Preoperative Prediction of Lymphovascular Invasion in Breast Cancer Using Multicenter DCE-MRI Radiomics: Comparative Analysis and External Validation of Ten Machine Learning Algorithms

لا يزال سرطان الثدي يمثل تحدياً صحياً رئيساً للنساء في جميع أنحاء العالم، وبينما ساهم الكشف المبكر في إنقاذ أرواح لا حصر لها، إلا أن المرض لا يزال بإمكانه العودة أو الانتشار إلى أجزاء أخرى من الجسم. ويعد "الغزو الوعائي اللمفاوي" عاملاً حاسماً في هذا الانتشار، حيث تنفصل الخلايا السرطانية عن الورم الرئيسي وتدخل في القنوات الصغيرة التي تحمل السائل اللمفاوي أو الدم. وعندما تنتقل هذه الخلاكن عبر هذه الأوعية، فإنها تكتسب طريقاً سريعاً إلى أعضاء أخرى، مما يزيد بشكل كبير من خطر تكرار الإصابة. حالياً، لا يستطيع الأطباء سوى تأكيد حدوث هذا الغزو من خلال فحص الورم تحت المجهر بعد استئصاله جراحياً. وهذا يخلق فجوة صعبة في الرعاية: إذ يتعين على الجراحين اتخاذ قرارات بشأن كمية الأنسجة التي يجب إزالتها وما إذا كان ينبغي البدء في العلاج الكيميائي قبل معرفة ما إذا كان السرطان قد بدأ بالفعل في الانتشار. ولو تمكن الأطباء من التنبؤ بهذا الغزو قبل الجراحة، لتمكنوا من تخصيص العلاجات بدقة أكبر، مما قد يجنب المرضى إجراءات غير ضرورية أو يضمن حصول الحالات عالية الخطورة على رعاية مكثفة فوراً.

ولسد هذه الفجوة، توجه الباحثون إلى أداة تصوير قوية تسمى التصوير بالرنين المغناط المغناطيسي الديناميكي مع تعزيز التباين (DCE-MRI). وخلافاً للأشعة السينية القياسية التي تظهر العظام أو الأشكال الأساسية، يستخدم هذا النوع من الرنين المغناطيسي صبغة خاصة لمراقبة كيفية تدفق الدم عبر الورم في الوقت الفعلي، مما يكشف عن تفاصيل حول بنيته الداخلية وكيفية سلوكه. وكان التحدي يكمن في أن العين البشرية لا يمكنها رؤية الأنماط المعقدة والدقيقة المختبئة داخل هذه الصور والتي قد تشير إلى وجود غزو وعائي لمفاوي. وهنا يأتي دور مجال يُعرف باسم "الراديوميكس" (Radiomics)؛ حيث يعامل الراديوميكس الصور الطبية ليس كمجرد صور، بل كمستودعات هائلة من البيانات. ومن خلال استخدام الحواسيب لاستخراج آلاف التفاصيل الرقمية الدقيقة من الصورة — مثل الملمس والسطوع والشكل للورم — يمكن للعلماء العثور على أنماط غير مرئية للملاحظة البشرية. والهدف هو بناء خريطة رقمية يمكنها التنبؤ بالبيولوجيا غير المرئية للورم.

وقد شرع فريق من الباحثين من ثلاثة مراكز طبية في الصين في اختبار ما إذا كان هذا النهج يمكنه التنبؤ بشكل موثوق بالغزو الوعائي اللمفاوي قبل الجراحة. وجمعوا بيانات من 935 امرأة مصابة بنوع محدد من سرطان الثدي، المعروف باسم "سرطان القنوات الغازي"، ممن خضعن لفحوصات (DCE-MRI) في مستشفياتهن. وقد صُممت الدراسة لتكون صارمة، باستخدام مجموعة كبيرة من المرضى واختبار نتائجهم عبر مؤسسات مختلفة لضمان أن النتائج ليست مجرد صدفة ناتجة عن معدات مستشفى معين أو مجموعة مرضى محددة. وقام الباحثون بتحديد حدود الأورام يدوياً على صور الرنين المغناطيسي، وهي عملية دقيقة حيث يتتبع الأطباء حواف الطبقة السرطانية طبقة تلو الأخرى لتحديد المنطقة المستهدفة. وبمجرد تحديد هذه المناطق، استخرج برنامج حاسوبي ما يقرب من 1200 ميزة مختلفة من كل ورم، مما خلق مجموعة بيانات ضخمة من "البصمات الرقمية" لكل مريضة.

تضمن جوهر الدراسة مقارنة مباشرة بين عشر طرق مختلفة للتعلم الحاسوبي، أو الخوارزميات، لمعرفة أي منها يمكنه استخدام هذه البصمات الرقمية بشكل أفضل للتنبؤ بوجود الغزو الوعائي اللمفاوي. وتراوحت هذه الخوارزميات بين الأساليب الإحصائية التقليدية البسيطة والأنظمة المعقدة الحديثة التي تحاكي كيفية تعلم الدماغ. قام الباحثون بتدريب هذه الأنظمة على بيانات من مجموعة من المرضى، ثم اختبروها على مجموعات مختلفة تماماً من مستشفيات أخرى لمعرفة مدى قدرتها على تعميم معرفتها. وكشفت النتائج عن حقيقة مفاجئة حول كيفية عمل هذه الأنظمة الحاسوبية؛ فالخوارزميات الأكثر تعقيداً، والتي بدت وكأنها تعمل بشكل مثالي تقريباً عند تدريبها لأول مرة، فشلت فشلاً ذريعاً عندما واجهت بيانات جديدة من مستشفيات أخرى. لقد قامت في الأساس بحفظ صور التدريب بدلاً من تعلم القواعد الأساسية، وهي مشكلة تُعرف باسم "الفرط في التخصيص" (Overfitting). وفي المقابل، أثبتت طريقة إحصائية أبسط وأكثر مباشرة تسمى "الانحدار اللوجستي" أنها الأكثر استقراراً وموثوقية، حيث حافظت على دقتها حتى عند اختبارها على مرضى من مراكز مختلفة.

ثم قام الباحثون بدمج أفضل بيانات التصوير مع المعلومات السريرية الرئيسية التي يعرف الأطباء أهميتها بالفعل، مثل عمر المريضة، ودرجة الورم، وما إذا كانت العقد اللمفاوية القريبة من الثدي تظهر علامات الإصابة بالسرطان. وقد خلق هذا الجمع نموذج تنبؤ شاملاً. وفي الاختبار الأولي، قدم هذا النموذج المدمج أداءً استثنائياً، حيث ميز بدقة بين الأورام التي تحتوي على غزو وعائي لمفاوي وتلك التي لا تحتوي عليه. وعند اختباره على مجموعة التحقق الداخلية، استمر في إظهار أداء قوي. ومع ذلك، أصبحت القصة أكثر دقة وتعقيداً عندما تم اختبار النموذج على المجموعتين المستقلتين خارجياً من المستشفيات الأخرى. ففي إحدى المجموعات الخارجية، كانت المعلومات السريرية البسيطة وحدها قوية جداً لدرجة أنها قدمت أداءً يضاهي النموذج المدمج المعقد. وفي المجموعة الخارجية الأخرى، ظل النموذج المدمج يحتفظ بميزة، لكن بيانات التصوير وحدها لم تكن مفيدة كثيراً. يسلط هذا التباين الضوء على أنه بينما تعد هذه التكنولوجيا واعدة، فإن نجاحها يعتمد بشدة على المجتمع المحدد والسياق الذي تُستخدم فيه.

تخلص الدراسة إلى أنه بينما يوفر التعلم الحاسوبي المتقدم إمكانات كبيرة، فإن الأداة الأكثر قوة للتنبؤ بالغزو الوعائي اللمفاوي في هذا السياق هي مزيج من الإحصاء البسيط والموثوق والحقائق السريرية الأساسية. فقد وُجد أن الخوارزميات المعقدة وعالية التقنية، التي غالباً ما تتصدر العناوين، كانت هشة للغاية للاستخدام في العالم الحقيقي، وغالباً ما تفشل عندما تتغير البيانات ولو قليلاً. أما النموذج المدمج، الذي يدمج التحليل الرقمي للرنين المغناطيسي مع التفاصيل القياسية للمريضة، فيقدم وسيلة قيمة وغير جراحية لتقييم المخاطر قبل الجراحة. فهو يوفر أداة قابلة للقياس الكمي يمكنها مساعدة الأطباء في اتخاذ أفضل مسار للعمل لكل مريضة على حدة، مما قد يوجه القرارات المتعلقة بمدى الجراحة أو الحاجة إلى العلاج الكيميائي. وتؤكد النتائج درساً حاسماً لمستقبل التكنولوجيا الطبية: وهو أن الحل الأكثر فعالية ليس دائماً الأكثر تعقيداً، وأن الاختبار الصارم عبر مراكز مختلفة أمر ضروري لضمان أن الأداة تعمل للجميع، وليس فقط في مختبر واحد.