DeepHistoViT: An Interpretable Vision Transformer Framework for Histopathological Cancer Classification
تقترح الورقة البحثية DeepHistoViT، وهو إطار عمل لنموذج "Vision Transformer" قابل للتفسير، يحقق دقة فائقة ومتانة إحصائية في تصنيف الصور النسيجية لسرطان الرئة، وسرطان القولون، والابيضاض الليمفاوي الحاد، وذلك من خلال الاستفادة من آليات الانتباه لتحديد المواقع ذات الصلة تشخيصياً.
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
غالبًا ما يبدأ تشخيص السرطان بقيام عالم الأمراض بالنظر عبر المجهر إلى شريحة صغيرة من الأنسجة، بحثًا عن الأنماط الدقيقة والفوضوية للخلايا غير الطبيعية. هذا الفحص اليدوي هو المعيار الذهبي لتأكيد السرطان، ومع ذلك فهو عملية بطيئة ومجهدة وعرضة للخطأ البشري والتعب. وفي السنوات الأخيرة، لجأ العلماء إلى الذكاء الاصطناğı لمساعدة البشر، حيث علموا الحواسيب التعرف على هذه الأنماط الخطيرة. اعتمدت المحاولات الأولى على أنظمة تنظر إلى التفاصيل المحلية الصغيرة، تمامًا مثل فحص طوبة واحدة لفهم جدار ما. ومع ذلك، غالبًا ما يكشف السرطان عن نفسه من خلال ترتيب العديد من الخلايا عبر مساحة واسعة، مما يتطلب فهمًا للصورة بأكملها، وليس لأجزائها فقط. وقد ظهر جيل جديد من الذكاء الاصطناعي، مستوحى من كيفية معالجة الحواسيب للغة، لحل هذه المشكلة من خلال تحليل الصورة بأكملها دفعة واحدة، والبحث عن الروابط بعيدة المدى بين المناطق المختلفة من الأنسجة.
قام فريق من الباحثين في جامعة إكستر بالبناء على هذا النهج الجديد لإنشاء أداة تسمى DeepHistoViT، مصممة خصيصًا لقراءة هذه الصور الطبية المعقدة. يركز عملهم على ثلاثة أنواع متميزة من السرطان: سرطان الرئة، وسرطان القولون، وسرطان الدم المعروف باسم سرطان اللوكيميا الليمفاوية الحادة. وبدلاً من إجبار الكمبيوتر على التعلم من الصفر، بدأوا بنموذج تعلم بالفعل التعرف على الأشكال والأجسام العامة من ملايين الصور اليومية. ثم قاموا بضبط هذا النموذج بعناً لتوجيهه نحو التركيز على الأنسجة والهياكل الفريدة الموجودة في الأنسجة السرطانية. درب الباحثون النظام على آلاف الصور، مما سمح له بتعلم الفرق بين الخلايا السليمة والخلايا الخبيثة دون الحاجة إلى الإشارة يدويًا إلى كل سمة. والأهم من ذلك، صمموا النظام ليُظهر طريقة عمله؛ حيث يمكنه تسليط الضوء على النقاط المحددة في الشريحة التي أدت إلى التشخيص، مما يمنح الأطباء وسيلة للتحقق من منطق الكمبيوتر.
عند اختبار النظام على مجموعات بيانات عامة تحتوي على آلاف الصور، أظهر النظام دقة ملحوظة. ففي صور سرطان الرئة والقولون، حقق النموذج درجة كاملة، حيث حدد كل عينة في مجموعة الاختبار بشكل صحيح. أما بالنسبة لمجموعة بيانات سرطان الدم الأكثر تعقيدًا، والتي تحتوي على مجموعة متنوعة من أشكال الخلايا ومراحلها، فقد وصل النظام أيضًا إلى دقة تقترب من 99.85%. لم تكن هذه النتائج مجرد تخمينات محظوظة؛ فقد أجرى الباحثون الاختبارات عدة مرات مع تقسيمات مختلفة من البيانات لضمان اتساق النتائج وموثوقيتها. كما أثبت النظام قدرته على التعامل مع الصور التي لم يتم توحيدها كيميائيًا، مما يعني أنه يمكنه العمل مع الاختلافات الطبيعية في اللون والإضاءة التي تحدث في المختبرات الطبية الواقعية، بدلاً من اشتراط وجود عينات مثالية ومنتظمة.
لعل الجانب الأكثر أهمية في هذا العمل هو كيفية شرح النظام لقراراته. فخلافًا للنماذج القديمة التي تعمل كـ "صندوق أسود"، تعطي إجابة دون توضيح كيفية الوصول إليها، يستخدم هذا الإطار الجديد آلية تسلط الضوء على الأجزاء الأكثر أهمية في الصورة. وعندما نظر الباحثون إلى المخرجات المرئية، وجدوا أن النظام كان يركز على السمات البيولوجية الفعلية التي يبحث عنها علماء الأمراض، مثل شكل نوى الخلايا وكيفية ترتيب الخلايا. هذه القدرة على الإشارة إلى المناطق ذات الصلة تبني الثقة، لأنها تسمح للطبيب البشري برؤية ما رآه الكمبيوتر بالضبط قبل اتخاذ قرار نهائي. ووجد الباحثون أن النظام تعلم تجاهل الضوضاء الخلفية غير ذات الصلة والتركيز على التفاصيل التشخيصية، محاكيًا بذلك الطريقة التي يمسح بها الخبير المدرب الشريحة.
كما قارنت الدراسة هذا النهج الجديد مع طرق متقدمة أخرى مستخدمة حاليًا. وبينما حققت الأنظمة الأخرى دقة عالية، غالبًا في نطاق 99%، فإن الإطار الجديد طابق أو تجاوز تلك الأرقام قليلاً عبر جميع أنواع السرطان الثلاثة. وأشار الباحثون إلى أن النجاح في مجموعات بيانات الرئة والقولون كان قويًا بشكل خاص، رغم أنهم حذروا من أن هذه المجموعات المحددة من الصور تم إنشاؤها من عدد محدود من الشرائح الأصلية التي تم توسيعها رقميًا. وهذا يعني أنه بينما يعد النظام فعالاً للغاية في هذه الاختبارات المحددة، فإن قدرته على التعامل مع التنوع الهائل وغير المتوقع لعينات المرضى في العالم الحقيقي لا تزال بحاجة إلى مزيد من التحقق في المستشفيات السريرية الكبيرة. ومع ذلك، تشير النتائج إلى أن هذا النوع من الذكاء الاصطناعي جاهز للانتقال إلى ما وراء مجرد مطابقة الأنماط البسيطة والبدء في فهم السياق الأوسع لصحة الأنسجة.
من خلال الجمع بين القدرة على رؤية الصورة الكاملة والقدرة على شرح نتائجها، يمثل DeepHistoViT خطوة للأمام في جعل الذكاء الاصطناعي شريكًا عمليًا للأطباء. فالنظام لا يحل محل عالم الأمراض، بل يقدم رأيًا ثانيًا قويًا يتسم بدقة عالية وشفافية. وبينما يتطلع الباحثون إلى المستقبل، يخططون لاختبار الأداة على مجموعات أكبر وأكثر تنوعًا من المرضى لضمان بقائها موثوقة في كل سياق سريري. وفي الوقت الحالي، يوضح هذا العمل أنه عندما يتم تصميم الذكاء الاصطناعي للنظر في السياق الكامل للمرض وإظهار منطقه، فإنه يمكن أن يصبح حليفًا جديرًا بالثقة في المعركة ضد السرطان.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.