A Novel Hybrid Pyramid ViT-ConvFormer Architecture with Dynamic Early Stopping Analysis for Enhanced Diagnostic Efficiency in Diffuse Large B-Cell Lymphoma

في العالم المجهري للبيولوجيا البشرية، لا تكون بعض أنواع السرطانات مجرد عدو واحد، بل هي مشهد متغير من التهديدات المختلفة. أحد هذه التهديدات هو "ليمفوما الخلايا البائية الكبيرة المنتشرة" (Diffuse Large B-Cell Lymphoma)، وهي نوع عدواني من سرطان الدم يتصرف بشكل مختلف لدى كل مريض. ولعلاجه بفعالية، يجب على الأطباء تحديد بصمة جزيئية محددة داخل خلايا الورم، وهي علامة تُعرف باسم "MYC". إذا كانت هذه العلامة موجودة، فإن المرض يتحرك بسرعة مرعبة، مما يتطلب خطة علاج أقوى وأكثر كثافة. أما إذا كانت غائبة، فقد يكفي النهج القياسي. حالياً، يعد العثور على هذه العلامة عملية بطيئة ومكلفة وتتطلب جهداً بشرياً كبيراً، حيث تعتمد على اختبارات كيميائية متخصصة تُجرى تحت المجهر. ويجب على أخصائيي الأمراض (Pathologists)، وهم الأطباء الذين يفحصون عينات الأنسجة، مسح آلاف الخلايا يدوياً، بحثاً عن أدلة دقيقة في كيفية ظهور الخلايا وسلوكها. هذا الجهد البشري حيوي، لكنه أيضاً عرضة للتعب والتباين، مما يعني أن خبيرين قد لا يتفقان دائماً على نفس الشريحة.

لتسريع هذا التشخيص الحرج، طور فريق من الباحثين من ماليزيا نوعاً جديداً من الذكاء الاصطناعي المصمم لقراءة شرائح الأنسجة هذه بسرعة ودقة فائقة. لقد أنشأوا نظاماً يسمى "PyConv"، والذي يعمل كمساعد رقمي لأخصائيي الأمراض. كان التحدي الذي واجهوه هو أن النماذج الحاسوبية الموجودة كانت إما بطيئة جداً لدرجة تجعلها غير عملية، أو بسيطة جداً لدرجة تمنعها من رؤية الصورة الكبيرة. يحل النموذج الجديد هذه المشكلة من خلال الجمع بين طريقتين مختلفتين للنظر إلى الصورة: إحداهما تركز على التفاصيل الدقيقة للخلايا الفردية، والأخرى تفهم الشكل العام وترتيب الأنسجة. والنتيجة هي أداة يمكنها التمييز بين الأشكال الخطيرة من السرطان والأنسجة الحميدة غير السرطانية بدقة تقارب الكمال، وكل ذلك مع التعلم بسرعة أكبر بك jauh من الأنظمة السابقة.

اختبر الباحثون ابتكارهم على مجموعة ضخمة من الصور الرقمية للأنسجة، مستمدة من 180 عينة حقيقية لمرضى. تم تقسيم هذه العينات بعناية إلى ثلاث مجموعات: مرضى يعانون من السرطان العدواني الإيجابي لـ MYC، وأولئك الذين يعانون من النسخة الأقل عدوانية (السلبية لـ MYC)، ومرضى لديهم أنسجة عقد ليمفاوية حميدة وغير سرطانية تعمل كعينة ضابطة سليمة. ولضمان أن الكمبيوتر تعلم التعرف على المرض بدلاً من مجرد حفظ الشرائح المحددة التي عُرضت عليه، قام الفريق بتقسيم البيانات بحيث لا تظهر أنسجة أي مريض في أكثر من مجموعة واحدة. في المجمل، حلل النظام ما يقرب من 700,000 قطعة صغيرة من الأنسجة، كل منها يحتوي على لقطة للمشهد الخلوي.

يكمن الابتكار الجوهري لـ "PyConv" في كيفية معالجته لهذه الصور. فبدلاً من استخدام طريقة واحدة، يقوم بتشغيل مسارين متوازيين من التحليل في آن واحد. يعمل أحد المسارين مثل عدسة مكبرة عالية القدرة، باستخدام طبقات متخصصة لفحص الحواف الدقيقة لنوى الخلايا ونسيج "الكروماتين" بداخلها. هذا المسار ممتاز في رصد الاختلالات المحددة وصغيرة النطاق التي تميز الخلية السرطانية. أما المسار الثاني فيعمل مثل عدسة واسعة الزاوية، حيث يتراجع للوراء لرؤية كيفية ترتيب الخلايا عبر عينة النسيج بأكملها. إنه يبحث عن الأنماط الأوسع، مثل ما إذا كانت الخلايا تشكل تجمعات منظمة أو تنتشر بشكل فوضوي. وتكمن عبقرية التصميم في كيفية تواصل هذين المسارين مع بعضهما البعض؛ حيث تسمح طبقة دمج (fusion layer) للرؤية التفصيلية القريبة بتوجيه الرؤية واسعة الزاوية، مما يضمن أن النظام ينتبه إلى الميزات البيولوجية الأكثر أهمية بدلاً من التشتت بسبب الضوضاء الخلفية أو اختلافات الصبغات.

عندما وضع الباحثون هذا النظام الهجين قيد الاختبار، كانت النتائج مذهلة. وصل النموذج إلى ذروة أدائه بعد 20 جولة فقط من التدريب، وهي سرعة تمثل انخفاضاً بنسبة 83.5% في الوقت مقارنة بالنماذج المتقدمة الأخرى التي تعتمد فقط على نهج "المحول" (transformer-based) واسع الزاوية. ومن حيث الدقة، حدد النظام نوع النسيج بشكل صحيح في كل حالة تقريباً، محققاً نسبة نجاح بلغت 99.62%. والأهم من ذلك، أنه لم يقم بالتخمين فحسب، بل تعلم التمييز بين سرطان MYS الإيجابي الخطير ونسخة MYS السلبية بمستوى من اليقين لا يمكن تمييزه إحصائياً عن أكثر النماذج تعقيداً وضخامة المتاحة اليوم. كما أثبت كفاءة استثنائية في التعرف على الأنسجة الحميدة، مما أدى فعلياً إلى استبعاد السرطان عند عدم وجوده.

للتأكد من أن الكمبيوتر لم يكن يحفظ الأنماط فحسب بل يفهم البيولوجيا حقاً، استخدم الباحثون مجموعة من الأدوات لتصور ما كان "يراه" النموذج. أبرزت هذه الأدوات الأجزاء المحددة من الصورة التي أثرت على القرار. أظهرت عمليات التصور أن النظام كان يركز بشكل صحيح على السمات البيولوجية للمرض: الخطوط الخارجية الداكنة وغير المنتظمة لنوى الخلايا، والمراكز البارزة داخل الخلايا، وطريقة توزيع الخلايا عبر النسيج. لقد تجاهل الألوان الخلفية غير ذات الصلة أو العيوب التي غالباً ما تشتت انتباه المراقب البشري. هذه الشفافية أمر بالغ الأهمية، لأنها تؤكد أن النموذج يتخذ قراراته بناءً على أدلة طبية حقيقية وليس بناءً على ضوضاء عشوائية.

كما تناولت الدراسة مصدر قلق شائع في الذكاء الاصطناعي: ما إذا كان النموذج الأسرع هو بالضرورة نموذج أقل دقة. وبينما كانت بعض النماذج الموجودة أسرع قليلاً في معالجة الصور، وجد الباحثون أن الفرق في دقة التشخيص كان صغيراً جداً لدرجة أنه ليس ذا دلالة إحصائية. بعبارة أخرى، يقدم النظام الجديد أفضل ما في العالمين: التقارب السريع للنموذج الأبسط، والدقة التشخيصية العالية للنموذج الأكثر تعقيداً. ومن خلال الموازنة بين الحاجة إلى السرعة والحاجة إلى الموثوقية، يوفر "PyConv" مساراً عملياً لدمج الذكاء الاصطناعي المتقدم في المختبرات السريرية. إنه يشير إلى مستقبل يمكن فيه إجراء الفحص الأولي لهذه السرطانات المعقدة بسرعة واتساق يدعمان، بدلاً من استبدال، الحكم الخبير لأخصائيي الأمراض، مما قد يؤدي إلى اتخاذ قرارات علاجية أسرع للمرضى المصابين بهذا النوع العدواني من المرض.