Automated Bone Marrow Cellularity Estimation from Whole-Slide Images Using Deep Learning: Validation in an Indian Clinical Cohort
تقدم هذه الدراسة AiSAP، وهو إطار عمل للتعلم العميق يحقق دقة بمستوى الخبراء في التقدير التلقائي لنسبة الخلايا في نخاع العظم من الصور الكاملة للشرائح باستخدام بنية ثنائية لشبكة Mask R-CNN، وقد تم التحقق من صحته على مجموعة سريرية هندية غير ممثلة كفاية.
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
تخيل عالماً يضطر فيه الأطباء إلى النظر في شرائح رقيقة جداً من الأنسجة تحت المجهر لمعرفة سبب مرض المريض. الأمر يشبه محاولة العثور على بضع ألعاب صغيرة ومحددة مخبأة داخل صندوق ضخم وفوضوي من الرمل. هذا هو بالضبط ما يحدث عندما يفحص الأطباء نخاع العظم لدى المريض، وهو النسيج الإسفنجي داخل عظامنا حيث تولد خلايا الدم. لتشخيص حالات خطيرة مثل سرطان الدم (اللوكيميا) أو فقر الدم، يحتاجون إلى معرفة "الخلوية" (cellularity) في النخاع: أي مقدار المساحة التي تشغلها الخلايا المكونة للدم مقابل الخلايا الدهنية. في الوقت الحالي، يتعين على خبير بشري أن يحدق في شريحة زجاجية، ويعد الخلايا، ويخمن النسبة المئوية. إنها عملية بطيئة، ومرهقة، وقد يعطي خبيران مختلفان إجابات مختلفة قليلاً عند النظر إلى نفس الشريحة. وهنا يأتي دور الذكاء الاصطناعي. فكر في الذكاء الاصطناعي كمساعد آلي فائق السرعة ولا يكل، يمكنه النظر إلى صورة رقمية للشريحة بأكملها والقيام بعملية العد نيابة عنا. ولكن لكي يعمل هذا الروبوت، يجب تعليمه كيفية التمييز بين خلية الدم وخلية الدهون، ويجب اختباره على أشخاص حقيقيين للتأكد من عدم ارتباكه.
يقدم هذا البحث مساعداً آلياً جديداً يسمى AiSAP (منصة تحليل شرائح الذكاء الاصطناعي). أراد الفريق الذي يقف وراءه بناء نظام يمكنه النظر إلى صورة رقمية خام وضخمة لخزعة من نخاع العظم وتحديد مدى "ازدحامها" بالخلايا المكونة للدم تلقائياً. وبدلاً من مجرد النظر إلى مربع صغير محدد مسبقاً من الصورة، ينظر AiSAP إلى الشريحة بأكملها، ويجد الأجزاء الصحيحة، ويجري الحسابات. لقد دربوا هذا الذكاء الاصطناعي باستخدام بيانات من 170 مريضاً حقيقياً في الهند، وهي مجموعة لم تُستخدم كثيراً في البرامج الحاسوبية السابقة. والنتائج واعدة: كانت تقديرات الذكاء الاصطناعي جيدة جداً تقريباً مثل الخبراء البشر. في الواقع، عندما قارنوا أرقام الذكاء الاصطناعي بمتوسط رأي طبيبين بشريين، تطابقت النتائج مع معامل ارتباط قدره 0.95 (وهو قريب جداً من الرقم المثالي 1.0). كان لدى الذكاء الاصطناعي ميل لتقدير عدد الخلايا بنسبة أعلى قليلاً من البشر — بنحو 7% إلى 8% أعلى — ولكن بما أن النمط كان ثابتاً للغاية، فإن المؤلفين يشيرون إلى أن هذا قد يعني في الواقع أن الذكاء الاصطناعي يرصد خلايا دقيقة قد يغفل عنها البشر في نظرة سريعة.
السر وراء نجاح AiSAP هو أنه يعمل في خطوتين، مثل فريق من محققين متخصصين. أولاً، يقوم النموذج-1 (Model-1) بمسح الشريحة بأكملها ويرسم مربعاً حول الأجزاء "المثيرة للاهتمام"، فافصلاً نسيج نخاع العظم الفعلي عن العظام، أو الجلطات الدموية، أو أي شوائب فوضوية حدثت أثناء تحضير الشريحة. الأمر يشبه محققاً يقول: "حسناً، تجاهل الصخور والأتربة؛ دعونا نركز على الحي الذي يعيش فيه الناس". بعد ذلك، يقوم النموذج-2 (Model-2) بالاقتراب من ذلك الحي والبحث تحديداً عن الخلايا "الدهنية" (الخلايا الشحمية)، والتي تبدو مثل فقاعات صافية وفارغة. وبمجرد أن يعرف الذكاء الاصطناعي مقدار المساحة التي تشغلها الدهون ومقدار المساحة التي تشغلها بقية الأنسجة، فإنه يستخدم معادلة بسيطة لحساب النسبة المئوية للخلوية.
اختبر الباحثون خمسة "أدمغة" مختلفة (تسمى هياكل أساسية أو backbones) لذكائهم الاصطناعي لمعرفة أي منها يعمل بشكل أفضل. ووجدوا أنه بينما كانت بعض الأدمغة أفضل في رصد الأجسام الفردية، كانت أخرى أفضل في الحصول على النسبة المئوية النهائية بدقة. أما الأفضل أداءً، والذي استخدم بنية معينة تسمى X101_FPN، فقد حقق درجة تسمى معامل توافق لين (Lin's Concordance Correlation Coefficient) بلغت 0.882، مما يعني أن اتفاقه العام مع الخبراء البشر كان قوياً جداً. ومن ناحية أخرى، كان الدماغ R50_C4 هو الأفضل في مطابقة الترتيب الدقيق للحالات، بمعامل ارتباط بلغ 0.948.
ومع ذلك، فإن المؤلفين حذرون من تسمية هذه المشكلة "محسومة". فهم يشيرون إلى أن الذكاء الاصطناعي لا يزال بحاجة إلى مزيد من الاختبارات. فقد تم تدريبه واختباره فقط على شرائح من مستشفى واحد في الهند. فإذا تغيرت طريقة صبغ الشرائح أو قطعها في مستشفى آخر، فقد يرتبك الذكاء الاصطناعي. كما اعترفوا بأن الذكاء الاصطناعي يخطئ أحياناً في اعتبار العظام المسحوقة أو الأنسجة الندبية الكثيفة خلايا حية، وهذا هو السبب في أنه يبالغ في تقدير عدد الخلايا قليلاً. ولكن رغم هذه العقبات، تظهر الدراسة أن نهج الذكاء الاصطناعي المكون من خطوتين يمثل خطوة كبيرة للأمام. فهي تشير إلى أنه يمكننا بناء أدوات تساعد أطباء علم الأمراض على العمل بشكل أسرع وأكثر اتساقاً، مما يقلل من احتمال أن يعتمد التشخيص على الشخص الذي ينظر إلى الشريحة في ذلك اليوم. ويخلص المؤلفون إلى أنه على الرغم من أن AiSAP ليس جاهزاً لاستبدال الأطباء بعد، إلا أنه أداة جديدة قوية تستحق الاختبار في العديد من المستشفيات حول العالم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.