Radiomics and Deep Learning Features Based on 18F-FDG PET/CT for Predicting Occult Lymph Node Metastasis in Non-small Cell Lung Cancer

تخيل أنك محقق يحاول حل لغز داخل مدينة صاخبة. هذه المدينة هي جسم بشري، و"المجرمون" هم مجموعات صغيرة وخفية من الخلايا السرطانية التي أفلتت من الورم الرئيسي وتختبئ في العقد اللمفاوية — وهي فلاتر تشبه حبات الفاصوليا تعمل كنقاط تفتيش أمنية في جميع أنحاء الجسم. في عالم سرطان الرئة، يعد العثور على هؤلاء المجرمين المتخفين قبل الجراحة تحديًا هائلاً. الكاميرات القياسية، مثل فحوصات PET/CT التي يستخدمها الأطباء، بارعة في رصد المثيرين للمشاكل الكبار والواضحين، لكنها غالبًا ما تفوت المتسللين الصغار والمراوغين. هذا يشبه محاولة العثور على إبرة واحدة مفقودة في كومة قش باستخدام مصباح يدوي؛ فأحيانًا تكون الإبرة أصغر من أن يرى المصباح انعكاس الضوء عليها.

لحل هذه المشكلة، طور العلماء أداتين جديدتين من أدوات المحققين الخارقين. الأداة الأولى تسمى الراديوميكس (Radiomics)، وهي تشبه التقاط صورة عالية الدقة للورم ثم استخدام الكمبيوتر لقياس آلاف التفاصيل الدقيقة — كيف يبدو ملمس السطح، وكيف تتوزع الألوان، وكيف تلتوي الأشكال وتتغير. إنها تشبه تحليل حبيبات الخشب لتخمين نوع الشجرة التي جاءت منها، حتى لو لم تكن ترى الشجرة بأكملها. الأداটি الثانية هي التعلم العميق (Deep Learning)، وهو نوع من الذكاء الاصطناعي يعمل كمتدرب شديد الملاحظة درس ملايين الصور. بدلاً من مجرد قياس الأشكال، ينظر هذا الذكاء الاصطناعي إلى الصورة ككل ويتعلم رصد الأنماط المعقدة التي قد تخفى على العين البشرية (وحتى على الحواسيب القياسية). السؤال الكبير الذي تطرحه هذه الورقة هو: إذا دمجنا تفاصيل القياسات من "الراديوميكس"، وعقل "التعلم العميق" القادر على رصد الأنماط، مع التاريخ الطبي الخاص بالمريض، هل يمكننا إنشاء "محقق خارق" يجد جواسيس السرطان المتخفين قبل بدء الجراحة؟

---

قصة الورقة البحثية: بناء المحقق النهائي للسرطان

في هذه الدراسة، قرر فريق من الباحثين من مستشفيات في نينغبو وسوتشو بالصين بناء هذا "المحقق الخارق" للتنبؤ بـ النقائل العقدية الخفية (Occult Lymph Node Metastasis - OLM). كلمة "خفية" (Occult) هي مجرد كلمة طبية منمقة تعني "مستترة". وهذه هي الحالات التي تبدو فيها العقد اللمفاوية طبيعية تمامًا في الأشعة، ولكن عندما يزيلها الجراح أثناء العملية، يجد خلايا سرطانية بداخلها. هذا وضع صعب لأنه إذا لم يعرف الأطباء أن السرطان قد انتشر، فقد لا يزيلون أنسجة كافية، أو قد يزيلون الكثير، مما يسبب ضررًا غير ضروري.

جمع الفريق بيانات من 490 مريضًا يعانون من نوع محدد من سرطان الرئة يسمى سرطان الرئة غير صغير الخلايا (NSCLC). كان لدى هؤلاء المرضى أورام بدت صغيرة وموضعية في صور الأشعة الخاصة بهم، لكن الباحثين أرادوا معرفة ما إذا كان أي منها قد تسلل بالفعل إلى العقد اللمفاوية. قاموا بتقسيم هؤلاء المرضى إلى مجموعات: مجموعة "تدريب" كبيرة لتعليم نماذج الكمبيوتر الخاصة بهم، ومجموعات "اختبار" أصغر لمعرفة ما إذا كانت النماذج تستطيع حل اللغز بمفردها دون غش.

كيف دربوا الذكاء الاصطناي:
أولاً، أخذوا صور PET/CT وحددوا الأورام يدويًا. ثم أدخلوا هذه البيانات في نظامين مختلفين:

1. نظام الراديوميكس: استخرج هذا النظام أكثر من 3,000 ميزة دقيقة من الصور، واصفًا كل شيء من شكل الورم إلى التباينات الدقيقة في كيفية امتصاصه للسكر المشع المستخدم في الفحص.
2. نظام التعلم العميق: استخدموا ذكاءً اصطناعيًا مدربًا مسبقًا (تحديدًا شبكة تسمى ResNet50) تعلم بالفعل التعرف على الأشياء من ملايين الصور العادية. عرضوا عليه شرائح من الورم، وقام الذكاء الاصطناعي باستخراج أنماطه الخفية الخاصة.

كما نظروا أيضًا في "المؤشرات الحيوية" للمرضى، مثل العمر، وما إذا كان المريض مدخنًا، ونتائج فحوصات الدم (تحديدًا علامة تسمى CEA)، وحجم الورم.

التجربة الكبرى:
بنى الباحثون سبعة فرق تحقيق مختلفة (نماذج) لمعرفة أيهم الأفضل:

• فرق تستخدم فقط تاريخ المريض.
• فرق تستخدم فقط تفاصيل الراديوميكس.
• فرق تستخدم فقط أنماط التعلم العميق.
• وأخيرًا، "فريق النجوم" الذي يجمع بين التعلم العميق + الراديوميكس + البيانات السريرية.

ماذا وجدوا:
كانت النتائج واضحة. "فريق النجوم"، الذي يسميه المؤلفون نموذج DLRC (التعلم العميق-الراديوميكس-السريري)، كان البطل بلا منازع.

• في مجموعة الاختبار الداخلية، حدد السرطان الخفي بشكل صحيح بنسبة 89% (درجة AUC بلغت 0.890).
• في مجموعة الاختبار الخارجية (مرضى من مستشفى آخر)، ظل دقيقًا للغاية، حيث أصاب في 87.2% من الحالات (درجة AUC بلغت 0.872).
• كان هذا أفضل بكثير من أي طريقة منفردة مستخدمة بمفردها. إنه يشبه امتلاك محقق يمكنه قراءة بصمات الأصابع و رؤية آثار الأقدام و معرفة عادات المشتبه به، بدلاً من امتلاك مهارة واحدة فقط من تلك المهارات.

استخدمت الدراسة أيضًا أداة خريطة حرارية خاصة تسمى Grad-CAM لمعرفة ما كان الذكاء الاصطناي ينظر إليه فعليًا. وتبين أن الذكاء الاصطناي كان يركز على قلب الورم، مما أكد أن أهم الأدلة كانت مخبأة في مركز الكتلة تمامًا.

لماذا يهم هذا المستقبل:
لم يتوقف الباحثون عند مجرد العثور على السرطان؛ بل تحققوا مما إذا كانت "درجة الخطورة" الخاصة بهم تؤثر على حياة المرضى. وجدوا أن المرضى الذين صنفهم النموذج على أنهم "عالي الخطورة" (أي أنه يشتبه في وجود سرطان خفي) عانوا في الواقع من معدلات بقاء أسوأ وكانوا أكثر عرضة لعودة السرطان مقارنة بمن صنفوا بأنهم "منخفضي الخطورة".

يشير هذا إلى أنه في المستقبل، يمكن للأطباء استخدام هذه الأداة لاتخاذ قرارات أذكى. إذا قال النموذج إن المريض "منخفض الخطورة"، فقد يتجنبون جراحة ضخمة وتداخلية لإزالة جميع العقد اللمفاوية، مما يجنب المريض الآثار الجانبية غير الضرورية. وإذا قال النموذج إن المريض "عالي الخطورة"، سيعرف الأطباء أن عليهم أن يكونوا أكثر دقة، فيزيلون المزيد من الأنسجة ويخططون لعلاجات متابعة أقوى على الفور.

العائق:
بينما تعد النتائج مثيرة، فإن المؤلفين حذروا من أن هذه كانت دراسة استرجاعية، مما يعني أنهم نظروا في بيانات قديمة بدلاً من اختبار الأداة على مرضى جدد في الوقت الفعلي. كما أشاروا إلى أن نموذجهم تم تدريبه على أنواع محددة من سرطان الرئة (سرطانة الغدد وسرطانة الخلايا الحرشفية) وقد يحتاج إلى مزيد من الاختبار لمعرفة ما إذا كان سيعمل مع أنواع أخرى. ومع ذلك، تشير الدراسة بقوة إلى أن الجمع بين المعرفة الطبية البشرية مع قدرات الذكاء الاصطناعي وتحليل الصور التفصيلي هو مسار واعد للإمساك بالتهديدات غير المرئية لسرطان الرئة.