Deep Learning-Based Segmentation of Oral Squamous Cell Carcinoma on Routine H&E Histopathology Images: A Single-Center Retrospective Study
تُظهر هذه الدراسة الاستعادية أحادية المركز جدوى استخدام نموذج التعلم العميق "Attention U-Net" لتحقيق تقسيم آلي عالي الدقة لسرطان الخلايا الحرشفية الفموية في صور الأنسجة المرضية الروتينية المصبوغة بصبغة الهيماتوكسيلين والإيوسين (H&E)، رغم أن التحقق الخارجي مطلوب لتأكيد القدرة على التعميم.
المؤلفون الأصليون:Sharon Akrish, Y Zohar, Gil Akrish
تخيل عالماً لا يكتفي فيه الأطباء بمجرد النظر إلى صورة للعثور على مشكلة ما، بل لديهم مساعد ذكي للغاية يمكنه تسليط الضوء بدقة على مكان اختباء الخلل. هذا هو الركن المثير في العلم المسمى الذكاء الاصطناعي (AI) في الطب، وتحديداً فرع يُعرف باسم التعلم العميق (Deep Learning). فكر في التعلم العميق كعملية تعليم كمبيوتر كيفية التعرف على الأنماط من خلال إظهار ملايين الأمثلة له، تماماً كما يتعلم الطفل تمييز القطة وسط الحشد من خلال رؤية آلاف صور القطط. في هذه القصة تحديداً، "الصورة" هي شريحة رقيقة وملونة من الأنسجة البشرية تسمى شريحة علم الأمراض النسيجي (histopathology slide)، مصبوغة بصبغات وردية وأرجوانية (H&E) لجعل الخلايا مرئية. و"المشكلة" هي نوع من سرطان الفم يسمى سرطان الخلايا الحرشفية الفموية (OSCC). يهتم الأطباء بهذا الأمر بعمق لأن تحديد مكان توقف السرطان بالضبط وأين تبدأ الأنسجة السليمة يشبه رسم خريطة للبحث عن الكنز؛ فإذا كانت الخريطة خاطئة، فقد تترك الجراحة بعض "الكنز" (السرطان) خلفها أو تقطع الكثير من الأراضي السليلة. السؤال الكبير الذي يطرحه الباحثون هو: هل يمكننا تعليم الكمبيوتر رسم هذه الخريطة تلقائياً، وبسرعة واتساق أكبر من العين البشرية المتعبة؟
تحكي هذه الورقة البحثية قصة فريق من الباحثين الذين قرروا بناء صانع الخرائط الحاسوبي هذا. لقد جمعوا مجموعة ضخمة مكونة من 554 حالة واقعية لسرطان الفم، تمت مراجعة كل منها ورسمها يدوياً بعناًية من قبل خبير في علم الأمراض (طبيب متخصص في فحص الأنسجة تحت المجهر) لإنشاء ما يسمى "الحقيقة الأرضية" (ground truth) للخريطة. ثم قاموا بتغذية هذه الصور في نوع خاص من نماذج الذكاء الاصطناتي تسمى Attention U-Net. يمكنك التفكير في هذا النموذج كأنه محقق يحمل عدسة مكبرة ويعرف تماماً أين يركز انتباهه، متجاهلاً الضوضاء الخلفية المملة (مثل الأنسجة السليمة أو الالتهابات) والتركيز على البقع المشبوهة. قام الباحثون بتدريب هذا المحقق على معظم الحالات، ثم اختبروه على دفعة جديدة من الحالات التي لم يسبق له رؤيتها ليروا ما إذا كان بإمكانه حقاً القيام بالمهمة.
كانت النتائج واعدة للغاية. نجح المحقق الآلي في رسم حدود السرطان بمستوى عالٍ من الدقة، حيث طابق خرائط الخبير البشري بنسبة 85% تقريباً من حيث التداخل المثالي للبكسل. وتحديداً، حقق النموذج درجة تسمى معامل دايس (Dice coefficient) قدرها 0.8498 وتقاطع الاتحاد (IoU) قدره 0.7154. وباللغة البسيطة، هذا يعني أن الخطوط العريضة التي رسمها الكمبيوتر للسرطان كانت قريبة جداً من الخطوط التي رسمها الطبيب، حيث نجح في تحديد الورم في معظم البقاع. كان النموذج بارعاً بشكل خاص في رصد الأورام الواضحة والمحددة جيداً. ومع ذلك، كانت الورقة صادقة بشأن المواضع التي تعثر فيها المحقق: فعندما كان السرطان يختبئ في جزر صغيرة ومبعثرة أو عندما بدا النسيج فوضوياً ومربكاً للغاية، كان الذكاء الاصطناعي يرتكب أحياناً أخطاء صغيرة، إما بتفويت بقعة صغيرة أو بتحديد منطقة سليمة عن طريق الخطأ.
يحرص المؤلفون على القول إنه على الرغم من أن هذه خطوة قوية للأمام، إلا أنها ليست عصا سحرية بعد. فهم يؤكدون أن اختبارهم تم على بيانات من مستشفى واحد فقط، لذا لم يثبت النموذج بعد قدرته على التعامل مع المجاهر المختلفة وأساليب الصبغ المختلقة في المختبرات الأخرى حول العالم. كما أشاروا إلى أن خرائط "الحقيقة الأرضية" تم رسمها من قبل خبير واحد فقط، لذا لا نعرف كيف سيقارن الذكاء الاصطناعي إذا رسم خبيران مختلفان تلك الخرائط واختلفا فيما بينهما. تشير الدراسة إلى أن هذه التكنولوجيا يمكن أن تصبح في النهاية "مساعداً جانبياً" مفيداً لأطباء علم الأمراض، مما يساعدهم في قياس مدى عمق السرطان أو ما إذا كان قد وصل إلى حافة الجراحة، لكنها ليست جاهزة لاستبدال الطبيب البشري أو تقديم التشخيص النهائي بمفردها. الخلاصة الكبرى هي أنهم نجحوا في بناء مجموعة بيانات ضخمة وعالية الجودة مكونة من 554 حالة مصنفة من قبل خبراء، وأثبتوا أن الكمبيوتر يمكنه تعلم كيفية إيجاد سرطان الفم في هذه الشرائح باتفاق جوهري مع الخبراء البشريين، مما يمهد الطريق لأدوات مستقبلية قد تجعل تخطيط علاج السرطان أكثر دقة يوماً ما.
ملخص تقني: التجزئة القائمة على التعلم العميق لسرطان الخلايا الحرشفية الفموية في صور الهيستوباثولوجيا الروتينية المصبوغة بـ H&E
بيان المشكلة يعد التحديد الدقيق لأنسجة الورم في عينات سرطان الخلايا الحرشفية الفموية (OSCC) المستأصلة أمراً بالغ الأهمية لتقييم المعايير الهيستوباثولوجية الإنذارية، مثل عمق الغزو وحالة الحواف الجراحية. وبينما يظل أخصائيو أمراض الفم الخبراء هم المعيار التشخيصي الذهبي لتقييم المقاطع المصبوغة بالهيماتوكسيلين والإيوسين (H&E)، فإن التحديد الدقيق لجبهات الغزو الورمي غالباً ما يكون تحدياً بسبب الارتشاحات الالتهابية الكثيفة، والتفاعلات السدوية، وتشويه الأنسجة، والأعشاش الورمية الصغيرة الارتشاحية. تساهم هذه العوامل في التباين التشخيصي. وعلى الرغم من أن التطورات الأخيرة في الذكاء الاصطناعي (AI) قد أظهرت إمكانات في تصنيف سرطان الخلايا الحرشفية الفموية، إلا أن مناهج التصنيف توفر معلومات محدودة فيما يتعلق بالتوزيع المكاني الدقيق للأنسجة الخبيثة. وهناك حاجة للتجزئة الدلالية الآلية على مستوى البكسل لدعم التقييم الكمي وسير عمل علم الأمراض المدعوم بالذكاء الاصطناعي.
المنهجية قامت هذه الدراسة الاسترجاعية، أحادية المركز، بتطوير والتحقق داخلياً من نموذج تعلم عميق لتجزئة سرطان الخلايا الحرشفية الفموية (OSCC) باستخدام مجموعة بيانات مكونة من 554 حالة مصبوغة بـ H&E.
جمع البيانات والترميز: ضمت مجموعة البيانات 554 حالة من حالات سرطان الخلايا الحرشفية الفموية (خزعات واستئصالات) من مواقع مختلفة في تجويف الفم (اللسان، أرضية الفم، المخاطية الشدقية، إلخ)، تغطي الأورام جيدة التمايز، ومتوسطة التمايز، وسيئة التمايز. تم رقمنة الصور بتكبير ×20 باستخدام ماسح ضوئي من طراز Aperio GT 450 DX. قام طبيب متخصص في أمراض الفم والوجه والفكين، يتمتع بخبرة تزيد عن 30 عاماً، بترميز مناطق الورم يدوياً لإنشاء أقنعة تجزئة ثنائية (ورم مقابل غير ورم).
المعالجة المسبقة: تم استخراج مناطق اهتمام ممثلة كقطع (patches) بحجم 1600 × 1600 بكسل. تم حشو المناطق الأصغر للحفاظ على الحجم، ثم تغيير حجم القطع إلى 512 × 512 بكسل كمدخلات للنموذج.
تقسيم مجموعة البيانات: تم تقسيم مجموعة البيانات على مستوى الحالة إلى مجموعات فرعية للتدريب (70%، 388 حالة)، والتحقق (15%، 83 حالة)، والاختبار المستقل (15%، 83 حالة) لمنع تسرب البيانات.
بنية النموذج: تم استخدام بنية Attention U-Net. يوسع هذا النموذج نموذج U-Net القياسي من خلال دمج بوابات الانتباه (attention gates)، مما يسمح للشبكة بالتركيز بشكل انتقائي على المناطق ذات الصلة تشخيصياً مع كبح الميزات الخلفية الأقل أهمية (مثل السدى أو الالتهاب).
إعدادات التدريب: تم تدريب النموذج لمدة 100 حقبة (epoch) باستخدام مُحسن Adam، ومجدول معدل تعلم جيب التمام (cosine learning rate scheduler) (بمعدل أولي 2×10−4)، وحجم دفعة قدره 4. شملت عملية تعزيز البيانات (data augmentation) الانعكاسات العشوائية، والدوران بزاوية 90 درجة، وتغيير مقياس شدة السطوع. تم إجراء التدريب باستخدام PyTorch على وحدة معالجة رسومات NVIDIA Tesla T4.
التقييم: تم تقييم الأداء على مجموعة الاختبار المستقلة باستخدام معامل Dice، وتقاطع الاتحاد (IoU)، والدقة (accuracy)، والضبط (precision)، والاستدعاء (recall/sensitivity)، والنوعية (specificity). تم تحديد التوقعات عند عتبة 0.5 لإنشاء أقنعة ثنائية.
النتائج الرئيسية أظهر نموذج Attention U-Net أداءً عالياً على مجموعة الاختبار المستقلة، مظهرًا توافقاً كبيراً مع الترميزات الخبيرة:
معامل Dice: 0.8498
تقاطع الاتحاد (IoU): 0.7154
الدقة (Accuracy): 0.8544
الضبط (Precision): 0.8335
الاستدعاء (الحساسية): 0.8347
النوعية (Specificity): 0.8698
أشار التحليل البصري إلى أن النموذج نجح في تحديد حدود الورم عبر أنماط هيستوباثولوجية متنوعة. ومع ذلك، لوحظت أخطاء تجزئة موضعية في سيناريوهات محددة صعبة، بما في ذلك العقد الورمية الصغيرة أو المناطق ذات المورفولوجيا الغامضة أو الارتشاحات الالتهابية الكثيفة.
المساهمات الرئيسية
تطوير مجموعة بيانات كبيرة مرمزة من قبل خبراء: أنشأت الدراسة مجموعة مخصصة من 554 حالة من حالات سرطان الخلايا الحرشفية الفموية مع ترميزات يدوية من قبل خبير واحد في علم الأمراض، مما يوفر مورداً قيماً لتدريب واختبار نماذج التعلم العميق في أورام الفم.
تنفيذ Attention U-Net لسرطان الخلايا الحرشفية الفموية: أثبتت الدراسة جدوى استخدام بنية Attention U-Net لتجزئة البكسل لسرطان الخلايا الحرشفية الفموية في صور H&E الروتينية، محققة مقاييس تداخل عالية مع الحقيقة الأرضية (ground truth).
تأسيس لتقنية علم الأمراض الكمي: يضع هذا العمل أساساً تقنياً للتقييم الآلي المستقبلي للميزات ذات الصلة سريرياً، مثل عمق الغزو وحالة الحواف الجراحية، من خلال تمكين التحديد الدقيق لموقع الورم.
الأهمية والادعاءات يدعي المؤلفون أن هذه الدراسة تثبت جدوى التجزئة الآلية لسرطان الخلايا الحرشفية الفموية في صور الهيستوباثولوجيا الروتينية المصبوغة بـ H&E. إن قدرة النموذج على تحقيق توافق جوهري مع أطباء الأمراض الخبراء تشير إلى أن مثل هذه الأدوات يمكن أن تساعد في تحديد مناطق الورم ضمن الخلفيات الهيستولوجية المعقدة، مما قد يحسن الدقة والقابلية للتكرار.
تحافظ الورقة على موقف متواضع فيما يتعلق بالتطبيق السريري؛ حيث تنص صراحة على أن النموذج ليس مخصصاً للتشخيص السريري المستقل. بدلاً من ذلك، يضع المؤلفون هذه التكنولوجيا كأداة مساعدة لسير عمل علم الأمراض الرقمي. وتخلص الدراسة إلى أن التحقق الخارجي عبر مجموعات مستقلة متعددة المراكز مطلوب لإثبات القدرة على التعميم قبل إمكانية النظر في التطبيق السريري الأوسع. ويتم تأطير المساهمة الأساسية في تطوير المنهجية ومجموعة البيانات، والتي تعمل كمتطلب سابق للأبحاث المستقبلية في علم الأمراض الكمي المدعوم بالذكاء الاصطناعي.