Multi-Scale Attention-Enhanced EfficientNet for Automated Gleason Grading of Prostate Cancer

يعد سرطان البروستاتا سبباً رئيسياً لوفيات السرطان بين الرجال في جميع أنحاء العالم، ويبدأ الطريق نحو العلاج الفعال بتشخيص دقيق. فعندما يشتبه الطبيب في وجود المرض، يتم أخذ عينة صغيرة من الأنسجة وفحصها تحت المجهر. ولتحديد مدى عدوانية السرطان، يمنح اختصاصي يُسمى "عالم الأمراض" درجة تُعرف باسم "درجة غليسون" (Gleason grade). وهذه الدرجة ليست مجرد رقم بسيط، بل هي تقييم دقيق لكيفية ترتيب خلايا السرطان ومدى اختلافها عن الأنسجة السليمة. وكلما ارتفعت هذه الدرجة، زاد احتمال انتشار السرطان بسرعة، مما يحدد ما إذا كان المريض يحتاج إلى جراحة فورية، أو علاج إشعاعي، أو مراقبة دقيقة. ومع ذلك، فإن هذه العملية ذات طابع بشري عميق وعرضة للتباين؛ إذ يمكن لأطباء مسالك بولية مختلفين، عند فحصهم لنفس الشريحة، أن يختلفوا أحياناً في تحديد الدرجة، وحتى الخبير نفسه قد يرى الأمور بشكل مختلف في يوم آخر. وقد أدى هذا التضارب إلى تلقي المرضى علاجات إما مفرطة في العدوانية أو غير كافية. ولعقود من الزمن، أمَل العلماء أن تتمكن الحواسيب من المساعدة في توحيد هذا التقدير الحاسم، لتعمل كعين ثانية موثوقة لا تكل ولا تشتت انتباهها.

في دراسة حديثة، طور باحثون من جامعة كوازولو ناتال في جنوب أفريقيا نظاماً حاسوبياً جديداً صُمم لأتمتة عملية تحديد الدرجة هذه بدقة فائقة. فقد أنشأوا أداة رقمية تتعلم التعرف على الأنماط الدقيقة لسرطان البروستاتا من خلال دراسة آلاف الصور المجهرية الحقيقية. هذا النظام، الذي أطلقوا عليه اسم MSEACN، مبني على أساس متطور يحاكي كيفية معالجة الدماغ البشري للمعلومات البصرية. فبدلاً من مجرد النظر إلى الصورة ككل، يتم تعليم الكمبيوتر فحص الأنسجة بمستويات مختلفة من التفاصيل في آن واحد؛ حيث ينظر إلى البنية العامة للنسيج، وشكل الغدد، والترتيب المحدد للخلايا، تماماً كما قد ينظر شخص ما إلى غابة من بعيد لرؤية مخططها، ثم يقترب لفحص الأشجار الفردية، وأخيراً يتفحص الأوراق. ومن خلال الجمع بين هذه الرؤى المختلفة، يبني الكمبيوتر صورة كاملة لصحة النسيج.

ولجعل هذا ممكناً، بدأ الباحثون بمجموعة ضخمة تضم أكثر من 15,000 شريحة مجهرية رقمية من مجموعة بيانات "PANDA"، وهي مورد عام يحتوي على صور لخزعات البروستاتا التي تم تصنيفها بعناقة من قبل خبراء علم الأمراض. وقبل أن يتمكن الكمبيوتر من التعلم من هذه الصور، تعين على الباحثين تحضيرها؛ حيث قاموا بتنظيف الصور لإزالة الصبغات والشوائب التي قد تشتت النظام، لضمان تركيز الكمبيوتر فقط على البنى البيولوجية المهمة. كما قاموا بتعديل الصور لتصبح بحجم موحد، وهي خطوة ضرورية للسماح للكمبيوتر بمعالجتها بكفاءة دون فقدان التفاصيل الهيكلية الحرجة اللازمة للتشخيص. وبمجرد تجهيز الصور، بدأ الكمبيوتر تدريبه، محللاً الأنماط مراراً وتكراراً ليتعلم الفرق بين الأنسجة السليمة والسرطان بدرجات متفاوتة من الشدة.

إن جوهر هذا النظام الجديد هو مزيج ذكي من تقنيتين متقدمتين. أولاً، يستخدم نهجاً متعدد المقاييس، مما يعني أنه يحلل الصورة من خلال "عدسات" مختلفة في الوقت نفسه؛ فبعض أجزاء الكمبيوتر تنظر إلى التفاصيل الدقيقة، بينما تنظر أجزاء أخرى إلى الهياكل الأكبر. وهذا يضمن عدم تفويت أي ميزة مهمة، سواء كانت خللاً طفيفاً في خلية أو تشوهاً كبيراً في شكل الغدة. ثانياً، يستخدم النظام "آليات الانتباه"، ويمكنك التفكير في ذلك على أنه تعلم الكمبيوتر كيفية تركيز نظره؛ فتماماً كما قد يتجاهل طبيب المسالك البولية المساحات الفارغة حول عينة النسيج للتركيز على المنطقة المصابة بالسرطان، يتعلم هذا النظام تسليط الضوء على الأجزاء الأكثر أهمية في الصورة وتجاهل الضوضاء في الخلفية. هذا التركيز المزدوج يسمح للكمبيوتر بالتركيز بدقة على الأنماط المحددة التي تحدد درجة غليسون.

كانت نتائج هذا التدريب مذهلة؛ فعند اختباره على صور لم يسبق له رؤيتها، حقق النظام دقة بلغت 97.69 بالمائة، وهذا يعني أنه في كل حالة تقريباً، حدد الكمبيوتر درجة السرطان بشكل صحيح. والأكثر إثارة للإعجاب كان قدرته على تحديد الأنسجة السليمة بدقة نوعية بلغت 99.50 بالمائة، مما يعني أنه نادراً ما أخطأ في اعتبار الخلايا السليمة سرطانية. كما أظهر النظام مستوى عالياً جداً من التوافق مع أطباء المسالك البولية الخبراء الذين وضعوا التصنيفات الأصلية، حيث سجل قيمة 0.98 على مقيض يصل إلى 1.0 الذي يمثل التوافق التام. وفي عالم التصنيف الطبي، حيث يواجه الخبراء البشر صعوبة في الاتفاق فيما بينهم، يعد هذا المستوى من الاتساق إنجازاً كبيراً. ووجد الباحثون أن النظام كان بارعاً بشكل خاص في تحديد أكثر أشكال السرطان عدوانية، وهو أمر بالغ الأهمية لضمان حصول المرضى على العلاج في الوقت المناسب.

استكشفت الدراسة أيضاً ما يحدث إذا جُرد النظام من ميزاته الخاصة؛ فعندما أزال الباحثون القدرة على النظر بمقاييس متعددة أو القدرة على توجيه الانتباه، انخفض أداء النظام بشكل ملحوظ. وقد أكد ذلك أن كلاً من الرؤية متعددة المقاييس وآليات الانتباه كانت ضرورية للدقة العالية التي لوحظت. لقد تمكن النظام من التمييز بين درجات السرطان المختلفة، من الأنسجة الحميدة إلى الحالات الأكثر خطورة، بموثوقية تفوقت على العديد من المحاولات السابقة. وبينما أشار الباحثون إلى أن تبسيط الصور إلى حجم أصغر قد يتسبب في فقدان بعض التفاصيل المجهرية، إلا أن النظام ظل قادراً على التقاط ما يكفي من الأنماط الهيكلية الكبيرة لاتخاذ قرارات دقيقة للغاية.

وعلى الرغم من هذه النجاحات، يحرص الباحثون على الإشارة إلى أن هذا يمثل خطوة للأمام وليس وجهة نهائية. فقد تم تدريب واختبار النظام على مجموعة محددة من الصور، ويبقى من الواضح مدى جودة أدائه على صور من مستشفيات مختلفة تستخدم تقنيات صبغ أو أجهزة مسح ضوئي مختلفة. ويقر الباحثون بأن البيئات الطبية الواقعية تتسم بالفوضى والتنوع، وسيتطلب العمل المستقبلي اختبار النظام عبر بيئات مختلفة لضمان متانته بما يكفي للاستخدام السريري اليومي. كما يخططون لاستكشاف طرق لدمج هذا التحليل البصري مع أنواع أخرى من البيانات الطبية، مثل صور الرنين المغناطيسي، لإنشاء أداة تشخيصية أكثر شمولاً. ومع ذلك، تظهر الدراسة حالياً أنه مع الجمع بين التكنولوجيا الصحيحة والتصميم الدقيق، يمكن للحواسيب أن تتعلم رؤية العلامات الدقيقة للمرض باتساق يضاهي، وفي بعض الحالات يتجاوز، الخبراء البشر. ويقدم هذا التقدم مساراً مفعماً بالأمل نحو تقليل التباين في تشخيص السرطان وضمان حصول كل مريض على الرعاية الأنسب بناءً على تقييم موثوق ومعياري.