Intratumoral and multiscale peritumoral radiomics on non-contrast CT for differentiating rectal adenocarcinoma from rectal neuroendocrine tumors: a retrospective diagnostic study
تُظهر هذه الدراسة الاستعادية أن نموذج تعلم آلي يدمج سمات الراديوميكس داخل الورم ومتعددة المقاييس حول الورم من التصوير المقطعي المحوسب بدون صبغة مع المتغيرات السريرية يحقق أعلى تقدير نقطي للتمييز بين سرطان المستقيم الغدي وسرطان الخلايا العصبية الصماء في المستقيم، رغم أن النتائج تظل استكشافية بسبب صغر حجم المجموعة ذات المركز الواحد وغياب التحقق الخارجي.
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
في المشهد المعقد لجسم الإنسان، يمكن أن يحوي المستقيم نوعين مختلفين تماماً من الأورام اللذين يبدوان متشابهين في الأشعة، لكنهما يتطلبان علاجات مختلفة تماماً. أحدهما نوع شائع من السرطان ينمو بشراسة، والآخر ورم ينمو ببطء ينشأ من خلايا تشبه الخلايا العصبية. إن التمييز بينهما قبل الجراحة أمر بالغ الأهمية، لأنه يحدد ما إذا كان المريض يحتاج إلى عملية جراحية جذرية أو إجراء أبسط. عادةً ما يعتمد الأطباء على الفحوصات المعززة بالصبغة، حيث تبرز الصبغة المحقونة الأوعية الدموية لتكشف عن طبيعة الورم. ومع ذلك، لا يمكن لجميع المرضى تلقي هذه الصبغة بسبب الحساسية أو مشاكل الكلى، وأحياناً تتوفر فقط صور أشعة عادية (بدون صبغة). وهذا يترك فجوة تشخيصية حيث يتعين على الأطباء النظر إلى شكل الورم وملمسه دون الاستعانة بالقرائن المعززة بالألوان.
لقد سعى فريق من الباحثين لمعرفة ما إذا كان بإمكانهم سد هذه الفجوة باستخدام طريقة تسمى "الراديوميكس" (Radiomics). وبدلاً من ترك العين البشرية تخمن الفرق، عاملوا الصور الطبية كمصدر هائل للبيانات. لقد قاموا بتفكيك صور الأورام إلى آلاف التفاصيل الرقمية الصغيرة — بقياس درجة الرمادي، والخشونة، وأنماط البكسلات التي تكون دقيقة جداً بحيث لا يستطيع الإنسان رؤيتها. كما لم يكتفوا بالنظر إلى الورم نفسه، بل نظروا أيضاً إلى الأنسجة المحيطة به مباشرة، انطلاقاً من فرضية أن تأثير الورم قد يمتد كالموجات إلى جيرانه. ومن خلال تغذية هذه الأنماط الخفية في برنامج حاسوبي قادر على التعلم من الأمثلة، أملوا في بناء أداة يمكنها التمييز بين نوعي الورمين باستخدام الصور العادية غير المعززة بالصبغة فقط.
ركزت الدراسة على 87 مريضاً تم علاجهم من أورام المستقيم بين عامي 2019 و2025. وقسم الباحثون هذه الحالات إلى مجموعتين: مجموعة لتعليم الكمبيوتر ما يجب أن يبحث عنه، ومجموعة أخرى لاختبار قدرة الكمبيوتر على تطبيق ما تعلمه على حالات جديدة لم يسبق له رؤيتها. لقد رسموا بعناية حدوداً حول الأورام في صور الأشعة المقطعية العادية، ثم وسعوا تلك الحدود في الأنسجة المحيطة بمقدار 3 مليمترات و5 مليمترات، مما خلق ثلاث مناطق متميزة للتحليل. ومن هذه المناطق، استخرجوا أكثر من ألف سمة لكل مريض، مثل ملمس سطح الورم وتوزيع درجات الرمادي في الأنسجة المجاورة. ولضمان موثوقية هذه القياسات، تحققوا من أن مراقبين مختلفين سيرسمون نفس الخطوط ويحصلون على نفس الأرقام، مع الاحتفاظ بالبيانات الأكثر اتساقاً فقط.
بعد ذلك، تم تدريب الكمبيوتر للبحث عن التركيبة المحددة لهذه التفاصيل الدقيقة التي تفصل بشكل أفضل بين الأورام الغدية (Adenocarcinomas) الشرسة والأورام العصبية الصماء (Neuroendocrine tumors). واختبر الباحثون عدة مقاربات رياضية مختلفة، لكن طريقة واحدة، تُعرف باسم "تعزيز التدرج الأقصى" (Extreme Gradient Boosting)، أثبتت أنها الأكثر فعالية. ووجدوا أن النظر إلى الأنسجة الواقعة خارج حدود الورم بمسافة 3 مليمترات قدمت المعلومات الأكثر فائدة، بل حتى أكثر من النظر إلى الورم نفسه أو الأنسجة التي تبعد 5 مليمترات. وهذا يشير إلى أن الحي المباشر للورم يحمل بصمة فريدة تساعد في تحديد نوعه. وعندما دمج الباحثون بيانات التصوير هذه مع المعلومات السريرية القياسية، مثل عمر المريض وحجم الورم، تحسنت قدرة الكمبيوتر على التمييز بين الحالتين بشكل أكبر.
أظهرت النتائج أن هذا النهج المدمج حقق درجة تمييز عالية بلغت 0.879 على مقياس حيث يمثل الرقم 1.0 القدرة المثالية على التصنيف، متفوقاً بذلك على النماذج التي تستخدم البيانات السريرية فقط أو تصوير الورم وحده. ومع ذلك، فقد كان الباحثون حذرين في ملاحظتهم أنه بينما صنف النموذج الحالات بشكل جيد إجمالاً، فقد واجه صعوبة عندما أُجبر على اتخاذ قرار نهائي (نعم أو لا) عند نقطة قطع محددة. ففي مجموعة الاختبار، فشل النموذج في تحديد 70% من الأورام العصبية الصماء عند استخدام العتبة القياسية المستمدة من بيانات التدريب. تشير هذه النسبة العالية من السلبيات الكاذبة إلى أن النموذج لم يكن حساساً بما يكفي بعد ليُستخدم كأداة تشخيصية مستقلة، رغم أدائه القوي في التصنيف العام. كما سلطت الدراسة الض {وء} على أن السمات التي وجد الكمبيوتر أنها الأكثر أهمية لم تكن هي تلك التي ثبتت إحصائياً أنها مختلفة بالمعنى التقليدي، بل كانت مزيجاً معقداً من الأنماط التي لا تظهر إلا عند تحليلها معاً.
في نهاية المطاف، يعد هذا العمل بمثابة "إثبات للمفهوم" وليس منتجاً طبياً نهائياً. فهو يوضح أن هناك أدلة تشخيصية قيمة موجودة داخل صور الأشعة المقطعية العادية، مخبأة في ملمس الورم والأنسجة المحيطة به، تنتظر من يفك شفرتها باستخدام الحوسبة المتقدمة. وتشير النتيات إلى أن أداة مستقبلية يمكن أن تساعد الأطباء في اتخاذ قرارات أفضل عندما لا يكون استخدام الصبغة خياراً متاحاً. ومع ذلك، وبما أن الدراسة أُجريت في مستشفى واحد وبعدد قليل نسبياً من المرضى، فإن النتائج تُعتبر استكشافية. ويؤكد الباحثون أنه قبل أن يتمكن نظام كهذا من العمل في العيادات الحقيقية، يجب اختباره على مجموعة أكبر وأكثر تنوعاً من الناس لضمان عمله بموثوقية للجميع. وفي الوقت الحالي، فإنه يقدم لمحة واعدة حول كيف يمكن للتحليل الرقمي أن يدعم الحكم البشري يوماً ما في أصعب السيناريوهات التشخيصية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.