→ العودة إلى الصفحة الرئيسية

الذكاء الاصطناعي يساعد في قراءة خزعات البروستاتا ويرفع دقة أطباء علم الأمراض المقيمين الأقل خبرة إلى 75%

تشير دراسة شملت 15 طبيبًا مقيمًا إلى أن علامات الذكاء الاصطناعي قد تساعد القرّاء الأقل خبرة على تمييز الآفات. لكن جميع المشاركين قرؤوا الشرائح بأنفسهم أولًا، ثم اطّلعوا على تلميحات الذكاء الاصطناعي، لذا لا يزال من غير الممكن فصل مقدار التحسن الناجم عن إعادة الفحص.

By SURL BioNews

يتطلب اكتشاف السرطان في خزعات البروستاتا بالإبرة من أطباء علم الأمراض المقيمين إصدار أحكام استنادًا إلى تفاصيل دقيقة في البنية النسيجية. فهل تصبح القراءة أكثر دقة عندما تظهر على الشاشة مناطق مشتبه بها يحددها الذكاء الاصطناعي؟ رصدت دراسة جديدة تحسنًا أكبر لدى الأطباء المقيمين الأقل خبرة عند استخدام المساعدة؛ لكن نتائجها تترك أيضًا سؤالًا حول مقدار إسهام كل من «تلميحات الذكاء الاصطناعي» و«إعادة النظر مرة أخرى» في هذا التحسن.

شملت هذه الدراسة المحكّمة، المنشورة في 4 نوفمبر في مجلة «BMC Medical Education»، 15 طبيبًا مقيمًا في علم الأمراض من السنة الأولى إلى الثالثة، قرؤوا 186 صورة رقمية لشرائح كاملة من خزعات البروستاتا بالإبرة. وكانت 104 شرائح تُظهر سرطانًا غديًا، و75 حميدة، و7 تُظهر تكاثرًا لانمطيًا للعنيبات الصغيرة. وقدّمت المنصة الرقمية تلميحات لمناطق الورم وعلامات لأنماط غليسون النسيجية، ليستعين بها الأطباء أثناء القراءة.

قسّمت الدراسة المشاركين بحسب خبرتهم السابقة في علم أمراض الجهاز البولي والتناسلي. وارتفعت الدقة المرصودة لدى الأقل خبرة من 62.3% إلى 75.1%، بزيادة تقارب 13 نقطة مئوية؛ بينما ارتفعت لدى الأكثر خبرة من 77.9% إلى 83.0%. وتحسن أداء المجموعتين عند القراءة بمساعدة الأداة، وتقلصت الفجوة السابقة بينهما. وأشار تقرير Scienmag عن الدراسة نفسها أيضًا إلى أن هذه النتيجة تعكس الأداء أثناء استخدام الأداة، ولا يمكن اعتبارها مباشرةً دليلًا على أثر التدريب.

لم تكن جميع التغييرات التي أحدثتها تلميحات الذكاء الاصطناعي في اتجاه الإجابة الصحيحة. فقد سجّلت الدراسة تصحيح 307 قراءات بمساعدة الأداة من أصل 786 قراءة كانت خاطئة في البداية؛ وفي المقابل، تحولت 75 قراءة إلى قراءات خاطئة من أصل 1,913 قراءة كانت صحيحة في البداية. وتُظهر هذه الأرقام أن تقييم أدوات المساعدة يتطلب، إلى جانب حساب عدد الأخطاء التي تصححها، النظر فيما إذا كانت تُبعد القرّاء عن أحكامهم الصحيحة الأصلية.

يكمن القيد الأهم في ترتيب القراءة: فقد قرأ جميع الأطباء المقيمين الشرائح بصورة مستقلة أولًا، ثم أعادوا النظر في الشرائح نفسها بمساعدة الذكاء الاصطناعي. وبسبب ثبات هذا الترتيب، تداخلت آثار الفحص الثاني، مثل الألفة مع الصور وإعادة التفكير، مع أثر الذكاء الاصطناعي نفسه. لذلك، رغم أن ارتفاع الدقة كان ظاهرة رُصدت في الدراسة، فلا يمكن نسبته بالكامل إلى الذكاء الاصطناعي.

كذلك لم تقس الدراسة التعلّم والاحتفاظ بالمعلومات، ولا يمكنها الإجابة عما إذا كان الأطباء المقيمون سيظلون أفضل في القراءة لاحقًا عند غياب التلميحات. ولا يمكن أيضًا ترجمة الأداء التشخيصي على الشرائح مباشرةً إلى نتائج علاج المرضى أو نتائجهم الصحية. وكشفت الورقة أيضًا أن بعض المؤلفين ينتمون إلى NovinoAI، التي طورت المنصة ونموذج الذكاء الاصطناعي الخاضعين للاختبار؛ وسيساعد التحقق المستقل لاحقًا في تحديد مدى قابلية تعميم النتائج.

تقدّم هذه الدراسة اتجاهًا ملموسًا: فقد تصبح علامات الذكاء الاصطناعي وسيلة لدعم القراءة في بيئة التدريب على علم الأمراض، ولا سيما لمساعدة الأقل خبرة. ولتأكيد فائدتها المستقلة، تتطلب الخطوة التالية اعتماد ترتيبات مختلفة للقراءة، ومتابعة الأداء بعد سحب المساعدة، لتوضيح ما إذا كانت الأداة تقدّم قرائن أثناء استخدامها فحسب، أم أنها تساعد الأطباء أيضًا على بناء قدرات تشخيصية مستدامة.

References

  1. BMC Medical Education
  2. Scienmag