Application of H&E images combined with gene expression data-driven multimodal deep learning models in gastric cancer prognosis
تقدم هذه الدراسة نموذج PGC-pro، وهو نموذج تعلم عميق متعدد الوسائط يدمج صور الهيستوباثولوجيا المصبوغة بـ H&E، وملفات التعبير الجيني، والبيانات السريرية لتحسين دقة التنبؤ بإنذار سرطان المعدة وقابلية التفسير بشكل كبير مقارنة بالنهج أحادي الوسائط.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
لا يزال سرطان المعدة، الذي يُطلق عليه غالباً سرطان الاستوماك، يمثل أحد أكثر التحديات الصحية هولاً في جميع أنحاء العالم، حيث يحصد أرواح مئات الآلاف كل عام. ولعقود من الزمن، اعتمد الأطباء على نظام يسمى تصنيف (TNM) للتنبؤ بكيفية تدهور حالة المريض. يعمل هذا النظام مثل الخريطة، حيث يرسم حجم الورم ومدى انتشاره إلى العقد اللمفاوية المجالة أو الأعضاء البعيدة. ورغم أن هذه الخريطة ضرورية، إلا أنها غير مكتملة؛ فهي تصف الامتداد الفيزيائي للمرض، لكنها غالباً ما تغفل عن الشخصية البيولوجية الفريدة للسرطان نفسه. فقد يكون لمريضين يعانيان من أورام بنفس الحجم والموقع نتائج مختلفة تماماً لأن سرطانهما يتصرف بشكل مختلف على المستوى المجهري. ولتجسير هذه الفجوة، يتجه العلماء إلى مصدرين قويين للمعلومات كانا في الأصل منفصلين: الأنماط البصرية التي تُرى تحت المجهر، والتعليمات الجزيئية المكتوبة داخل الخلايا. المصدر الأول هو شريحة (H&E)، وهي شريحة زجاجية قياسية يتم فيها صبغ شريحة رقيقة من الأنسجة بالصبغات الوردية والأرجوانية للكشف عن شكل الخلايا وترتيبها. أما المصدر الآخر فهو بيانات التعبير الجيني، وهي قراءة رقمية للجينات النشطة داخل الورم، والتي تعمل كبصمة جزيئية. وكان التحدي يكمن في دمج هذين النوعين المختلفين تماماً من المعلومات — الصور والأرقام — في صورة واحدة متماسكة يمكنها أن تخبر الطبيب بدقة مدى خطورة السرطان المتوقعة لمريض معين.
في دراسة حديثة، واجه باحثون من مستشفى تابع لجامعة تشينغهاي هذا التحدي من خلال بناء نوع جديد من النماذج الحاسوبية المصممة للتعلم من العالمين البصري والجزيئي في آن واحد. وقد أطلقوا على ابتكارهم اسم (PGC-pro)، وهو نظام لا يكتفي بمراقبة شكل الورم أو جيناته بمعزل عن بعضهما البعض، بل يدرس كيف يتحدثان مع بعضهما. بدأ الفريق بالعمل على بيانات 318 مريضاً تم علاجهم من سرطان المعدة. ولكل مريض، جمعوا ثلاثة أشياء: مسحاً رقمياً لشريحة الورم بأكملها، وقائمة توضح مدى نشاط آلاف الجينات في ذلك الورم، والتاريخ السريري للمريض، بما في ذلك العمر ومرحلة المرض. قام الباحثون أولاً بتعليم الكمبيوتر كيفية التعرف على الأجزاء الأكثر أهمية في الصور المجهرية. وباستخدام طريقة تحاكي كيفية فحص اختصاصي علم الأمراض للشريحة، تعلم النظام تجاهل المساحات الفارغة والتركيز على المناطق المزدحمة حيث تغزو الخلايا السرطانية الأنسجة الطبيعية. وفي الوقت نفسه، قام الكمبيوتر بغربلة البيانات الجينية للعثور على الجينات المحددة التي كانت مرتبطة بقوة بمدة بقاء المرضى على قيد الحياة، مما قلص آلاف الاحتمالات إلى مجموعة أساسية مكونة من 150 جيناً كانت هي الأكثر تأثيراً حقاً.
يكمن الابتكار الجوهري لهذا العمل في كيفية ربط الكمبيوتر بين هذين المسارين من المعلومات. فبدلاً من مجرد وضع بيانات الصورة بجانب بيانات الجينات، يستخدم النموذج آلية تسمح لكل منهما بطرح الأسئلة على الآخر. تخيل أن بيانات الصورة تسأل البيانات الجينية: "ما هي التغيرات الجزيئية التي تحدث في هذه المجموعة المحددة من الخلايا؟"، بينما تسأل البيانات الجينية بيانات الصورة: "كيف يبدو النسيج حيث تكون هذه الجينات أكثر نشاطاً؟". هذا التبادل المتبادل يسمح للنموذج بإيجاد روابط عميقة لم يكن لأي جانب رؤيتها بمفرده. فعلى سبيل المثال، قد يتعلم النموذج أن ترتيباً معيناً فوضوياً للخلايا في الصورة يقترن دائماً بمستوى عالٍ من النشاط في جينات معينة، وأن هذا المزيج المحدد يعد علامة تحذير قوية لنتائج سيئة. ومن خلال دمج هذه القرائن البصرية والجزيئية مع عمر المريض ومرحلة المرض، يولّد النموذج درجة خطر واحدة لكل شخص.
كانت نتائج هذا النهج واضحة وقابلة للقياس. فعندما اختبر الباحثون النموذج على بيانات المرضى، أثبت أنه أفضل بكثير في التنبؤ بالبقاء على قيد الحياة من أي طريقة استخدمت نوعاً واحداً فقط من المعلومات. فالنموذج الذي ينظر فقط إلى الجينات يمكنه التنبؤ بالنتائج بمستوى معين من الدقة، والنموذج الذي ينظر فقط إلى الصور كان أداؤه أقل قليلاً، لكن النموذج المدمج تفوق على كليهما. حقق النظام درجة تشير إلى قدرة عالية على تصنيف المرضى بشكل صحيح حسب خطر الوفاة، وهي درجة ارتفعت بشكل ملحوظ عند استخدام مصادر البيانات الثلاثة معاً. والأهم من ذلك، أن النموذج لم يعمل كـ "صندوق أسود" غامض يعطي إجابة دون تفسير؛ فقد بنى الباحثون أدوات سمحت لهم برؤية ما كان الكمبيوتر يركز عليه بالضبط. حيث استطاعوا إنشاء خرائط حرارية توضح أجزاء شريحة الورم التي ركز عليها النموذج، وأظهرت هذه الخرائط باستمرار حواف الورم حيث يغزو الأنسجة السليمة، بالإضافة إلى مناطق الخلايا الميتة. كما استطاعوا أيضاً رؤية الجينات التي كانت تقود التنبؤ، وتحديد العلامات الجزيئية المحددة التي تعلم النموذج أنها كانت حاسمة. هذه الشفافية أمر حيوي، لأنها تسمما للأطباء الثقة في حكم الكمبيوتر من خلال رؤية الدليل البيولوجي وراءه.
كما اختبرت الدراسة مدى صمود النموذج إذا اضطر لإجراء تنبؤات عبر الزمن. وقد نجح في تقدير احتمالات البقاء على قيد الحياة بعد سنة، وثلاث سنوات، وخمس سنوات، محافظاً على دقته عبر هذه الأطر الزمنية المختلفة. وعندما تم تقسيم المرضى إلى مجموعات عالية الخطورة ومنخفضة الخطورة بناءً على درجات النموذج، كان الفرق في معدلات بقائهم الفعلية صارخاً وذا دلالة إحصائية، مما أكد أن النموذج يمكنه فعلياً الفصل بين أولئك الذين من المرجح أن يتحسنوا وأولئك الذين لن يكونوا كذلك. وأشار الباحثون إلى أنه بينما كان أداء النموذج جيداً، إلا أنه تم تدريبه على قاعدة بيانات واحدة من سجلات المرضى، ولا تزال القدرة على العمل مع مرضى من مستشفيات أو مناطق مختلفة بحاجة إلى اختبار. كما أقروا بأن الصور التي استخدموها كانت تعاني أحياناً من بعض العيوب، مثل عدم انتظام الصبغة، مما قد يؤثر على رؤية الكمبيوتر. ورغم هذه القيود، فإن هذا العمل يثبت أن الجمع بين القصة البصرية للورم وقصته الجزيئية يخلق أداة أقوى بكثير لفهم المرض. ومن خلال إثبات أن هذه الأنواع المختلفة من البيانات يمكن نسجها معاً للكشف عن صورة أوضح للمستقبل، يقدم هذا البحث مساراً واعداً نحو رعاية أكثر تخصيصاً ودقة للمرضى الذين يواجهون سرطان المعدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.