A multimodal CT-based machine-learning model for differentiating pulmonary sarcomatoid carcinoma from conventional non-small cell lung cancer: an internally validated study

لا يُعد سرطان الرئة مرضاً واحداً، بل هو مجموعة من الحالات المختلفة التي تشترك في موقع واحد. ومن بين هذه الحالات، يوجد نوع نادر وشرس يُسمى "السرطان الساركوماتوي الرئوي" (pulmonary sarcomatoid carcinoma)، وهو صعب التحديد بشكل خاص قبل أن يقوم الجراح بإزالة قطعة من الأنسجة للفحص المجهري. وبخلاف الأنواع الأكثر شيوعاً لسرطان الرئة، يتصرف هذا النوع المحدد بشكل مختلف، وغالباً ما يتطلب نهجاً متميزاً في العلاج. وتكمن المعضلة التي تواجه الأطباء في أن الفحوصات القياسية، التي تستخدم الأشعة السينية لإنشاء مقاطع عرضية مفصلة للجسم، غالباً ما تجعل هذا السرطان النادر يبدو تماماً مثل النوع الشائع. وبدون وجود فرق بصري واضح، قد ينتظر المرضى لفترة أطول للحصول على التشخيص الصحيح، أو قد يتلقون خطة علاجية ليست ملائمة تماماً لحالتهم الخاصة.

ولمعالجة حالة عدم اليقين هذه، وضع فريق من الباحثين هدفاً يتمثل في معرفة ما إذا كان بإمكان الحاسوب أن يتعلم رصد الاختلافات الدقيقة التي تغفل عنها العين البشرية. فقد جمعوا فحوصات لما يقرب من أربعمائة مريض من ثلاثة مراكز طبية مختلفة، بما في ذلك ثلاثة وثمانون شخصاً مصاباً بالنوع الساركوماتوي النادر وثلاثمائة وأربعة عشر شخصاً مصاباً بالنوع التقليدي. قام الباحثون بتغذية هذه البيانات في نظام تعلم آلي، وهو نوع من البرمجيات المصممة لإيجاد الأنماط في مجموعات كبيرة من المعلومات. وقد اختبروا طرقاً مختلفة لتعليم الحاسوب: اعتمدت إحدى الطرق فقط على التاريخ الطبي للمريض والملاحظات الأساسية من الفحص، بينما نظرت طريقة أخرى فقط إلى النسيج الرياضي للورم، وحاولت طريقة ثالثة استخدام نظام ذكاء اصطناعي معقد ومُدرب مسبقاً تعلم من ملايين الصور الأخرى. كما بنوا نموذجاً يجمع كل هذه المصادر من المعلومات، آملين أن تؤدي الصورة الكاملة إلى أفضل نتيجة.

ووجدت الدراسة أن النهج الأكثر نجاحاً كان ذلك الذي يمزج بين التفاصيل السريرية للمريض والتحليل المفصل لنسيج الورم. استطاع هذا النموذج المدمج التمييز بين السرطانات النادرة والشائعة بدرجة عالية من الدقة، حيث حدد النوع النادر بشكل صحيح في حوالي ستة وثمانين بالمائة من الحالات، بينما استبعد النوع الآخر بشكل صحيح في حوالي ستة وسبعين بالمائة من الحالات الأخرى. وكانت إحدى السمات الفيزيائية الرئيسية التي ساعدت الحاسوب في اتخاذ هذا القرار هي وجود مناطق ذات تخفيف منخفض داخل الورم، وهي في الأساس جيوب من الأنسجة تظهر داكنة في الفحص، مما يشير إلى أنها أقل كثافة من الكتلة المحيطة بها. وقد ارتبط حجم ووجود هذه الجيوب الداكنة ارتباطاً وثيقاً بالنوع النادر من المرض.

ومع ذلك، اكتشف الباحثون أيضاً ما لم ينجح. فالنظام المعقد للذكاء الاصطناعي المُدرب مسبقاً، والذي قد يتوقع الكثيرون أنه سيكون الأداة الأكثر قوة، فشل في إضافة أي معلومات مفيدة بمفرده؛ إذ لم يكن أداؤه أفضل من التخمين العشوائي عند محاولة التمييز بين نوعي السرطان. علاوة على ذلك، أدرك الفريق أن الطريقة التي أُخذت بها الفحوصات — مثل الإعدادات المحددة لجهاز التصوير المقطعي المحوسب (CT) أو المستشفى الذي أُجري فيه الفحص — كان لها تأثير كبير بشكل مفاجئ على النتائج. وفي الواقع، كانت الاختلافات في كيفية التقاط الصور قوية بما يكفي أحياً لتفريق المجموعات عن بعضها البعض. وهذا يشير إلى أنه بينما وجد الحاسوب أنماطاً حقيقية في الأنسجة، فإن جزءاً من نجاحه قد يكون متأثراً بالتباينات التقنية بين المستشفيات المختلفة.

وبسبب هذه التأثيرات التقنية، يحذر المؤلفون من أن هذه الأداة ليست جاهزة بعد للاستخدام في المستشفيات لاتخاذ قرارات نهائية. فقد تم اختبار النموذج فقط على البيانات التي تم تدريبه عليها، ولم يثبت بعد قدرته على العمل على فحوصات من أجهزة مختلفة أو مجموعات مرضى مختلفة. ويصف الباحثون عملهم بأنه خطوة مهمة تُظهر نتائج واعدة، لا سيما من خلال تسليط الضوء على قيمة النظر بدقة في نسيج الورم ووجود تلك المناطق الداكنة والأقل كثافة. وهم يؤكدون أن النتيجة السلبية من مثل هذا النموذج لا يمكنها استبعاد وجود السرطان النادر، وأنه قبل أن تتمكن هذه التكنولوجيا من مساعدة الأطباء، يجب التحقق من صحتها في بيئة أوسع حيث تُؤخذ الفحوصات بطريقة معيارية. وحتى ذلك الحين، لا يزال المسار نحو التشخيص النهائي يعتمد على الطريقة التقليدية المتمثلة في فحص الأنسجة تحت المجهر.