Exploring Digital Pathology for Tongue Tumour Tissue analysis using machine vision Techniques: An automated Approach

في عالم التشخيص الطبي الهادئ وعالي المخاطر، تُعد عين اختصاصي علم الأمراض (الباثولوجيا) هي الحكم النهائي. فعندما يعاني مريض من نمو مشبوه، يتم استئصال قطعة صغيرة من الأنسجة ووضعها على شريحة زجاجية. وتحت المجهر، يبحث متخصص عن العلامات الدالة على السرطان: خلايا فقدت شكلها، أو نوى أصبحت كبيرة جداً، أو أنسجة تنمو في أمازكن لا ينبغي لها التواجد فيه. هذه العملية اليدوية هي المعيار الذهبي لاكتشاف الأورام، لكنها أيضاً بطيئةة، ومجهدة، وعرضة للخطأ البشري. فحتى أكثر الأطباء خبرة قد يختلفون فيما يرونه، كما أن الحجم الهائل من الشرائح التي يتعين عليهم مراجعتها يمكن أن يؤدي إلى الإرهاق وفقدان التفاصيل. والسؤال الذي يواجه الطب الحديث هو ما إذا كان بإمكان الآلة أن تتعلم رؤية هذه الأنماط بنفس الدقة، ولكن دون إرهاق، لتقدم عيناً ثانية لا ترمش أبداً.

لقد اتخذ فريق من الباحثين من مؤسسات في الهند خطوة كبيرة نحو الإجابة على ذلك السؤال، مع التركيز بشكل خاص على أورام اللسان والمجرى التنفسي العلوي. فقد طوروا نظاماً حاسوبياً جديداً مصمماً لتحليل الصور الرقمية لعينات الأنسجة هذه. ولم يكن الهدف مجرد رصد السرطان، بل تصنيفه إلى فئات محددة: نموات حميدة غير ضارة، وأورام خبيثة خطيرة، وخلل التنسج (dysplasia)، وهي مرحلة تحذيرية حيث تتغير الخلايا ولكنها لم تتحول بعد إلى سرطان كامل. وللقيام بذلك، بنى الباحثون نموذج ذكاء اصطناعي مخصصاً يتعلم مباشرة من الصور، بدلاً من الاعتماد على برمجيات موجودة مسبقاً مدربة على صور عامة.

تبدأ الرحلة بالمادة الخام: آلاف الصور الرقمية المأخوذة من شرائح الخزعة. وهذه الصور ليست جميعها متشابهة؛ إذ يتم التقاطها بثلاث مستويات مختلفة من التكبير، تماماً مثل التكبير (zoom) في الخريطة. عند الرؤية الواسعة، يرى الحاسوب التخطيط العام للنسيج. وعند التكبير المتوسط، يمكنه رصد كيفية نمو طبقات الأنسجة. وعند أعلى مستوى تكبير، يمكنه رؤية الخلايا الفردية ونواها. أدرك الباحثون أنه لتدريب الحاسوب بفعالية، كان عليهم أولاً تنظيف الصور. فشرائح المجهر في العالم الحقيقي غالباً ما تحتوي على عيوب: صبغات غير متساوية، أو فقاعات، أو ظلال يمكن أن تشتت الحاسوب. لذا أنشأ الفريق خطوة معالجة صور خاصة لإصلاح هذه المشكلات، عبر تمديد الألوان والتباين بحيث تبرز الأجزاء المهمة من النسيج بوضوح مقابل الخلفية. وتضمن هذه العملية أن ينظر الحاسوب إلى البيولوجيا، وليس إلى عيوب تحضير الشريحة.

بمجرد تنظيف الصور، قدم الباحثون نموذجهم الجديد، الذي يسمون به "الشبكة العصبية التلافيفية ذات تمديد التباين" (Contrast Stretched Convolutional Neural Network). وخلافاً للعديد من أنظمة الذكاء الاصطناعي الأخرى التي تُبنى عن طريق تكديس طبقات عديدة من الكتل العامة، فقد صُمم هذا النموذج من الصفر للتعامل مع الاحتياجات المحددة لشرائح طبية. فهو لا يستخدم نهج "المقاس الواحد للجميع"؛ بل تم هيكلته لينظر إلى النسيج بمقاييس مختلفة في آن واحد، محاكياً بذلك الطريقة التي يغير بها اختصاصي علم الأمراض البشري تركيزه من الصورة الكبيرة إلى التفاصيل الدقيقة. يتعلم النظام التعرف على الأشكال والأنسجة الفريدة للخلايا السليمة مقابل تلك التي تتحول إلى خلايا سرطانية. وقد تم تدريبه على مجموعة بيانات تضم أكثر من 5000 صورة، تم تقسيمها بعناية بحيث يتعلم منها الحاسوب ومن ثم يُختبر على صور أخرى لم يسبق له رؤيتها.

كانت نتائج هذا التدريب مذهلة. فعند اختباره على صور جديدة، حدد النموذج نوع الورم بشكل صحيح في 98 في المائة من الحالات. وكان قادراً على التمييز بين الالتهاب، والنموات الحميدة، ومراحل السرطان المختلفة بمستوى من الدقة يضاهي، وفي بعض الحالات يتجاوز، أداء النماذج الحاسوبية المتقدمة الأخرى التي تعتمد على بيانات مدربة مسبقاً. وأظهر النظام سرعات تدريب فعالة، حيث وصل إلى دقة عالية في غضون ثانيتين فقط لكل دورة تدريبية (epoch) خلال مرحلة التعلم. وأشار الباحثون إلى أن النموذج كان بارعاً بشكل خاص في التعامل مع الاختلافات الدقيقة بين التغيرات في المراحل المبكرة والسرطان الكامل، وهي مهمة قد تكون صعبة حتى على الخبراء البشريين. ومن خلال تحقيق هذا المستوى العالي من الدقة، تشير الدراسة إلى أن مثل هذه الأنظمة المؤتمتة يمكن أن تعمل يوماً ما كشريك موثوق لعلماء الأمراض، مما يساعد في تقليل الوقت اللازم للتشخيص وضمان عدم تفويت أي ورم بسبب الإرهاق البشري.

إن هذا العمل لا يدعي استبدال الطبيب، بل يهدف إلى توفير أداة قوية يمكنها التعامل مع المهام الشاقة في عمليات الفحص الأولي. ويؤكد الباحثون أن نهجهم شفاف؛ فالنموذج يتعلم مباشرة من الصور الطبية دون اختصارات خفية، مما يجعل قراراته أسه عشر فهماً وثقة. وبينما ركزت الدراسة على أورام اللسان والمجرى التنفسي، فإن الطريقة تقدم مخططاً لكيفية تعليم الحواسيب قراءة اللغة المعقدة للأنسجة البشرية. ومع ذلك، يشير المؤلفون إلى أن التكلفة الحسابية للنموذج هي عامل يستحق المزيد من الدراسة، لا سيما عند معالجة عينات البيانات متعددة الأنماط وغير المتجانسة. ومع نضوج هذه التكنولوجيا، فإنها تحمل الوعد بجعل تشخيص السرطان عالي الجودة أكثر سهولة، محولةً عملية كانت تتطلب ساعات من التركيز المكثف إلى فحص سريع ومؤتمت يدعم الخبراء البشريين الذين يعتنون بالمرضى.