كشفت دراسة جديدة أن تدريب أنظمة الذكاء الاصطناعي على محاكاة الطريقة التي يتبعها أطباء علم الأمراض في البحث عن علامات السرطان قد يعزز قدرتها على تحديد المناطق المشبوهة داخل عينات الأنسجة.
ويعتمد كثير من أنظمة الذكاء الاصطناعي في علم الأمراض على تقسيم شريحة الأنسجة إلى أجزاء ثابتة وتحليلها، بينما يتبع الأطباء نهجاً أكثر مرونة، يبدأ بمسح الشريحة بصورة عامة، ثم تغيير مستوى التكبير والتنقل بين المناطق المختلفة قبل التركيز على الأجزاء التي تبدو غير طبيعية.
وتكتسب هذه الطريقة أهمية خاصة لأن الشرائح النسيجية قد تحتوي على مليارات البكسلات، في حين أن العلامات الدالة على وجود السرطان قد تكون محصورة في مساحة صغيرة للغاية.
وطوّر باحثون بقيادة تشي هوانغ، الأستاذ المساعد في علم الأمراض وطب المختبرات بجامعة بنسلفانيا، طريقة لتدريب الذكاء الاصطناعي على سلوك الأطباء أثناء فحص الشرائح، بدلاً من تدريبه فقط على النتائج النهائية التي يتوصلون إليها.
وجمع الباحثون بيانات من ثمانية أطباء متخصصين، وسجلوا تحركاتهم داخل الشرائح ومستويات التكبير التي استخدموها أثناء البحث عن المناطق المشبوهة، مع التركيز على السلوكيات التي تعكس اهتماماً فعلياً بمنطقة معينة، مثل التوقف لفترة أطول أو العودة إلى المنطقة وفحصها بشكل متكرر.
كما قارن الباحثون هذه البيانات بتتبع حركة العين، للتأكد من أن النظام يتعلم المناطق التي ركز عليها الأطباء بالفعل، وطلبوا من نموذج الذكاء الاصطناعي تقديم تفسير مختصر لأهمية كل منطقة، مع إتاحة المجال للأطباء لقبول التفسير أو تعديله أو رفضه.
وبناءً على هذه البيانات، طوّر الباحثون نظاماً أطلقوا عليه اسم “باثولوجي أو 3″، يبدأ بمسح الشريحة بدقة منخفضة، ثم يحدد المناطق التي تستحق فحصاً أكثر دقة، ويرسل صوراً عالية الدقة لهذه المناطق إلى نموذج ذكاء اصطناعي لتحليلها.
واختبر الباحثون النظام على شرائح تحتوي على أنسجة من العقد الليمفاوية لدى مرضى مصابين بسرطان القولون والمستقيم، وقارنوا أداءه بنموذج “أو 3” من شركة “أوبن إيه آي”.
وتمكن النظام المطوّر من تحديد جميع الشرائح التي تحتوي على السرطان، محققاً دقة بلغت 100% في اكتشاف الحالات الإيجابية، إلا أن 15.5% من الشرائح التي صنفها على أنها إيجابية كانت خالية من السرطان.
في المقابل، حقق نموذج “أو 3” دقة بلغت 87.5% في تحديد الشرائح المصابة، بينما كانت 53.3% من الشرائح التي صنفها على أنها إيجابية سلبية في الواقع.
وعند اختبار النظام على مجموعة بيانات مستقلة لم يسبق له التعامل معها، بلغت دقته في تحديد الشرائح المصابة بالسرطان 97.6%، فيما بلغت نسبة الحالات السلبية التي صنفها على أنها إيجابية 37.1%.
ويرى الباحثون أن ارتفاع النتائج الإيجابية الكاذبة قد يكون مرتبطاً بتصميم النظام، الذي يميل إلى اختيار أكبر عدد ممكن من المناطق التي تستحق فحصاً إضافياً بهدف تقليل احتمال تفويت علامات السرطان.
وأكد محمد أسدي، عالم البيانات في جامعة ستانفورد، أن النتائج تشير إلى إمكانية استخدام النظام مع شرائح من مصادر مختلفة، لكنه شدد على أن الدراسة لا تثبت حتى الآن أن الأطباء سيصبحون أكثر دقة أو سرعة عند استخدامه.
ولا تهدف الدراسة إلى إثبات قدرة النظام على التفوق على أطباء علم الأمراض أو تشخيص السرطان بصورة مستقلة، وإنما إلى اختبار ما إذا كان تعليم الذكاء الاصطناعي طريقة بحث الطبيب يمكن أن يحسن أداءه.
ويرى هوانغ أن القيمة الأساسية لهذا النهج تكمن في الاستفادة من بيانات متوافرة بالفعل داخل المستشفيات، لكنها لم تُستخدم بصورة كافية في تدريب أنظمة الذكاء الاصطناعي.
ويخطط الباحثون لإجراء تجارب لاحقة لمعرفة ما إذا كان استخدام النظام إلى جانب أطباء علم الأمراض يمكن أن يساعدهم على اكتشاف عدد أكبر من حالات السرطان والعمل بسرعة أكبر.
ويشير أسدي إلى أن الاستخدام الأكثر منطقية للنظام في الوقت الحالي هو كأداة للفحص الأولي، توجه الطبيب إلى المناطق التي تستحق مزيداً من التدقيق، مع ضرورة إجراء تجارب في مستشفيات متعددة لقياس الدقة والسرعة وحجم الإنذارات الكاذبة وعبء العمل الذي قد يضيفه النظام إلى الأطباء.
كما لا يزال النظام محدوداً مقارنة بعملية التشخيص الكاملة، التي قد تتطلب تحليل عدة شرائح واستخدام تقنيات تلوين مختلفة، إلى جانب الاطلاع على التاريخ الطبي للمريض. لذلك يؤكد هوانغ أن الهدف ليس أن يتولى الذكاء الاصطناعي تشخيص السرطان بمفرده.
المصدر : وكالات
