Shape-supervised network for cross-domain nuclei instance segmentation

في عالم مجهري هادئ داخل جسم الإنسان، غالباً ما تُكتب قصة الصحة والمرض من خلال شكل وترتيب الخلايا. يعتمد أخصائيو الأمراض، وهم الأطباء الذين يفحصون عينات الأنسجة تحت المجهر، بشكل كبير على عد وتحليل نوى الخلايا — وهي مراكز القيادة المركزية الداكنة الموجودة في كل خلية تقريباً. وعندما تكون هذه النوى متراصة بإحكام، أو عندما تظهر بأشكال غير معتادة بسبب السرطان أو العدوى، تصبح مهمة تحديد كل واحدة منها على حدٍ فريد أمراً صعباً للغاية. لعقود من الزمن، حاول العلماء تعليم الحواسيب القيام بهذا العمل تلقائياً، آملين في تسريع التشخيص وتقليل عبء العمل اليدوي. ومع ذلك، غالباً ما تعاني البرامج الحاسوبية القياسية عندما تنتقل من نوع من عينات الأنسجة إلى نوع آخر، أو عندما تكون الخلايا مزدحمة لدرجة أن حدودها تتداخل لتصبح كتلة واحدة غير واضرة. ولا يكمن التحدي في مجرد رؤية الخلايا فحسب، بل في فهم أن كل واحدة منها هي كائن منفصل ومتميز ذو شكل يمكن التنبؤ به، حتى عندما تكون الصورة فوضوية أو قادمة من مختبر مختلف.

لقد طور فريق من الباحثين نهجاً جديداً لحل هذه المشكلة، حيث ابتكروا نظاماً يعلم الحاسوب التعرف على الخلايا من خلال شكلها المتوقع. وبدلاً من مجرد مطالبة الحاسوب برسم خط حول كل بقعة داكنة يراها، يعمل الأسلوب الجديد، المسمى SSNet، كأنه مرشد يتحقق باستمرار من العمل مقابل نموذج ذهني لما يجب أن تبدو عليه نواة الخلية السليمة. أدرك الباحثون أنه بينما يمكن أن تختلف الخلايا الفردية، إلا أنها تشترك عموماً في بنية بيضاوية مشتركة. ومن خلال بناء نظام يستخدم هذه المعرفة كقاعدة، تمكنوا من تدريب حاسوب على فصل الخلايا المزدحمة بدقة أكبر من الطرق السابقة، حتى عند النظر إلى صور من مستشفيات مختلفة أو تم تحضيرها بطرق متنوعة.

إن جوهر هذا النظام الجديد هو عملية مكونة من ثلاث خطوات تعمل معاً كوحدة واحدة متماسكة. أولاً، تقوم شبكة حاسوبية بمسح الصورة للعثور على جميع المناطق التي توجد بها نوى الخلايا، مما ينشئ خريطة تقريبية للمقدمة. بعد ذلك، تقوم أداة رياضية بتجميع هذه المناطق في مرشحات فردية، محاولةً تحديد أين تنتهي خلية وأين تبدء أخرى. وأخيراً، يتحقق النظام من شكل كل مرشح؛ فإذا بدا المرشح كشكل بيضاوي ناعم، يتم قبوله، أما إذا بدا متعرجاً أو ممتداً أو ذا شكل غريب، فيعرف النظام أن هناك خطأ ما. هذا "فحص الشكل" ليس مجرد مراجعة نهائية، بل يُستخدم كإشارة تعليمية؛ حيث يقوم النظام بتغذية هذه المعلومات في الخطوة الأولى، ليخبر الحاسوب: "لقد فاتك هذا الحد هنا"، أو "لقد دمجت خليتين في واحدة"، ويعدل توقعاته المستقبلية بناءً على ذلك. وهذا يخلق حلقة تغذية راجعة حيث يتعلم الحاسوب رسم حدود أنظف وأكثر دقة لأنه يُذكّر باستمرار بالشكل البيضاوي الطبيعي للخلايا التي يحاول إيجادها.

ولاختبار ما إذا كانت هذه الفكرة ناجحة، قام الباحثون بتدريب نظامهم على مجموعة كبيرة من الصور من قواعد بيانات عامة، ثم اختبروه ببيانات جديدة لم يسبق له رؤيتها. استخدموا صوراً من تسعة أنواع مختلفة من الأعضاء، بالإضافة إلى عينات خاصة من مستشفيات في الصين تحتوي على آلاف الخلايا العنقية شديدة التكدس. كانت النتائج مذهلة؛ فعندما تم اختبار النظام على صور لم يرها من قبل، نجح في تحديد وفصل النوى الفردية بدرجة عالية من الدقة. وفي إحدى مجموعات الاختبارات التي شملت آلاف الخلايا من شرائح أنسجة كاملة، حدد النظام الجديد ما يقرب من 99 بالمائة من الخلايا بشكل صحيح وكان دقيقاً في تسميتها بنسبة 97 بالمائة تقريباً. وقد تفوق هذا الأداء على العديد من البرامج الحاسوبية الرائدة الأخرى، التي كانت تميل إما إلى تفويت الخلايا الصغيرة المختبئة في المجموعات المزدحمة أو دمج خليتين منفصلتين بالخطأ في كتلة واحدة.

لقد ظهرت القوة الحقيقية لهذا النهج عند اختبار قدرته على التعامل مع أنماط مختلفة من الصور. في العالم الحقيقي، يمكن أن تبدو عينات الأنسجة مختلفة جداً اعتماداً على كيفية صبغها أو المجهر المستخدم. وغالباً ما يفشل الحاسوب المدرب على نوع واحد من الصور عند عرضه على نوع آخر. ومع ذلك، ولأن النظام الجديد يعتمد على الشكل الأساسي للخلية بدلاً من مجرد الألوان أو الأنسجة الخاصة بالصورة، فقد ظل قوياً. فعندما درب الباحثون النظام على بيانات من مستشفى واحد ثم اختبروه على بيانات من ثلاثة مستشفيات أخرى ذات أنماط صور مختلفة تماماً، ظل الأداء متطابقاً تقريباً. وظل معدل الخطأ في تحديد الخلايا الفردية أقل من اثنين بالمائة، مما يثبت أن النظام قد تعلم قاعدة عالمية حول شكل الخلية بدلاً من مجرد حفظ مجموعة محددة من الصور.

كما استكشف الباحثون سبب نجاح هذه الطريقة من خلال مقارنتها بالأنظمة التي لا تستخدم توجيه الشكل. فبدون فحص الشكل، غالباً ما ينتج الحاسوب خطوطاً خارجية متعرجة وغير منتظمة تجعل من الصعب معرفة أين تنتهي خلية وأين تبدأ أخرى. وهذه الحدود الفوضوية أدت إلى أخطاء حيث يقوم الحاسوب بتقسيم خلية واحدة إلى اثنتين أو لصق خليتين منفصلتين معاً. ومن خلال فرض قاعدة أن الخلايا يجب أن تكون بيضاوية بشكل عام، قام النظام بتنعيم هذه الأخطاء، منتجاً أشكالاً نظيفة ومتميزة تطابق الواقع الأرضي (ground truth) بشكل وثيق للغاية. وتشير الدراسة إلى أنه بينما يمكن تشويه الخلايا بسبب المرض، إلا أنها نادراً ما تفقد بنيتها البيضاوية الأساسية تماماً، وأن استخدام هذه الحقيقة الهندسية البسيطة كدليل هو وسيلة قوية لتحسين الرؤية الحاسوبية في الطب.

لا يدعي هذا العمل حل كل مشكلة في تحليل الخلايا؛ إذ يقر الباحثون بأن طريقتهم قد تواجه صعوبة مع الخلايا غير المنتظمة للغاية أو التالفة لدرجة لا يمكن التعرف عليها، حيث بُني النظام على افتراض أن الخلايا بيضاوية تقريباً. كما يشيرون أيضاً إلى أن بنية الشبكة الحالية بسيطة نسبياً ويمكن تحسينها بشكل أكبر. ومع ذلك، تقدم النتائج مساراً واضحاً للمضي قدماً: فمن خلال الجمع بين القدرة على الرؤية والمعرفة بما يجب توقعه، يمكن للحواسيب أن تصبح شركاء أكثر موثوقية للأطباء. إن الكود والنماذج التي تم تطويرها في هذه الدراسة متاحة الآن للآخرين لاستخدامها، مما قد يساعد في توحيد وتحسين دقة تشخيصات السرطان وغيرها من التقييمات المرضية عبر مختلف المختبرات والمناطق.