Joint Classification and Supervised Contrastive Representation Learning for Cervical Cancer Detection in Histopathological Images

في عالم التشخيص الطبي الهادئ وعالي المخاطر، يعمل أخصائيو الأمراض كحراس نهائيين لعلاج السرطان. فهم يفحصون شرائح رقيقة من الأنسجة تحت مجاهر قوية، بحثاً عن تغيرات دقيقة في أشكال الخلايا وترتيباتها التي تشير إلى وجود المرض. وبالنسبة لسرطان عنق الرحم، تعد هذه العملية بالغة الأهمية؛ إذ إن اكتشاف المرض مبكراً يمكن أن ينقذ الأرواح، لكن المهمة صعبة للغاية. فالعينات النسيجية معقدة، وغالباً ما تبدو متشابهة بشكل مخادع سواء كانت سليمة أو مصابة بالمرض، ويمكن أن تكون الفروق البصرية ضئيلة جداً. ولمساعدة الخبراء البشر، لجأ العلماء إلى الذكاء الاصطناعي، حيث قاموا بتعليم الحواسيب كيفية التعرف على هذه الأنماط. ومع ذلك، غالباً ما تعاني النماذج الحاسوبية القياسية مع الواقع الفوضوي للصور الطبية، حيث تختلف الإضاءة، وتتنوع الصبغات، ويمكن للأنسجة السليمة أن تبدو غير منتظمة بشكل مفاجئ. والهدف ليس مجرد جعل الحاسوب يخمن الإجابة الصحيحة، بل تعليمه فهم الاختلافات الهيكلية العميقة بين الخلية السليمة والخلية السرطانية، مما يخلق خريطة ذهنية حيث تُجمع الأشياء المتشابهة معاً وتُدفع الأشياء المختلفة بعيداً.

لقد طور فريق من الباحثين طريقة جديدة لمساعدة الحواسيب على التنقل في هذا التعقيد البصري. فقد أنشأوا نظاماً مصمماً لقراءة الصور النسيجية لعنق الرحم والتمييز بين الأنسجة الطبيعية والأنسجة المصابة بالسرطان. وبدلاً من الاعتماد على طريقة واحدة للتعلم، جمعوا بين استراتيجيتين مختلفتين. الأولى هي النهج التقليدي، حيث يُقال للحاسوب ببساً الإجابة الصحيحة لكل صورة ويحاول تقليل أخطائه. أما الاستراتيجية الثانية، الأكثر تقدماً، فتسمى "التعلم التبايني الخاضع للإشراف". هذه التقنية تجبر الحاسوب على النظر بعمق أكبر، حيث تتعلم سحب الصور من النوع نفسه لتقترب من بعضها البعض في ذاكرتها الداخلية، بينما تدفع الصور من الأنواع المختلفة بعيداً. تخيل هذه العملية مثل تنظيم مكتبة: الطريقة التقليدية تضمن وضع كل كتاب على الرف الصحيح، بينما تضمن الطريقة التباينية تكدّس الكتب التي تتناول نفس الموضوع بجانب بعضها البعض بدقة، مما يجعل من السهل العثور عليها وتمييزها عن المجلدات غير ذات الصلة. ومن خلال استخدام كلا الطريقتين في وقت واحد، هدف الباحثون إلى إنشاء نموذج لا يتميز بالدقة فحسب، بل يفهم أيضاً المشهد البريئي للأنسجة التي يفحصها.

اختبر الفريق نظامهم باستخدام مجموعة محددة من الصور تُعرف باسم مجموعة بيانات "CAISHI"، والتي تحتوي على 2,240 صورة عالية الدقة لأنسجة عنق الرحم مأخوذة من مستشفى في الصين. وقد تم تصنيف هذه الصور بعناً من قبل أخصائيي أمراض خبراء، حيث يظهر بعضها غدداً طبيعية والبعض الآخر يظهر تغيراً سابقاً للسرطان محدداً يسمى "السرطان الغدي في موضع الأصل" (adenocarcinoma in situ). ولضمان موثوقية نتائجهم، لم يكتفِ الباحثون باختبار النموذج مرة واحدة، بل قسموا البيانات إلى خمس مجموعات مختلفة، حيث تم تدريب النظام على أربع مجموعات واختباره على المجموعة الخامسة، مع تكرار هذه العملية حتى تم استخدام كل صورة في الاختبار. وكشفت هذه المنهجية الصارمة أن طريقتهم المدمجة حققت متوسط دقة بلغ 96.90 بالمئة. وكان هذا الأداء ثابتاً بشكل ملحوظ عبر جميع الاختبارات الخمسة، مع تباين ضئيل جداً، مما يشير إلى أن النموذج مستقر وليس مجرد ضربة حظ مع مجموعة محددة من الصور. كما أظهر النظام دقة واستدعاءً عاليين، مما يعني أنه نادراً ما فاتته حالة سرطانية ونادراً ما صنف الأنسجة السليمة على أنها سرطانية.

ولفهم سبب نجاح هذه الطريقة الجديدة، أجرى الباحثون سلسلة من التجارب حيث قاموا بإزالة أو تغيير أجزاء محددة من نظامهم. ووجدوا أنه إذا اعتمدوا فقط على الطريقة التقليدية للتعلم، فإن الدقة تنخفض قليلاً، مما يثبت أن مكون التعلم التبايني كان ضرورياً لنجاح النموذج. كما اختبروا إعدادات مختلفة للعثور على التوازن المثالي بين استراتيجيتي التعلم. واكتشفوا أن إعطاء وزن محدد ومتوسط لجزء التعلم التبايني حقق أفضل النتائج، في حين أن إعطاءه وزناً كبيراً جداً أدى في الواقع إلى الإضرار بأداء النموذج. أظهر هذا الضبط الدقيق أن الطريقتين تعملان بشكل أفضل عندما يدعم كل منهما الآخر بدلاً من التنافس. علاوة على ذلك، استخدم الباحثون أداة تصور لرؤية الأجزاء التي يركز عليها الحاسوب في الصور. فعند النظر إلى الأنسجة السليمة، سلط الحاسوب الضوء على مناطق واسعة ومنتظمة. وعند النظر إلى الأنسجة السرطانية، ركز على بقع صغيرة ومضيئة وغير منتظمة تتوافق مع الهياكل الخلوية الكثيفة والفوضوية النموذجية للمرض. وقد أكد هذا أن النموذج لم يكن يخمن بناءً على الضوضاء الخلفية، بل كان يحدد بالفعل السمات البيولوجية ذات الصلة.

يضع هذا البحث نهجه الجديد في سياق الطرق المستخدمة للكشف عن سرطان عنق الرحم. فقد حققت المحاولات السابقة باستخدام تقنيات تعلم آلي قديمة أو نماذج تعلم عميق قياسية دون العنصر التبايني معدلات دقة أقل. وحتى بعض النماذج المتقدمة التي تستخدم أنواعاً مختلفة من الشبكات العصبية واجهت صعوبة في مضاهاة أداء هذا النهج المدمج. وأشار الباحثون إلى أنه بينما يعد نظامهم فعالاً للغاية، فقد تم اختباره على مجموعة بيانات واحدة محددة فقط. وهذا يعني أنه بينما النتائج قوية، إلا أن النموذج لا يزال بحاجة إلى الاختبار على صور من مستشفيات مختلفة ومع تقنيات صبغ مختلفة لضمان عمله في كل مكان. ورغم هذا القصور، تشير النتائج إلى أن تعليم الحواسيب كيفية تنظيم المعلومات البصرية حسب التشابه، بالإضافة إلى مجرد حفظ الملصقات، يخلق أداة أكثر قوة وموثوقية للتشخيص الطبي. ويقدم هذا العمل مساراً واعداً لمستقبل الذكاء الاصطناعي في علم الأمراض، متجاوزاً مجرد مطابقة الأنماط البسيطة إلى فهم أعمق للأدلة البصرية التي تحدد المرض.