الذكاء الاصطناعي الطبي الحيوي · us
الذكاء الاصطناعي في علم الأمراض لا يصبح أدق كلما ازداد حجمه: اختبار واسع لـ32 نموذجًا تأسيسيًا يكشف فجوة التعميم
تُظهر مقارنة شملت 41 مهمة في علم أمراض السرطان أن النماذج المدرَّبة خصيصًا على صور علم الأمراض تحقق أداءً قويًا عمومًا، لكن لا يوجد فائز واحد؛ إذ تتغير التصنيفات عند الانتقال بعيدًا عن البيانات المألوفة، كما أن حجم النموذج ليس دليلًا موثوقًا للاختيار.
لا يتمثل التحدي الحقيقي في علم الأمراض الرقمي في جعل الذكاء الاصطناعي يحقق درجات مرتفعة على مجموعة من الشرائح فحسب، بل في معرفة ما إذا كان سيظل قادرًا على القراءة بدقة عند الانتقال إلى مستشفى آخر، أو نوع مختلف من الأنسجة، أو سؤال سريري مختلف. قارنت دراسة معيارية واسعة النطاق نُشرت في مجلة 《Nature Communications》 بين 32 نموذجًا تأسيسيًا، وأظهرت النتائج أنه رغم القوة العامة للنماذج المتخصصة في علم الأمراض، فإن أداءها يتغير باختلاف البيانات والمهام، ولا يوجد نموذج متفوق يصلح لجميع الحالات.
شملت الدراسة 41 مهمة على مستوى الشرائح الكاملة والصور الموضعية، باستخدام بيانات من أطلس جينوم السرطان TCGA، واتحاد التحليل البروتيني السريري للأورام CPTAC، إلى جانب مجموعات بيانات خارجية وعابرة للمجالات. وتضمنت المهام تصنيف الأورام، والأنماط الفرعية الجزيئية، وتحديد مراحل الأورام، والتنبؤ بالمسارات البيولوجية؛ أي إن الذكاء الاصطناعي لم يكن مطالبًا بالتعرف على مظهر الأنسجة فحسب، بل أيضًا باستنتاج معلومات من الشرائح المصبوغة ترتبط بالتشخيص أو الإنذار أو العلاج الدقيق.
قسّم الفريق النماذج إلى أربع فئات: نماذج الرؤية العامة، ونماذج الرؤية واللغة العامة، ونماذج الرؤية المتخصصة في علم الأمراض، ونماذج الرؤية واللغة المتخصصة في علم الأمراض. وفي مهام TCGA، جاءت نماذج الرؤية المتخصصة في علم الأمراض، مثل Virchow2 وProv-GigaPath وH-optimus-0 وUNI، مرارًا ضمن المراتب الأولى. وبوجه عام، تفوقت هذه الفئة على نماذج الرؤية واللغة الخاصة بعلم الأمراض، واستطاعت منافسة نماذج الرؤية العامة؛ لكن الفروق بين أفضل النماذج كانت غالبًا طفيفة، واعتمدت على المهمة المحددة.
بمجرد انتقال التقييم إلى CPTAC وإلى بيانات خارجية ذات توزيعات مختلفة، شهد ترتيب النماذج تحولات محدودة الحجم لكنها ظلت ظاهرة باستمرار. ويعكس ذلك مشكلة «انزياح المجال» الشائعة في الذكاء الاصطناعي لعلم الأمراض: فقد تؤدي تغييرات طفيفة في إجراءات الصبغ، وأجهزة المسح، وتركيبة المرضى، ومصادر الأنسجة إلى تغيير خصائص الصور، ما قد يفقد النموذج المتصدر تفوقه. لذلك، لا يمكن مساواة تحقيق درجة مرتفعة في قاعدة بيانات واحدة شائعة مباشرةً بالموثوقية السريرية عبر المستشفيات.
كما أضعفت الدراسة الحدس القائل إن «النموذج الأكبر والذي اطّلع على بيانات أكثر لا بد أن يكون أفضل». فلم يكن حجم معاملات النموذج ولا كمية بيانات التدريب المسبق قادرين على التنبؤ بصورة مستقرة بالأداء في المهام اللاحقة، ولا سيما خارج TCGA. وقد تكون أنواع الأنسجة التي تغطيها بيانات التدريب، ومدى تنوع الحالات، وكيفية معالجة بنية النموذج لصور علم الأمراض، أكثر أهمية من مجرد زيادة الحجم؛ إلا أن هذه المقارنة لا تستطيع بعد تفكيك التأثير السببي لكل عامل.
جاءت إشارة أكثر عملية من تجميع النماذج. فقد دمجت الدراسة تنبؤات عدة نماذج متميزة باستخدام الدمج المتأخر، ما أدى إلى تحسين الأداء الإجمالي على مجموعات البيانات الخارجية وعبر أنواع مختلفة من الأنسجة، وأظهر أن المعلومات البصرية التي تتعلمها النماذج المختلفة متكاملة. غير أن الثمن يتمثل في زيادة تعقيد النشر ومتطلبات الحوسبة، كما يتعين على المؤسسات الطبية تحديد كيفية تتبع النتائج وتفسيرها عند تعارض آراء النماذج.
توسعت هذه الدراسة من مسودة أولية شملت 31 نموذجًا في عام 2025 إلى مقارنة بين 32 نموذجًا في البحث النهائي. كما أُتيحت الشيفرة والبيانات الخاصة بالنماذج وبيئة التقييم علنًا، وحُفظت بإصدارات محددة، ما يزيد إمكانات إعادة إنتاج النتائج وإجراء اختبارات لاحقة. ومع ذلك، لا تعادل النتائج المعيارية المستندة إلى بيانات عامة بأثر رجعي تحققًا سريريًا استباقيًا. ولكي تدخل النماذج في مسار التشخيص والعلاج، لا يزال يتعين اختبارها بصورة مستقلة في المستشفى المستهدف وبين فئات المرضى المعنية، ومواصلة مراقبة انحراف البيانات، وبناء الأدلة اللازمة لضبط الجودة وتحديد المسؤوليات والرقابة التنظيمية.