Label-Free Structure Discovery in Breast Cancer Histopathology: K-Means and Fuzzy C-Means on Handcrafted Descriptors under Subtype-Disjoint Cross-Validation

لا يزال سرطان الثدي هو أكثر أنواع السرطان شيوعاً في جميع أنحاء العالم، وهو مرض يحصد مئات الآلاف من الأرواح كل عام. ولعقود من الزمن، كان المعيار الذهبي لتشخيص هذا المرض هو الفحص الدقيق لعينات الأنسجة تحت المجهر من قبل أخصائي علم الأمراض. تتضمن هذه العملية صبغ الأنسجة بصبغات محددة للكشف عن الهياكل الخلوية، وهي مهمة تتطلب خبرة هائلة ووقتاً طويلاً. وفي أجزاء كثيرة من العالم، لا سيما في البلدان منخفضة ومتوسطة الدخل، هناك نقص حاد في هؤلاء الأطباء المتخصصين، مما يترك ملايين المرضى دون تشخيص دقيق أو في الوقت المناسب. وقد دفع هذا الواقع العلماء إلى استكشاف ما إذا كان بإمكان الحواسيب المساعدة في هذا العمل الحيوي. وبينما أظهر الذكاء الاصطناعي الحديث وعوداً كبيرة في قراءة الصور الطبية، فإن معظم هذه الأنظمة المتقدمة تتطلب كميات هائلة من البيانات التي تم تصنيفها بالفعل من قبل خبراء بشريين، وهو مورد غالباً ما يكون غير متوفر في المناطق التي تحتاج إلى المساعدة أكثر من غيرها. وهذا يخلق مفارقة صعبة: الأدوات التي يمكن أن تنقذ الأرواح في البيئات الفقيرة بالموارد هي ذاتها التي تتطلب أكبر قدر من الموارد لبنائها.

لقد وضع فريق من الباحثين مسعى لاستكشاف مسار مختلف، متسائلين سؤالاً جوهرياً: هل يمكن للحاسوب أن يتعلم التمييز بين الأنسجة الحميدة والخطيرة دون أن يُخبر أبداً بماهية تلك الأنسجة فعلياً؟ فبدلاً من الاعتماد على مجموعات بيانات ضخمة ومصنفة مسبقاً، لجأوا إلى التعلم غير الخاضع للإشراف، وهي طريقة يبحث فيها الحاسوب عن أنماط وتجمعات طبيعية داخل البيانات الخام من تلقاء نفسه. وقد ركزوا على السمات "المصنوعة يدوياً"، وهي أوصاف رياضية محددة للنسيج، مثل النمط، والشكل، وأنماط الألوان الموجودة في صور الأنسجة، بدلاً من ترك الحاسوب يتعلم هذه الأنماط من الصفر. لم يكن الهدف بناء أداة تشخيصية نهائية، بل وضع خط أساس — "أرضية" للأداء — لمعرفة ما إذا كانت هذه الطرق البسيطة والخالية من التصنيفات يمكنها حتى البدء في الفصل بين الحالات الحميدة والخبيثة. وإذا لم تستطع، فهذا يعني أن الأنظمة الأكثر تعقيداً واحتياجاً للبيانات هي الضرورية حقاً.

بدأ الباحثون بمجموعة تضم ما يقرب من 8,000 صورة رقمية لأنسجة الثدي مأخوذة من 82 مريضاً. تمت معالجة هذه الصور، التي التُقطت عند أربعة مستويات مختلفة من التكبير، من خلال روتين تنظيف صارم مكون من خمس خطوات لضمان اتساقها وخلوها من العيوب. تضمنت خطوة حرجة في هذه العملية تغيير حجم الصور إلى حجم قياسي، ولكن نظراً لأن الصور الأصلية كانت ذات شكل مستطيل، لم يكن تغيير الحجم هذا موحداً؛ مما أدى إلى ضغط الهيكل الأفقي بالنسبة للهيكل الرأسي. هذا التشوه غير المتماثل (non-isotropic) جعل القياسات الرياضية للشكل والحجم المستخرجة من الصور ليست تمثيلاً دقيقاً لهندسة الأنسجة الفعلية، وهو قصور أقر به الباحثون صراحة. ولإعطاء معنى للمعلومات المتبقية، استخرجوا 148 خاصية متميزة من كل صورة. شملت هذه الخصائص قياسات للنسيج، مثل مدى تشابه البكسلات المتجاورة مع بعضها البعض، وتكرار أنماط معينة، والشكل العام وحجم الهياكل المرئية في النسيج. ولإدراك هذا القدر الكبير من المعلومات، استخدموا تقنية رياضية لتقليص الـ 148 خاصية إلى حوالي 21 أو 22 مكوناً رئيسياً يستوعب الغالبية العظمى من التباين في البيانات.

ومع هذه الأوصاف المبسطة، طبق الباحثون خوارزميتين مختلفتين للتجميع (clustering). الأولى، المعروفة باسم "K-Means"، تحاول فرز الصور إلى مجموعات متميزة من خلال إيجاد مركز كل مجموعة وتعيين الصور إلى أقرب مركز لها. أما الثانية، وهي "Fuzzy C-Means"، فتسمح للصور بالانتماء إلى مجموعات متعددة في آن واحد بدرجات متفاوتة من اليقين. ومن الأهمية بمكان أن الباحثين صمموا اختبارهم ليكون صارماً للغاية؛ فلم يقوموا ببساطة بتقسيم الصور عشوائياً، بل ضمنوا بقاء أنواع كاملة من الأورام منفصلة. في كل جولة من جولات الاختبار، تم تدريب الحاسوب على أنواع معينة من الأورام الحميدة والخبيثة، ثم طُلب منه تحديد أنواع مختلفة تماماً من الأورام لم يسبق له رؤيتها من قبل. منع هذا النهج الحاسوب من مجرد حفظ تفاصيل المرضى أو تفاصيل الصور، مما أجبره على البحث عن اختلافات حقيقية وجوهرية في بنية الأنسجة.

قدمت النتائج صورة واضحة، وإن كانت متواضعة. استطاعت خوارزميات الحاسوب إيجاد بعض البنية في البيانات التي تتماشى مع الفرق بين الأنسجة الحميدة والخبيثة. وعندما نظر الباحثون في مدى جودة تشكل المجموعات، وجدت خوارزمية "K-Means" أداءً أفضل قليلاً من طريقة "Fuzzy C-Means"، حيث خلقت تجمعات أكثر إحكاماً وتميزاً. ومع ذلك، كانت قوة هذا الفصل ضعيفة نسبياً. وعندما قام الباحثون لاحقاً بربط المجموعات التي أنشأها الحاسوب بالتشخيصات الطبية الفعلية لمعرفة مدى دقتها، حقق النظام معدل دقة يبلغ حوالي 69 بالمائة. ومن الضروري ملاحظة أن هذا الرقم يمثل الحد الأعلى "للمتنبئ المثالي" (oracle upper bound)، والذي تم حسابه باستخدام تسميات الاختبار لتحديد أفضل عملية ربط ممكنة؛ وهو لا يعكس الأداء التنبئي لنظام قابل للتطبيق. ورغم أن هذه النتيجة كانت أفضل من مجرد تخمين بسيط يتوقع دائماً النتيجة الأكثر شيوعاً (والذي حقق دقة حوالي 60 بالمائة)، إلا أنها لم تصل إلى ما هو مطلوب لتشخيص طبي موثوق.

كما كشفت الدراسة عن قيود كبيرة في كيفية تعامل هذه الطرق مع الطبيعة غير المتوازنة للبيانات في العالم الحقيقي. ففي ثلاث حالات من أصل ثماني سيناريوهات اختبار محددة، أصبح تجميع الحاسوب مشوهاً للغاية بسبب عدم توازن الفئات، مما أدى إلى انهيار عملية الربম্ব اللاحقة، مما نتج عنه تصنيف كل صورة على أنها خبيثة بغض النظر عن حالتها الفعلية. يسلط هذا النوع من الفشل الحرج الضوء على أنه بدون معالجة دقيقة، يمكن لهذه الخوارزميات أن تفشل في التمييز بين أي شيء على الإطلاق. علاوة على ذلك، أشار الباحثون إلى أن الصور التي حللوها قد تم تغيير حجمها بطريقة شوهت أبعادها الفيزيائية، مما يعني أن قياسات الشكل لم تكن تمثيلاً دقيقاً لهندسة الأنسجة الفعلية. وبالرغم من هذه العقبات، إلا أن السمات المصنوعة يدوياً حملت إشارة حقيقية تتعلق بالخباثة، مما يثبت أن الفرق بين الأنسجة السليمة والسرطانية موجود في نسيج وشكل الخلايا، حتى وإن كان دقيقاً.

في نهاية المطاف، يعد هذا البحث بمثابة "واقع مرير" ضروري بدلاً من كونه حلاً رائداً. ويخلص المؤلفون إلى أنه بينما يمكن للواصفات المصنوعة يدوياً والتجميع غير الخاضع للإشراف اكتشاف إشارة باهتة للخباثة، فإن هذه الإشارة ضعيفة جداً لتدعم نظاماً تشخيصياً بمفردها. وتستبعد الدراسة صراحة فكرة أن هذه الطرق البسيطة والخالية من التصنيفات جاهزة للاستخدام السريري بدلاً من أطباء علم الأمراض. بدلاً من ذلك، يوفر هذا العمل معياراً شفافاً وقابلاً للتكرار — "أرضية" يمكن من خلالها قياس الطرق الأكثر تقدماً في المستقبل. إنه يوضح أنه في غياب البيانات المصنفة، يمكن للحواسيب إيجاد بعض الأنماط، لكنها لا تستطيع بعد أن تحل محل العين البشرية في المهمة الحرجة لتشخيص سرطان الثدي. ويرى الباحثون أن الطريق إلى الأمام يكمن في تطوير طرق يمكنها التعلم بفعالية مع القليل جداً من البيانات المصنفة، لسد الفجوة بين الحاجة إلى الدقة وندرة التوصيفات من قبل الخبراء في البيئات محدودة الموارد.