ليس سرطان الثدي مرضاً واحداً، بل هو مجموعة من الحالات المختلفة، كل منها مدفوع بإشارات جزيئية فريدة تحدد كيفية نمو الورم وكيفية علاجه. ومن أهم الإشارات التي يجب تحديدها بروتين يسمى HER2. فعندما يتواجد هذا البروتين بكميات كبيرة، فإنه يعمل مثل "دواسة الوقود" للسرطان، مما يتسبب في نموه بسرعة. ولحسن الحظ، طور الأطباء علاجات موجهة يمكنها إيقاف تشغيل دواسة الوقود هذه، ولكن هذه العلاجات لا تعمل إلا إذا كان سرطان المريض يحتوي بالفعل على إشارة HER2. ولمعرفة ذلك، يفحص أخصائيو الأمراض عينات الأنسجة تحت المجهر؛ حيث ينظرون أولاً إلى شريحة مصبوغة قياسية، تظهر الشكل العام للخلايا، ثم غالباً ما يستخدمون صبغة كيميائية خاصة لتسليط الض الضوء على بروتين HER2 نفسه. وإذا كانت مستويات البروتين مرتفقة بوضوح أو منخفضة بوضوح، يكون التشخيص مباشراً. ومع ذلك، يقع نحو واحد من كل سبعة مرضى في منطقة رمادية حيث تكون مستويات البروتين غامضة. وبالنسبة لهؤلاء المرضى، تتطلب معايير الرعاية الصحية اختباراً ثالثاً أكثر تعقيداً يستخدم الضوء لعدّ الجينات الفعلية داخل الخلايا. وهذا الاختبار الإضافي مكلف، ويستغرق وقتاً طويلاً، وغير متاح للجميع، لا سيالما في المناطق ذات الموارد الطبية المحدودة.

لقد استكشف فريق من الباحثين من إسرائيل والبرتغال والولايات المتحدة طريقة لتجاوز هذه الخطوة الثالثة الصعبة للعديد من المرضى. فقد تساءلوا عما إذا كان بإمكان الكمبيوتر، المدرب على آلاف الصور المجهرية، أن ينظر إلى شريحة الأنسجة القياسية وصبغة البروتين الخاصة معاً للتنبؤ بنتيجة اختبار الجينات المعقد. وللقيام بذلك، كان عليهم أولاً حل لغز فيزيائي: الشريحتان تأتيان من نفس قطعة النسيج ولكن تم قطعهما في أوقات مختلفة وتلوينهما بشكل مختلف، مما يعني أنهما لا يتطابقان تماماً. طور الباحثون طريقة لمطابقة هاتين الصورتين رقمياً، عبر مطابقة أنماط الخلايا المحددة في إحدى الشرائح مع الأنماق المقابلة لها في الأخرى. ثم قاموا بتغذية هذه الأزواج المتطابقة في نظام "التعلم العميق"، وهو نوع من الذكاء الاصطناعي الذي يتعلم من خلال تحليل كميات هائلة من البيانات المرئية. وقد تم تدريب النظام على التعرف على الإشارات المرئية الدقيقة في الأنسجة التي تشير إلى ما إذا كانت الخلايا السرطانية من المرجح أن تحتوي على تضخم الجينات الذي يكشفه الاختبار المعقد عادةً.

وجدت الدراسة، التي حللت بيانات ما يقرب من 1500 مريض، أن هذا النهج المشترك يعمل بدقة ملحوظة. فعندما اختبر الباحثون النظام في الحالات التي كانت فيها صبغة البروتين الأولية غامضة، تمكن النموذج الحاسوبي من التنبؤ بنتيجة اختبار الجينات بدرجة عالية من اليقين. وفي حوالي ثلث هذه الحالات الصعبة، كان النموذج واثقاً جداً في تنبؤه لدرجة أنه استطاع فعلياً الاستغناء عن الحاجة إلى اختبار الجينات المكلف. وفي حوالي ثمانية بالمائة من هذه الحالات الغامضة، كان النموذج متأكداً من أن السرطان إيجابي بالنسبة للجين، وفي حوالي واحد وعشرين بالمائة أخرى، كان متأكداً من أن السرطان سلبي. وفي هذه المجموعات المحددة، كانت تنبؤات النموذج موثوقة للغاية لدرجة أنها طابقت الاختبار المعياري الذهبي تماماً في عملية التحقق من الدراسة. وهذا يشير إلى أنه بالنسبة لجزء كبير من المرضى، يمكن تجاوز اختبار الجينات المعقد دون المساس بدقة التشخيص.

كما قارن الباحثون طريقتهم الجديدة باستخدام صبغة البروتين وحدها أو استخدام شريحة الأنسجة القياسية وحدها. ووجدوا أنه بينما كانت صبغة البروتين وحدها جيدة، فإن إضافة شريحة الأنسجة القياسية حسنت النتائج بشكل كبير. فقد وفرت الشريحة القياسية سياقاً، مما ساعد الكمبيوتر على التركيز خصيصاً على المناطق السرطانية وتجاهل الأنسجة السليمة المحيطة بها، مما أدى إلى تنبؤات أفضل. وتشير الدراسة إلى أن هذه التكنولوجيا يمكن أن تكون أداة قوية للفرز، مما يساعد الأطباء في تحديد المرضى الذين يحتاجون حقاً إلى اختبار الجينات المكلف وأولئك الذين يمكن علاجهم بناءً على الصور الأبسط وحدها. وقد يكون هذا قيماً بشكل خاص في البلدان التي يصعب فيها الحصول على الاختبار المعقد، مما قد يسمح لمزيد من المرضى بتلقي العلاج المناسب المنقذ للحياة بشكل أسرع.

ومع ذلك، يلاحظ المؤلفون بحذر أن هذا ليس بديلاً عن اختبار الجينات في كل حالة. فلا يزال النموذج يرتكب أخطاء في عدد قليل من الحالات، ولم يتم تصميمه للكشف عن المستويات المنخفضة جداً من البروتين التي بدأت تصبح ذات أهمية للعلاجات الجديدة. كما أُجريت الدراسة على مجموعة محددة من البيانات، ويقر الباحثون بأن النظام يحتاج إلى الاختبار في مستشفيات أخرى ومع مجموعات مرضى مختلفة قبل أن يمكن اعتماده على نطاق واسع. ويشيرون أيضاً إلى أن طريقتهم تتطلب حالياً وجود إنسان لتحديد بعض النقاط على الشرائح لمساعدة الكمبيوتر على مطابقتها، وهي خطوة يجري تحسينها لتصبح آلية بالكامل. ورغم هذه القيود، يوضح العمل أن الجمع بين نوعين شائعين من الصور المجهرية مع الذكاء الاصطناعي يمكن أن يستخرج معلومات كان يُعتقد سابقاً أنها تتطلب إجراءً أكثر تعقيداً وتكلفة بكثير.

أبحاث مشابهة