Interpretable Concept-Bottleneck Vision-Language Model Predicts Pathologic Complete Response From Longitudinal Breast DCE-MRI

في مكافحة سرطان الثدي، غالبًا ما يبدأ الأطباء باستراتيجية قوية تسمى العلاج المساعد قبل الجراحة (neoadjuvant therapy)، حيث يتلقى المرضى العلاج قبل الجراحة لتقليص حجم الأورام. الهدف النهائي هو الوصول إلى استجابة مرضية كاملة، وهي حالة لا يمكن فيها العثور على خلايا سرطانية في الأنسجة التي تمت إزالتها أثناء الجراحة. وتعد هذه النتيجة علامة قوية على أن المريض سيعيش لفترة أطول ويظل خاليًا من السرطان. ومع ذلك، فإن التنبؤ بمن سيحقق هذه النتيجة أمر صعب. لسنوات، حاول العلماء استخدام الذكاء الاصطناعي للنظر في صور الرنين المغناطيسي وإجراء هذه التنبؤات، لكن معظم هذه الأنظمة تعمل كـ "صناديق سوداء"؛ فهي تقدم إجابة، لكنها لا تستطيع شرح كيف توصلت إليها. ولأن الأطباء لا يستطيعون رؤية المنطق وراء قرار الآلة، فإنهم غالبًا ما يترددون في الوثوق بها، خاصة عندما تكون حياة المريض على المحك. ولكي يكون أداة الذكاء الاصطناعي مفيدة في المستشفى، يجب أن يكون شفافًا، يوضح خطوات عمله بطريقة يمكن لخبير بشري التحقق منها.

لقد طور فريق من الباحثين نوعًا جديدًا من الذكاء الاصطناعي يحل هذه المشكلة من خلال إجبار الآلة على التفكير من خلال سمات طبية يمكن التعرف عليها. فبدلاً من النظر إلى صورة والخمين الفوري للنتيجة، يقوم هذا النظام أولاً بتحديد إحدى عشرة خاصية محددة للورم، مثل شكله وحجمه وكيف يبدو في الصورة. وتستند هذه السمات إلى أوصاف طبية معيارية يستخدمها أطباء الأشعة يوميًا. ثم يستخدم النظام هذه السمات المحددة، بالإضافة إلى عمر المريض ونوع السرطان الذي يعاني منه، لإنشاء تقرير مكتوب. يشرح هذا التقرير المنطق وراء التنبؤ، تمامًا كما يكتب الطبيب ملاحظة لزميله. وقد اختبر الباحثون هذا النظام على بيانات من مئات المرضى ووجدوا أنه يمكنه التنبؤ بدقة بمن سيستجيب جيدًا للعلاج، مع تقديم شرح واضح وقابل للتدقيق لكل تنبؤ على حدد.

ركزت الدراسة على مرضى من تجربتين سريريتين كبيرتين متعددتي المراكز، شملتا ما مجموعه 753 فردًا خضعوا لصور رنين مغناطيسي ديناميكية تعتمد على التباين (dynamic contrast-enhanced MRI). ويتضمن هذا النوع من التصوير التقاط صور للثدي قبل وبعد حقن صبغة، مما يساعد الأطباء على رؤية كيفية تدفق الدم عبر الورم. قام الباحثون بتدريب نموذجهم على بيانات من تجربة I-SPY2 ثم اختبروه على مجموعة منفصلة تمامًا من المرضى من تجربة I-SPY1 لمعرفة ما إذا كان سيعمل على أجهزة مختلفة ومع بروتوكولات مسح مختلفة. تم تصميم النموذج لينظر إلى مجموعتين من الصور لكل مريض: إحداهما مأخوذة قبل بدء العلاج والأخرى مأخوذة في مرحلة مبكرة من عملية العلاج، عادة بعد حوالي ثلاثة أسابيع. ومن خلال مقارنة هاتين النقطتين الزمنيتين، استطاع النظام رؤية كيفية تغير الورم.

جوهر هذا النهج الجديد هو "عنق زجاجة المفاهيم" (concept bottleneck). فقبل أن يقدم النموذج تنبؤًا نهائيًا بشأن ما إذا كان المريض سيُشفى، يجب عليه أولًا تحديد مفاهيم محددة وقابلة للقياس. وتشمل هذه المفاهيم أشياء مثل حجم الورم الوظيفي، وهو مقياس لمقدار نمو الورم بنشاط، والتدويرية (sphericity)، التي تصف مدى استدارة الورم أو عدم انتظام شكله. كما ينظر أيضًا إلى ما إذا كان الورم يظهر ككتلة صلبة أو كمنطقة تعزيز أكثر انتشارًا، وما إذا كانت حوافه حادة أو ضبابية. يتنبأ النظام بهذه المفاهيم الإحدى عشرة بدقة عالية، مطابقةً النتائج التي قد يتم الحصول عليها من برنامج كمبيوتر مصمم خصيصًا لقياسها. وبمجرد تحديد هذه السمات، يتم تغذيتها في نموذج لغوي يعمل كطبيب أشعة؛ حيث يقرأ هذا النموذج اللغوي قائمة السمات ويكتب تقريرًا مهيكلًا، يشرح العوامل التي تدفع التنبؤ نحو الشفاء والعوامل التي تبعده عنه.

عندما اختبر الباحثون النموذج، كان أداؤه جيدًا. ففي مجموعة المرضى المستخدمة للاختبار، ميز النظام بدقة بين أولئك الذين سيحققون استجابة كاملة وأولئك الذين لن يحققوها بدقة بلغت 0.76. وعند اختباره على المجموعة المستقلة تمامًا من المرضى من التجربة الأخرى، ظلت الدقة قوية عند 0.71. وهذا أمر مهم لأن ذلك يظهر أن النموذج يمكنه العمل عبر مستشفيات مختلفة ومع أنواع مختلفة من أجهزة الرنين المغناطيسي، وهو عائق شائع أمام الذكاء الاصطناعي الطبي. كما كشفت الدراسة أن العامل الأكثر أهمية في التنبؤ بالشفاء هو التغير في حجم الورم الوظيفي. بعبارة أخرى، المرضى الذين تقلصت أورامهم أكثر في الأسابيع الأولى من العلاج هم الأكثر عرضة لعدم بقاء أي سرطان في النهاية. وتتماشى هذه النتيجة مع ما يعرفه الأطباء بالفعل، لكن النظام الجديد أكد ذلك دون أن يُطلب منه صراحة البحث عنه.

وجد الباحثون أيضًا أن ثقة النموذج كانت دليلًا مفيدًا. فعندما كان النظام متأكدًا جدًا من تنبؤه، كان صحيحًا بنسبة 88 بالمائة. ومع ذلك، عندما كان التنبؤ حديًا أو غير مؤكد، انخفضت الدقة إلى 58 بالمائة. وهذا يشير إلى إمكانية استخدام الأداة لمساعدة الأطباء في ترتيب أولويات وقتهم. فإذا قال النموذج إن المريض مستجيب واضح أو غير مستجيب واضح، يمكن للطبيب الوثوق بهذا التقييم. أما إذا كان النموذج غير متأكد، فيعرف الطبيب أنه يجب عليه النظر بتمعن أكبر في الحالة أو الاعتماد على طرق أخرى. وهذه القدرة على قول "أنا لست متأكدًا" هي ميزة حاسمة للأدوات الطبية، لأنها تمنع النظام من تقديم تخمينات خطيرة عندما تكون البيانات غامضة.

كانت واحدة من أكثر النتائج إثارة للاهتمام هي كيفية تعامل النموذج مع أنواع السرطان والعلاجات المختلفة. لقد عمل بشكل جيد لمعظم المجموعات، لكنه واجه صعوبة طفيفة مع المرضى الذين يتلقون نوعًا معينًا من العلاج المناعي. في هذه الحالات، لم تتطابق العلامات المعتادة لتقلص الورم في الرنين المغنيطي دائمًا مع الاستجابة البيولوجية الفعلية. وقد حدد النموذج بشكل صحيح أن المقاييس القياسية لتغير الحجم كانت أقل موثوقية لهذه المجموعة، مما سلط الضوء على قصور معروف في كيفية قياسنا الحالية لنجاح العلاجات القائمة على المناعة. هذا التفصيل، الذي ربما كان نموذج "الصندوق الأسود" سيتجاهله أو يمر عليه مرور الكرام، كان واضحًا في منطق النظام، مما يظهر أنه كان ينتبه لبيولوجيا المرض المحددة.

كما تناولت الدراسة مسألة الثقة من خلال جعل العملية بأكملها شفافة. نظرًا لأن منطق النموذج مبني على مفاهيم طبية معيارية، يمكن لطبيب الأشعة النظر في نفس الصورة والتحقق من عمل النموذج. يمكنهم معرفة ما إذا كان النظام قد حدد شكل الورم أو معدل نموه بشكل صحيح. وإذا ارتكب النموذج خطأً، يمكن للطبيب معرفة أي مفهوم تم تحديده بشكل خاطئ بالضبط. هذا المستوى من التفصيل هو شيء لا تستطيع نماذج التعلم العميق التقليدية توفيره، حيث تعتمد غالبًا على أنماط غير مرئية للعين البشرية. ومن خلال ربط التنبؤ بمفاهيم يفهمها الأطباء، خلق الباحثون أداة يمكن تدقيقها والتحقق منها، بدلًا من قبولها على سبيل الإيمان.

على الرغم من هذه النجاحات، يحرص الباحثون على الإشارة إلى قيود عملهم. فقد تم تدريب النموذج على بيانات من تجارب سريرية محددة، وبينما عمل بشكل جيد على مجموعة مستقلة، إلا أنه لم يُختبر بعد في بيئة مستشفى حقيقية مع كل التباينات التي تأتي مع الممارسة اليومية. بالإضافة إلى ذلك، يعتمد النظام على تعريفات خوارزمية لبعض قياساته، بدلاً من فحص كل مفهوم بواسطة خبير بشري. وهذا يعني أنه بينما يكون النموذج قابلًا للتفسير، فإن "الحقيقة الأرضية" التي تدرب عليها لا تزال تخمينًا حاسوبيًا وليست حكمًا بشريًا نهائيًا. كما يشير الباحثون إلى أن النموذج يتنبأ بالنتائج قصيرة المدى، مثل ما إذا كان السرطان سيختفي وقت الجراحة، لكنه لا يتنبأ بعد بمدى البقاء على قيد الحياة لفترات طويلة أو خطر عودة السرطان بعد سنوات.

يمثل هذا العمل تحولًا في كيفية بناء الذكاء الاصطناعي للطب. فبدلاً من محاولة إنشاء نظام يكون ببساطة الأكثر دقة بغض النظر عن كيفية عمله، أعطى الباحثون الأولوية للوضوح والمساءلة. لقد أثبتوا أنه من الممكن بناء نظام يكون دقيقًا ومفهومًا في آن واحد. ومن خلال إجبار الذكاء الاصطناعي على التحدث بلغة الأشعة وتبرير استنتاجاته بخصائص محددة وقابلة للملاحظة، فقد خلقوا جسرًا بين قوة التعلم الآلي وحكم الأطباء البشريين. إن هذا النهج لا يستبدل الطبيب، بل يمنحه طريقة جديدة لرؤية البيانات، طريقة واضحة ومنطقية وقابلة للفحص. وفي مجال تكون فيه المخاطر مرتفعة للغاية، قد يكون هذا النوع من الشفافية هو المفتاح لإدخال هذه الأدوات القوية أخيرًا إلى العيادات.