Development and validation of an interpretable machine model for predicting recurrence after radiofrequency ablation in hepatocellular carcinoma

لا يزال سرطان الكبد يمثل أحد التحديات الأكثر استمراراً وفتكاً في الطب الحديث، لا سيال لمرضى أورامهم اكتُشفت في مرحلة مبكرة بما يكفي لعلاجها دون الحاجة لاستئصال العضو. بالنسبة لهؤلاء الأفراد، يوفر إجراء يُسمى "الاستئصال بالترددات الراديوية" حلاً قوياً؛ حيث يستخدم الأطباء إبرة موجهة بالتصوير لتطبيق حرارة شديدة تدمر الخلا السرطانية مباشرة، مما يحمي بقية الكبد. وبينما ينجح هذا النهج غالباً في القضاء على المرض المرئي، يلوح في الأفق ظل فوق مرحلة التعافي: فغالباً ما يعود السرطان مجدداً. هذا الارتداد هو السبب الرئيسي لعدم بقاء المرضى على قيد الحياة لفترات طويلة، مما يحول الجراحة الناجحة إلى مجرد هدنة مؤقتة. لقد سعى المجتمع الطبي طويلاً لإيجاد وسيلة للاستشراف وتحديد المرضى الأكثر عرضة لمواجهة هذا الارتداد، مما يسمح للأطباء بتفصيل رعاية المتابعة الخاصة بهم بدقة أكبر. وحتى الآن، كانت الأدوات المستخدمة لإجراء هذه التنبؤات غالباً أبسط من أن تستوعب الواقع المعقد والمتشابك لكيفية تفاعل العوامل المختلفة في جسم المريض لدفع المرض للعودة.

لقد عالج فريق من الباحثين من مستشفيات في جيانغشي، الصين، هذه الفجوة من خلال بناء نوع جديد من أدوات التنبؤ التي تتعلم من البيانات بدلاً من الاعتماد على الصيغ الجامدة. فقد جمعوا السجلات الطبية لـ 1,111 مريضاً خضعوا للاستئصال بالترددات الراديوية لعلاج سرطان الكبد بين عامي 2018 و2022. مثلت هذه المجموعة عينة متنوعة من الناس، معظمهم من الرجال بمتوسط عمر يبلغ 60 عاماً، والعديد منهم عانى من تلف الكبد الناتج عن التهاب الكبد ب. قسم الباحثون هذه المجموعة إلى مجموعتين: مجموعة أكبر لتعليم الكمبيوتر كيفية رصد الأنماط، ومجموعة أصغر لاختبار قدرة الكمبيوتر على تطبيق ما تعلمه على أشخاص جدد. وقد غدّوا النظام بمجموعة واسعة من المعلومات، بما في ذلك حجم وعدد الأورام، ونتائج فحوصات الدم، ومستوى دخل المريض وتعليمه، وما إذا كان قد تلقى أي علاج إضافي بعد عملية الاستئصال.

قارن الباحثون بين طريقتين مختلفتين لتحليل هذه البيانات. الأولى كانت طريقة إحصائية تقليدية، وهي معيار راسخ في الأبحاث الطبية تفترض أن العلاقات بين المتغيرات هي خطوط مستقيمة. والثانية كانت نهجاً أكثر تقدماً يعتمد على "تعلم الآلة"، وهو نوع من الذكاء الاصطناعي القادر على إيجاد روابط معقدة وغير خطية قد يغفل عنها البشر. وعندما اختبر الفريق هذين النموذجين، أثبت نهج تعلم الآلة دقة أكبر بشكل ملحوظ. ففي المجموعة المستخدمة للتدريب، حقق النموذج مساحة تحت المنحنى (AUC) بلغت 0.83، بينما حققت الطريقة التقليدية 0.74. وعند اختبارها على مجموعة منفصلة من المرضى، حافظ نموذج تعلم الآلة على تفوقه، محققاً مساحة تحت المنحنى بلغت 0.74 مقارنة بـ 0.63 للطريقة التقليدية. يشير هذا الفرق إلى أن نموذج تعلم الآلة أفضل في فهم الطرق الدقيقة والمعقدة التي تتحد بها مختلف العوامل الصحية للتأثير على احتمالية عودة السرطان.

ولضمان ألا تكون هذه الأداة القوية مجرد "صندوق أسود" يقدم تخمينات دون سبب، استخدم الباحثون تقنية لشرح كيفية وصول الكمبيوتر إلى استنتاجاته بالضبط. ووجدوا أن أهم العوامل التي تقود التنبؤ كانت ما إذا كان المريض قد تلقى علاجاً بعد الاستئصال، وعدد الأورام الموجودة، وأكبر حجم للورم، وعلامة دم محددة تُعرف باسم (AFP). وأظهر النموذج أن الأورام الأكبر ووجود آفات متعددة تزيد طبيعياً من خطر الارتداد، وهو ما يتماشى مع الفهم الطبي الراسخ. ومع ذلك، سلط النموذج الضوء أيضاً على علاقة معقدة مع الرعاية ما بعد العلاج؛ ففي بعض الحالات عالية الخطورة، لاحظ النموذج أن المرضى الذين تلقوا علاجاً إضافياً كانوا أكثر عرضة لارتداد المرض. وقد أوضح الباحثون أن هذا لا يعني أن العلاج هو الذي تسبب في عودة السرطان، بل يشير إلى أن الأطباء قد وصفوا العلاج الإضافي لأنهم اشتبهوا بالفعل في أن هؤلاء المرضى يعانون من مرض أكثر عدوانية. لقد نجح النموذج في التقاط هذا التفصيل السريري، مدركاً أن الحاجة إلى رعاية إضافية هي في حد ذاتها علامة على ارتفاع درجة الخطورة.

كما قام الباحثون بتصور كيف تلعب هذه العوامل دورها لكل مريض على حدة. فبالنسبة لمريض عالي الخطورة، قد يوضح النموذج أن الجمع بين وجود ثلاثة أورام، وحجم ورم كبير، وتلقي رعاية ما بعد العلاج، قد دفع احتمالية الارتداد للارتفاع بشكل كبير. أما بالنسبة لمريض منخفض الخطورة، فإن غياب هذه العوامل، أو وجود مؤشرات سلبية مثل عدم وجود استسقاء (سوائل في البطن)، سيبقي الاحتمالية منخفضة. ومن خلال رسم خرائط لهذه المساهمات، أنشأ الباحثون نظاماً لا يعطي مجرد رقم، بل يشرح "السبب" وراء هذا الرقم. هذه الشفافية أمر بالغ الأهمية للأطباء الذين يحتاجون إلى الوثوق بالأداة قبل استخدامها لاتخاذ القرارات بشأن مرضاهم.

الهدف النهائي من هذا العمل هو تجاوز نهج "المقاس الواحد الذي يناسب الجميع" في رعاية المتابعة. فمن خلال أداة يمكنها تصنيف المرضى بدقة إلى مجموعات منخفضة، ومتوسطة، وعالية الخطورة، يمكن للأطباء تقديم مراقبة أكثر تكراراً وكثافة لمن يحتاجون إليها بشدة، مع إعفاء المرضى منخفضي الخطورة من القلق والإجراءات الطبية غير الضرورية. ويقر الباحثون بأن نموذجهم بُني على بيانات من مركز واحد، مما يعني أنه سيحتاج إلى الاختبار على مجموعات سكانية مختلفة لضمان عمله في كل مكان. ومع ذلك، فإن النتائج تثبت أنه من خلال الجمع بين كميات كبيرة من بيانات العالم الحقيقي وتعلم الآلة القابل للتفسير، من الممكن بناء نظام يرى الصورة الكاملة لمخاطر المريض، مما يوفر مساراً أوضح لإدارة سرطان الكبد بعد العلاج.