Automated Classification of AML and Multiple Myeloma from Blood Smear Whole Slide Images using Deep Neural Networks
تقدم هذه الورقة البحثية مساراً للتعلم العميق غير خاضع للإشراف بالكامل يحقق دقة تشخيصية عالية في تصنيف ابيضاض الدم النقوي الحاد والورم النخاعي المتعدد من صور الشرائح الكاملة للامسحات الدموية عبر الجمع بين كشف حواف "سوبل"، ونموذج الخليط الغاوسي، والتعلم بنقل المعرفة القائم على نموذج "VGG16" دون الحاجة إلى تعليقات توضيحية يدوية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم تشخيص الأمراض الهادئ وعالي المخاطر، يعتمد أخصائيو علم الأمراض (الباثولوجيا) غالبًا على الأداة الأكثر جوهرية المتاحة: المجهر. فعندما تظهر على مريض أعراض سرطان الدم، يأخذ الطبيب قطرة صغيرة من الدم، ويفردها على شريحة زجاجية، ويصبغها بصبغات ملونة للكشف عن البنية الخفية للخلايا. يترك نوعان عدوانيان للغاية من سرطان الدم، وهما سرطان الدم النخاعي الحاد والورم النخاعي المتعدد، بصمات مميزة في هذه المناظر الخلوية. ولعقود من الزمن، كانت العيون البشرية المدربة هي المعيار الذهائي لقراءة هذه الشرائح، حيث تحدد الاختلافات الدقيقة في شكل الخلايا وترتيبها التي تشير إلى المرض. ومع ذلك، بدأ الطب الحديث في رقمنة هذه العملية، من خلال إنشاء صور رقمية ضخمة وعالية الدبقة لشرائح كاملة. هذه الملفات الرقمية كبيرة جدًا بحيث تُقاس بالجيجابكسل، وهي تحتوي على ملايين التفاصيل الصغيرة التي تفوق قدرة البرامج الحاسوبية التقليدية. وكان التحدي الذي واجه العلماء هو تعليم الحواسيب رؤية ما يراه أخصائي علم الأمراض البشري داخل هذه الملفات الضخمة دون الضياع في الحجم الهائل للبيانات أو الحاجة إلى تدخل بشري للإشارة يدويًا إلى كل خلية على حدة.
لقًد طور فريق من الباحثين في جامعة لويس طريقة جديدة لحل هذه المشكلة، حيث ابتكروا نظامًا يمكنه التمييز تلقائيًا بين سرطان الدم النخاعي الحاد والورم النخاعي المتعدد من هذه الشرائح الرقمية الضخمة لدم دون أي مساعدة بشرية. وبدلاً من محاولة تحليل الصورة العملاقة بأكملها دفعة واحدة، وهو أمر يفوق قدرة الحاسوب على المعالجة، قام الباحثون بتجزئة المشكلة إلى قطع أصغر يمكن التحكم فيها. لقد عاملوا الشريحة الرقمية كأنها فسيفساء عملاقة وقسموها إلى آلاف المربعات الصغيرة (بلاطات). كانت الخطوة الأولى هي تعليم الحاسوب تجاهل المساحات الفارغة؛ فتمامًا كما يتجاهل الإنسان الهوامش البيضاء الفارغة في الصفحة للتركيز على النص، استخدم الباحثون مرشحًا رياضيًا لتسليط الضوء على حواف الأجسام داخل الصورة. هذا المرشح، المعروف باسم "كاشف حواف سوبل" (Sobel edge detector)، يعمل مثل قلم التحديد، حيث يتتبع الخطوط الخارجية للخلايا والأنسجة مع إخفاء الخلفية الفارغة والحواف الداكنة للشريحة نفسها.
بمجرد أن حدد الحاسوب المربعات التي تحتوي على مواد بيولوجية فعلية، استخدم طريقة "التجميع" (clustering) لفصل المربعات المفيدة عن غير المفيدة. تشبه هذه العملية فرز كيس مختلط من الكرات الملونة حسب اللون دون إخبارك ماهية تلك الألوان؛ حيث نظر الحاسوب إلى أنماط الحواف في كل مربع وجمعها معًا بناءً على التشابه. سمح هذا النهج غير الخاضع للإشراف للنظام بالتخلص تلقائيًا من المربعات التي كانت مجرد خلفية فارغة أو عيوب في الصورة، تاركًا وراءه مجموعة نظيفة من المربعات المملوءة بالبنى الخلوية. ومن المجموعة الأصلية المكونة من أربع وثلاثين شريحة رقمية، أسفرت عملية التصفية هذه عن ما يقرب من 385,000 مربع معلوماتي يحتوي على خلايا، مع استبعاد أكثر من 154,000 مربع لا تقدم أي قيمة تشخيصية.
ومع امتلاك مجموعة منتقاة من هذه المربعات الخلوية، اتجه الباحثون بعد ذلك إلى أداة قوية تسمى "تعلم النقل" (transfer learning) لتعليم الحاسوب كيفية التمييز بين المرضين. لقد استخدموا نموذجًا موجودًا مسبقًا للتعلم العميق، تم تدريبه في الأصل على ملايين الصور اليومية للقطط والكلاب والسيارات، وأعادوا توظيفه ليتطلع إلى خلايا الدم. ولأن الحاسوب قد تعلم بالفعل كيفية التعرف على الأشكال والأنماط والأنسجة المعقدة من تدريبه على الصور العامة، فقد استطاع التكيف بسرعة مع المهمة المحددة المتمثلة في تحديد خلايا سرطان الدم دون الحاجة إلى قاعدة بيانات ضخمة من الصور الطبية المصنفة. قام الباحثون بتغذية المربعات المختارة في هذا النظام، الذي استخرج ميزات عميقة وخفية من الصور ومررها إلى شبكة عصبية مصممة خصيصًا لاتخاذ القرار النهائي. تعلمت هذه الشبكة التعرف على الاختلافات الشكلية الدقيقة بين النوعين من السرطان، لتصبح فعليًا مصنفًا خبيرًا.
كانت نتائج هذا المسار الآلي دقيقة بشكل ملحوظ. فعند اختباره على مجموعة من المربعات التي لم يرها من قبل، حدد النظام نوع السرطان بدقة تقارب سبعة وتسعين بالمائة في معظم الحالات. لقد كان فعالًا للغاية في رصد المرض عند وجوده، وكان بارعًا بنفس القدر في التأكيد عند غيابه، مما قلل من خطر الإنذارات الكاذبة. وللتأكد من أن الحاسوب لا يقوم بمجرد التخمين، استخدم الباحثون تقنية تصور تسلط الضوء على الأجزاء التي كان النموذج ينظر إليها بالضبط عندما اتخذ قراره. أظهرت هذه الخرائط المرئية أن النظام كان يركز على البنى الخلوية الفعلية، وهي ذات الميزات التي يفحصها أخصائي علم الأمراض البشري، وليس على الضوضاء العشوائية أو الأجزاء غير ذات الصلة من الشريحة.
يُظهر هذا العمل أنه من الممكن بناء أداة تشخيصية عالية الدقة لسرطان الدم باستخدام عملية مؤتمتة بالكامل لا تتطلب تصنيفًا يدويًا للصور من قبل الأطباء. فمن خلال الجمع بين كشف الحواف للعثور على الخلايا، والتجميع لتنقية البيانات، وتعلم النقل لاستخراج الميزات، أنشأ الباحثون مسارًا يتفوق على العديد من الطرق الموجودة التي تعتمد على تقنيات أقدم وأقل تطورًا. وتشير الدراسة إلى أنه حتى مع عدد قليل نسبيًا من عينات المرضى، يمكن تحقيق دقة تشخيصية عالية إذا تمت معالجة البيانات بشكل صحيح. ومع ذلك، يحرص المؤلفون على ملاحظة أن هذا النظام مصمم لمساعدة المهنيين الطبيين، وليس لاستبدالهم. فقد تم تدريب واختبار النموذج الحالي على مربعات مأخوذة من نفس مجموعة الشرائح، مما يعني أنه لم يتم إثبات عمله بعد على مرضى جدد تمامًا من مستشفيات مختلفة أو باستخدام طرق صبغ مختلفة. وبينما تظهر هذه التكنولوجيا وعودًا كبيرة لمستقبل علم الأمراض الرقمي، يؤكد الباحثون أن إجراء المزيد من الاختبارات على مجموعات مستقلة من المرضى ضروري قبل أن يمكن استخدام مثل هذه الأداة في بيئة سريرية حقيقية لتوجيه قرارات العلاج.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.