Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI

يُعد سرطان البروستاتا أكثر أنواع السرطان شيوعاً بين الرجال في الولايات المتحدة، ويُعتبر تحديد مدى انتشار المرض خطوة حاسمة في تقرير كيفية علاجه. عندما يكون الورم محصوراً داخل غدة البروستاتا، يمكن للأطباء غالباً إزالته جراحياً مع الحفاظ على الأعصاب الهامة. ومع ذلك، إذا تجاوز السرطان الحدود الخارجية للغدة، وهي حالة تُعرف باسم الامتداد خارج البروستاتا (extraprostatic extension)، فإن خطة العلاج يجب أن تتغير؛ حيث قد يحتاج الجراحون إلى إزالة هوامش أوسع من الأنسجة، وقد يتطلب المرضى علاجات إضافية مثل الإشعاع أو العلاج الهرموني لمنع عودة السرطان. ولعقود من الزمن، اعتمد الأطباء على التصوير بالرنين المغناطيسي (MRI) لرصد هذه العلامات التي تشير إلى انتشار المرض قبل الجراحة. ورغم قوة هذه الفحوصات، إلا أن قراءتها أمر صعب؛ فالعلامات التي تدل على اختراق الورم لحافة الغدة قد تكون دقيقة للغاية، وحتى المتخصصين ذوي الخبرة قد يخطئون في رصدها أو يختلفون في رؤيتها.

ولمعالجة هذا التحدي، وضع فريق من الباحثين في كلية نيويورك غروسمان للطب وجامعة واشنطن هدفاً يتمثل في معرفة ما إذا كان الذكاء الاصطناعي يمكنه مضاهاة مهارة أطباء الأشعة في اكتشاف هذا النوع المحدد من انتشار السرطان. وقد ركزوا على نوعين من فحوصات الرنين المغناطيسي: نسخة قياسية تستخدم أنواعاً متعددة من البيانات، ونسخة مبسطة تستخدم تسلسلات أقل ولكنها أسرع وأقل تكلفة في إجراء الفحص. قام الباحثون ببناء نماذج حاسوبية قادرة على التعلم من آلاف الصور السابقة للمرضى للتعرف على الأنماط المرتبطة بالسرطان الذي امتد خارج حدود البروستاتا. ولم يكن هدفهم مجرد معرفة ما إذا كانت الآلات ستتعلم، بل تحديد ما إذا كان بإمكانها القيام بذلك دون الحاجة إلى تدخل بشري لرسم حدود دقيقة حول البروستاتا أو الورم، وهي عملية بطيئة وعرضة للخطأ البشري.

تضمنت الدراسة مجموعة كبيرة من المرضى الذين خضعوا لفحوصات الرنين المغناطيسي للبروستاتا بين عامي 2015 و2023، والذين أُجريت لهم لاحقاً عمليات استئصال جراحي للبروستاتا. وقد وفر هذا الاستئصال الجراحي "الحقيقة الأرضية" (ground truth)، مما سمح للباحثين بمعرفة أي المرضى كان لديهم سرطان انتشر وأيهم لم يكن لديهم. وقام الفريق بتقسيم هذه البيانات إلى مجموعات لتدريب واختبار نماذجه الحاسوبية، حيث أنشأوا نسختين من نظام الذكاء الاصطناعي؛ النسخة الأولى نظرت فقط إلى صور الرنين المغناطيسي المبسطة، التي تلتقط بنية البروستاتا وحركة جزيئات الماء من خلالها. أما النسخة الثانية، فقد نظرت إلى تلك الصور نفسها بالإضافة إلى نوع ثالث من الفحص يوضح كيفية امتصاص البروستاتا لصبغة التباين (contrast dye). ومن الأهمية بمكان أن كلا النسختين لم تتطلبا من الإنسان رسم حدود يدوية للبروستاتا أو الورم على الشاشة؛ وبدلاً من ذلك، قام الكمبيوتر بتحليل الحجم الكامل للمسح الضوئي دفعة واحدة، ليتعلم تحديد الأنسجة والأشكال الدقيقة التي تشير إلى اختراق السرطان لحدود الغدة.

ولمعرفة مدى كفاءة هذه النماذج الحاسوبية، قارنها الباحثون بثلاثة من أطباء الأشعة المتخصصين في تصوير البطن، والذين يتمتعون بتدريب عالٍ. قام هؤلاء الخبراء بمراجعة نفس فحوصات الاختبار، حيث نظروا أولاً إلى الصور المبسطة، ثم إلى المجموعة الكاملة من الصور التي تتضمن صبغة التباين. وقاموا بتخصيص درجة لكل مسح بناءً على احتمالية انتشار السرطان. وأظهرت النتائج أن النماذج الحاسوبية كان أداؤها يضاهي أداء الخبراء البشر؛ فقد تمكنت النماذج من اكتشاف انتشار السرطان بمستوى من الدقة لا يختلف إحصائياً عن أطباء الأشعة المتخصصين. وتعد هذه النتيجة مهمة لأنها تشير إلى أن الذكاء الاصطناعي يمكن أن يعمل كـ "عين ثانية" موثوقة، مما قد يقلل من عبء العمل على الأطباء ويضمن عدم تفويت عدد أقل من حالات الانتشار.

كما بحث الباحثون فيما إذا كان إضافة صور صبغة التباين سيساعد في التشخيص. وبالنسبة لكل من القراء البشر والنماذج الحاسوبية، أدت رؤية المجموعة الكاملة من الصور بما في ذلك الصبغة إلى تحسن طفيف في الدقة؛ حيث أصبح البشر أفضل في رصد الانتشار، وأصبحت النماذج الحاسوبية أكثر دقة قليلاً. ومع ذلك، لم يكن التحسن كبيراً بما يكفي لإعلان ذلك تغييراً جذرياً بناءً على هذه البيانات وحدها. ووجدت الدراسة أيضاً أن النماذج الحاسوبية كانت جيدة بشكل خاص في رصد المساحات الكبيرة من الانتشار، بينما واجه كل من البشر والآلات صعوبة أكبر مع المناطق الصغيرة جداً والمتركزة حيث بدأ السرطان للتو في التسلل عبر الحدود. وتعد هذه الصعوبة في التعامل مع الحالات الصغيرة المتركزة قصوراً معروفاً في هذا المجال، حيث إن هذه العلامات المتناهية الصغر يصعب رؤيتها بطبيعتها في أي فحص.

ومن أبرز جوانب هذا العمل هو كيفية تدريب النماذج الحاسوبية؛ فخلافاً للعديد من المحاولات السابقة التي تطلبت من الأطباء قضاء ساعات في رسم حدود دقيقة حول البروستاتا والورم قبل أن يتمكن الكمبيوتر من التعلم، تعلمت هذه النماذج مباشرة من الصور الخام والنتائج الجراحية النهائية. وهذا النهج، المعروف باسم "التعلم الخاضع للإشراف الضعيف" (weakly supervised learning)، يعني أن النظام تعلم التعرف على المرض دون الحاجة إلى عقبة الرسم اليدوي للحدود. كما اختبر الباحثون ما إذا كان إضافة قياس بسيط من تحليل الدم، وهو ما يُعرف بكثافة المستضد البروستاتي النوعي (PSA density)، سيساعد في تحليل الكمبيوتر. وبينما أدى إضافة هذه البيانات السريرية إلى تحسين أداء النموذج قلي بالقدر ضئيل، ظلت الصور هي المحرك الأساسي للتشخيص.

تخلص الدراسة إلى أن نماذجم الذكاء الاصطناعي "الخالية من التجزئة" (segmentation-free) تعد أداة قابلة للتطبيق للكشف عن انتشار السرطان، حيث تؤدي أداءً يضاهي أطباء الأشعة الخبراء. وبينما قدمت إضافة صبغة التباين والبيانات السريرية مكاسب صغيرة، فإن النتيجة الجوهرية هي أن الآلات يمكنها أن تتعلم رؤية ما يراه الخبراء دون الحاجة إلى الخطوة المستهلكة للوقت المتمثلة في التتبع اليدوي. ويقر الباحثون بأن عملهم قد أُجري في مركز طبي واحد، وأن النماذج تحتاج إلى اختبار في مستشفيات مختلفة وعلى أنواع مختلفة من أجهزة الرنين المغناطيسي لضمان عملها في كل مكان. كما أشاروا أيضاً إلى أن الدراسة كانت "بأثر رجعي"، مما يعني أنها نظرت في بيانات سابقة، وأن العمل المستقبلي يجب أن يركز على تحسين النماذج للإمساك بأصغر الحالات الصعبة من الانتشار. وفي الوقت الحالي، يثبت هذا العمل أن الذكاء الاصطناعي قد وصل إلى نقطة يمكنه فيها الوقوف جنباً إلى جنب مع المتخصصين البشر في مهمة تشخيصية عالية المخاطر، مما يفتح مساراً واعداً نحو رعاية صحية أكثر اتساقاً وسهولة في الوصول إليها.