Ultrasound Deep Learning for Distinguishing Benign Reactive from Hematologic Malignancy-Associated Cervical Lymphadenopathy in Children: Development and Validation

في كل عام، يزور ملايين الأطفال الأطباء بسبب تورم في أعناقهم. عادة ما تكون هذه الكتل عبارة عن عقد ليمفاوية غير ضارة، وهي غدد صغيرة تعمل كجزء من جهاز المناعة في الجسم، حيث تتورم لمحاربة نزلات البرد الشائعة أو العدوى الفيروسية. ومع ذلك، في عدد قليل ولكن حرج من الحالات، يمكن أن تكون تلك العقد المتورمة نفسها هي العلامة الأولى لسرطان دم خطير، مثل سرطان الدم (اللوكيميا) أو سرطان اللمفوما. ويعد التمييز بين رد فعل بسيط لفيروس وبين علامة على السرطان أحد أصعب التحديات في طب الأطفال. ويعد التصوير بالموجات فوق الصوتية (السونار)، وهو أداة تصوير آمنة تستخدم الموجات الصوتية بدلاً من الإشعاع، الخطوة الأولى التي يتخذها الأطباء للنظر داخل هذه العقد. يمكنه إظهار شكل العقدة وكيفية تدفق الدم من خلالها، لكن الدلائل البصرية غالباً ما تتداخل؛ فقد تكون العقدة التي تبدو مشبوهة مجرد استجابة لفيروس، بينما قد تخفي عقدة تبدو هادئة ورمًا خبيثًا. ولعقود من الزمن، اعتمد الأطباء على خبرتهم وعلى قائمة مراجعة من السمات لاتخاذ هذا القرار، لكن الخط الفاصل بين الحميد والخطير غالباً ما يكون ضبابياً.

وضع فريق من الباحثين في مستشفى جامعة سوتشو للأطفال في الصين خطة لمعرفة ما إذا كان بإمكان الكمبيوتر أن يتعلم رصد الفرق في الحالات التي قد يتردد فيها النظر البشري. لم يطلبوا من الكمبيوتر النظر في اختبارات الدم أو التاريخ المرضي؛ بل أعطوه فقط صور الموجات فوق الصوتية نفسها وحدود العقد المتورمة. كان الهدف هو بناء مساعد رقمي يمكنه النظر إلى فحص روتيني وإخبار الطبيب ما إذا كان التورم ناتجاً على الأرجح عن رد فعل غير ضار أو شيئاً يتطلب اهتماماً فورياً لسرطان الدم. يعتمد هذا النهج على فكرة أن البكسلات الخام لصورة الموجات فوق الصوتية تحتوي على أنماط دقيقة — مثل الأنسجة، والظلال، وتفاصيل الحواف — التي قد تفوت العين البشرية ولكن يمكن للآلة تعلم التعرف عليها.

لتعليم هذا الكمبيوتر، جمع الباحثون مجموعة كبيرة من صور الموجات فوق الصوتية من أرشيفات مستشفاهم. بدأوا بأكثر من ستمائة صورة لعقد الرقبة المتورمة لدى الأطفال. وقد تم تحديد كل صورة بعناية من قبل ثلاثة أطباء أشعة متخصصين رسموا حدوداً دقيقة حول العقدة الليمفاوية، بشكل مستقل عن بعضهم البعض ودون معرفة التشخيص النهائي. وعندما اختلف الأطب "على الشكل، كانوا يجتمعون للاتفاق على حد واحد مثالي. وضمنت هذه العملية أن الكمبيوتر يتعلم من أدق خريطة ممكنة للأنسجة. ثم قام الباحثون بتجميع الصور بحيث يتم الاحتفاظ بعدة مناظر لنفس عقدة الطفل معاً، مما منع الكمبيوتر من مجرد حفظ نفس الصورة مرتين. وقسموا البيانات إلى خمس مجموعات، حيث قاموا بتدريب الكمبيوتر على أربع منها واختباره على المجموعة الخامسة، مع التدوير حتى تم اختبار كل صورة. ضمنت هذه الطريقة الصارمة أن النتائج لم تكن مجرد مصادفة ناتجة عن تقسيم محظوظ للبيانات.

بُني نموذج الكمبيوتر الذي صنعوه على بنية متطورة تُعرف باسم "إيفيشينت نت" (EfficientNet)، والتي تم تدريبها مسبقاً على ملايين الصور العامة للتعرف على الأشكال والأنماط. قام الباحثون بتكييف هذا النموذج ليقبل صورة الموجات فوق الصوتية والحد المرسوم من قبل الطبيب كمدخلات له. غدّوا النموذج بآلاف الأمثلة، وتركوه يتعلم الاختلافات البصرية بين العقد الناتجة عن سرطان الدم أو اللمفوما وتلك الناتجة عن العدوى الفيروسية مثل فيروس إبشتاين بار أو الالتهاب العام. لم يقم الكمبيوتر بالتخمين فحسب؛ بل تعلم كيفية وزن الأدلة البصرية، وتعديل إعداداته الداخلية حتى تمكن من الفصل باستمرار بين المجموعتين.

عندما اختبر الباحثون النموذج النهائي على بيانات لم يسبق له رؤيتها من قبل، حقق دقة عالية. ميز النظام بشكل صحيح بين العقد الحميدة والخبيثة في حوالي 86 بالمائة من الحالات، وهو مقياس للأداء يُعرف باسم "المساحة تحت المنحنى". وعند إعداد معين تم اختياره لموازنة الحاجة إلى رصد جميع حالات السرطان مع الحاجة إلى تجنب الإنذارات الكاذبة، كان النموذج صحيحاً في حوالي 78 بالمائة من المرات. لقد حدد بدقة ما يقرب من 77 بالمائة من حالات السرطان الفعلية، مما يعني أنه لم يفت سوى جزء صغير من العقد الخطيرة، بينما حدد بدقة حوالي 80 بالمائة من الحالات الحميدة. يشير هذا المستوى من الأداء إلى أن صور الموجات فوق الصوتية وحدها، دون أي معلومات طبية أخرى، تحتوي على معلومات بصرية كافية لتمكين الآلة من إجراء تمييز موثوق.

كما بحثت الدراسة في كيفية تعامل النموذج مع أنواع مختلفة من السرطان. ووجدت أن الكمبيوتر كان أفضل قليلاً في رصد اللمفوما مقارنة باللوكيميا. وهذا يبدو منطقياً عند النظر إلى الصور: فغالباً ما تمتلك عقد اللمفوما أشكالاً مستديرة ومراكز داكنة مميزة تبرز بوضوح، بينما يمكن أن تبدو العقد المصابة باللوكيميا مثل التورم غير المنتظم والفوضوي المشاهد في حالات العدوى الفيروسية، مما يجعل التفريق بينها أصعب. وبالرغم من هذه الصعوبة، نجح النموذج في فصل حالات اللوكيميا عن الحالات الحميدة بشكل أفضل من الصدفة، حيث كانت درجات الأداء باستمرار فوق 83 بالمائة لجميع المقارنات المحددة.

أشار الباحثون بعناية إلى أن هذه الأداة ليست بديلاً للطبيب. فهي لا تشخص السرطان بمفردها، ولا تحل محل الحاجة إلى الخزعات أو اختبارات الدم عند الاشتباه في وجود سرطان. بدلاً من ذلك، تعمل كعين ثانية، تقدم رأياً موضوعياً حول الصورة نفسها. تم ضبط ثقة الكمبيوتر بحيث عندما يعطي درجة عالية، فمن المرجح جداً أن تكون العقدة خبيثة بالفعل. يمكن أن يساعد هذا أخصائي الأشعة في اتخاذ قرار بشأن ما إذا كان الطفل يحتاج إلى اختبارات عاجلة أخرى أو ما إذا كان يمكن مراقبة التورم بأمان بمرور الوقت. أُجريت الدراسة في مستشفى واحد، ورُسمت الحدود يدوياً من قبل خبراء، مما يعني أن الخطوة التالية هي معرفة ما إذا كان النموذج سيعمل بنفس الكفاءة على الصور من مستشفيات مختلفة وما إذا كان يمكنه العمل مع حدود يتم إنشاؤها تلقائياً.

في نهاية المطاف، يوضح هذا العمل أن اللغة البصرية للموجات فوق الصوتية تحمل أسراراً يمكن فك شفرتها بواسطة الذكاء الاصطناعي الحديث. ومن خلال التركيز حصرياً على الصورة وشكل العقدة، أظهر الباحثون أن الكمبيوتر يمكنه تعلم التمييز بين جسد طفل يصارع فيروساً وجسد طفل يصارع السرطان. وبينما لا يبدو النموذج جاهزاً بعد للاستخدام في كل عيادة، فإن النتائج توفر أساساً قوياً للدراسات المستقبلية. وهي تشير إلى أنه في المستقبل القريب، يمكن للكمبيوتر أن يجلس بجانب طبيب الأطفال، يراجع فحص الموجات فوق الصوتية ويقدم منظوراً قائماً على البيانات يساعد في ضمان عدم تفويت أي حالة خطيرة وعدم خضوع أي طفل لإجراءات غير ضرورية.