Do Pathology Foundation Models Learn Biology? Uncertainty-Based Evaluation on AML Cytomorphology
تُظهر هذه الدراسة أنه بينما قد تتفوق نماذج الرؤية العامة على النماذج التأسيسية المتخصصة في علم الأمراض في مقاييس التجميع القياسية، فإن قدرة الأخيرة على التقاط البنية ذات المعنى البيولوجي تظهر بشكل أفضل من خلال أنماط عدم اليقين المستقرة التي تميز بين حالات نضج الخلايا في سرطان الدم النقوي الحاد.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
في عالم الطب، ظل المجهر لفترة طويلة الأداة الأساسية لفهم الآليات غير المرئية لجسم الإنسان. فعندما يشتبه الطبيب في وجود اضطراب في الدم، فإنه ينظر إلى شريحة من الخلايا، باحثاً عن اختلافات دقيقة في الشكل واللون والملمس تكشف ما إذا كانت الخلية سليمة أم مريضة. هذه المهمة شاقة وعرضة للخطأ البشري؛ فحتى الخبراء قد يختلفون فيما يرونه، كما أن العملية بطيئة. وللمساعدة في ذلك، توجه العلماء إلى الذكاء الاصطناعي، لتعليم الحواسيب كيفية التعرف على هذه الأنماط. ومؤخراً، ظهر جيل جديد من البرامج الحاسوبية القوية، تُعرف باسم "النماذج التأسيسية" (foundation models). هذه النماذج تشبه مكتبات ضخمة من المعرفة البصرية، تم تدريبها على ملايين الصور لفهم العالم. بعضها تم تدريبه على صور فوتوغرافية عامة للطبيعة، بينما تم تدريب البعض الآخر خصيصاً على شرائح طبية. والسؤال الكبير الذي يواجه الأطباء والباحثين هو ما إذا كانت هذه البرامج ذات الأغراض العامة، والتي تتميز بذكاء شديد تجاه العالم ككل، قادرة حقاً على فهم البيولوجيا المعقدة والخاصة للخلايا البشرية، أم أنها بحاجة إلى التدريب على صور طبية للقيام بذلك.
لقد وضع فريق من الباحثين هدفاً للإجابة على هذا السؤال من خلال اختبار ثلاثة نماذج حاسوبية مختلفة على نوع معين من سرطان الدم يسمى "ابيضاض الدم النقوي الحاد" (acute myeloid leukemia). يحدث هذا المرض عندما تفشل خلايا الدم في النضوج بشكل صحيح، حيث تظل عالقة في حالة غير ناضجة. استخدم الباحثون مجموعة بيانات تحتوي على ما يقرب من 17,500 صورة لخلايا فردية، كانت قد صُنفت بالفعل من قبل خبراء إلى خمس عشرة فئة متميزة بناءً على تطورها البيولوجي. كان الهدف هو معرفة ما إذا كانت النماذج الحاسوبية تستطيع تجميع هذه الخلايا معاً بشكل صحيح دون إخبارها بالإجابات مسبقاً. وقد اختبروا نموذجاً قياسياً مدرباً على صور عامة، ونموذجاً ضخماً مدرباً على صور عامة ولكن باستخدام طريقة تعلم أكثر تقدماً، ونموذجاً متخصصاً تم تدريبه على ملايين الشرائح المرضية الطبية.
كشفت النتائج عن تحول مفاجئ. فعندما نظر الباحثون في مدى ترتيب المجموعات التي شكلها الحاسوب، وجدوا أن النموذج العام المدرب على صور طبيعية كان الأفضل أداءً. فقد أنشأ مجموعات متراصة ومنفصلة جيداً بدت مثالية على الورق. ومع ذلك، عندما تحقق الباحثون مما إذا كانت هذه المجموعات تتطابق بالفعل مع الأنواع البيولوجية الحقيقية للخلايا، فشل هذا النموذج نفسه تماماً. فقد قام بتجميع الخلايا التي تبدو متشابهة في المظهر السطحي، رغم أنها تنتمي إلى عائلات مختلفة تماماً في الجسم. وفي المقابل، أنتج النموذج المدرب خصيصاً على الشرائح الطبية مجموعات كانت أكثر فوضوية وأقل مثالية من الناحية الهندسية، ومع ذلك كانت هذه المجموعات تتوافق بشكل أفضل بكثير مع البيولوجيا الفعلية للمرض. لقد فهم النموذج المتخصص الاختلافات الدقيقة التي تهم الطبيب، بينما انخدع النموذج العام بالتشابهات السطحية.
وللوصول إلى جوهر السبب وراء حدوث ذلك، طور الباحثون طريقة جديدة لاختبار النماذج: فقد قاموا بقياس مدى عدم اليقين لدى الحاسوب تجاه كل خلية. في علم الأحياء، تكون بعض الخلايا محددة بوضوح ومستقرة، بينما تكون خلايا أخرى في حالة انتقالية، أي في مرحلة تحول من مرحلة إلى أخرى. وهذه الخلايا الانتقالية غامضة بطبيعتها. ووجد الباحثون أن النموذج المدرب طبياً أظهر عدم يقين عالٍ في المواضع التي ينبغي أن يظهر فيها ذلك بالضبط: أي عند النظر إلى هذه الخلايا الانتقالية والمتغيرة. لقد أدرك أن هذه الخلايا يصعب تحديد ماهيتها بدقة. أما النموذج ذو الأغراض العامة، فلم يظهر هذا النمط؛ فقد كان واثقاً بنفس القدر من كل شيء، وفشل في استشعار التعقيد البيولوجي. وقد تبين أن عدم اليقين هذا كان علامة أكثر موثوقية على الفهم الحقيقي من مجرد ترتيب المجموعات بشكل أنيق.
كما سلطت الدراسة الضوء على درس بالغ الأهمية لكيفية تقييم هذه الأدوات. فإذا نظر الباحث فقط إلى الدرجات القياسية التي تقيس مدى ترتيب المجموعات، فسيختار النموذج الخاطئ للمهمة. فالنموذج الذي يبدو الأفضل في الاختبار القياسي هو في الواقع الأسوأ في فهم البيولوجيا. علاوة على ذلك، وجد الباحثون أن أداء النموذج الطبي يمكن أن يختلف اعتماداً على كيفية بدء التجربة، لكن قدرته على استشعار عدم اليقين ظلت ثابتة وموثوقة. وهذا يشير إلى أن مراقبة كيفية تفاعل النموذج مع الغموض هي وسيلة أفضل للحكم على ذكائه من مجرد التحقق مما إذا كان يصنف الأشياء في مجموعات مرتبة. وفي نهاية المطاف، تظهر الأبحاث أن تدريب الحاسوب على ملايين الصور الطبية يترك بصمة مميزة على كيفية رؤيته للعالم، مما يسمح له باستيعاب الواقع البيولوجي للمرض بطريقة لا يمكن للمعرفة العامة وحدها تحقيقها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.