→ العودة إلى الصفحة الرئيسية

التعبير الجيني يعلّم الذكاء الاصطناعي قراءة الشرائح: PathLUPI يستكشف التنبؤ بالخصائص الجزيئية للسرطان

بالاستعانة ببيانات النسخ الجيني أثناء التدريب، والاكتفاء بالصور النسيجية المرضية عند التنبؤ، يحاول PathLUPI استخلاص مؤشرات جزيئية للسرطان من شكل الأنسجة. وتُظهر النتائج عبر مجموعات المرضى إمكانات واعدة، كما تكشف عن تفاوت بين المستشفيات والواسمات.

By SURL BioNews

قد تحمل الأورام التي تبدو متشابهة تحت المجهر تغيرات جزيئية مختلفة، تؤثر في اختيار العلاج وتقدير المآل المرضي. ويمكن للفحوص الجزيئية توفير هذه المعلومات، لكنها تتطلب وقتًا وموارد إضافية. وقد طوّر فريق من جامعة هونغ كونغ للعلوم والتكنولوجيا PathLUPI، في محاولة لتمكين الذكاء الاصطناعي من تمييز هذه الاختلافات من الشرائح النسيجية المرضية الروتينية؛ ووفقًا لإعلان الفريق البحثي في 2 نوفمبر، نُشرت النتائج في مجلة «Nature Communications».

يكمن جوهر هذه الطريقة في إتاحة مجموعة إضافية من البيانات للنموذج أثناء التعلم: بيانات النسخ الجيني التي تعكس نشاط الجينات. وقد قرن الباحثون صور الأنسجة ببيانات التعبير الجيني للمريض نفسه، لتوجيه النموذج نحو تعلّم العلاقة بين الشكل النسيجي والمسارات الجزيئية، ثم نقل هذه المؤشرات إلى فرع من النموذج لا يستقبل سوى الصور. وبعد اكتمال التدريب، يمكن تحليل صور الشرائح الكاملة لمرضى جدد دون الحاجة إلى توفير بيانات النسخ الجيني الخاصة بهم في الوقت نفسه.

بحسب الأرقام الرسمية للدراسة الواردة في الإعلان، شمل التقييم 20 مجموعة مرضى و11,361 مريضًا و49 مهمة في علم الأورام الجزيئي، وبلغت المساحة تحت المنحنى (AUC) 0.80 أو أكثر في 18 مهمة تتعلق بالواسمات الحيوية أو التصنيف إلى أنماط جزيئية. وتقيس AUC قدرة النموذج على التمييز بين الحالات المختلفة، ولا يمكن تفسيرها مباشرة على أنها تعني تصنيف 80% من المرضى بصورة صحيحة، كما لا يمكن الاستناد إليها للحكم بأن النموذج أصبح كافيًا لتوجيه اختيار الأدوية.

وأظهرت الاختبارات عبر مجموعات المرضى على وجه الخصوص أن الأداء يعتمد على ما يُراد التنبؤ به. فقد انخفضت AUC للتنبؤ بطفرات BRAF في سرطان القولون والمستقيم من 0.840 في الاختبار الداخلي إلى 0.655 في الاختبار الخارجي؛ بينما بلغت في التنبؤ بطفرات IDH1 في الأورام الدبقية 0.992 و0.920 على التوالي. وتذكّر هذه الفروق بأن الأداء المتميز في مهمة معينة لا يضمن استمرار الموثوقية عند الانتقال إلى سرطان آخر أو واسم آخر أو مصدر آخر للعينات.

ويجب أيضًا التمييز بين نسخ البيانات. فالمسودة البحثية التي أتاحها Cheng Jin وآخرون على arXiv في يونيو 2025 قيّمت كذلك 49 مهمة و20 مجموعة مرضى، لكنها أوردت 11,257 حالة، و14 مهمة بلغت فيها AUC 0.80 أو أكثر. وتعتمد هذه المقالة الأرقام الواردة في أحدث إعلان للفريق البحثي؛ ويمكن للمسودة المبكرة أن تدعم توثيق المنهجية وسياق البحث، لكن لا ينبغي الخلط بين إحصاءات النسختين.

يوفر مستودع الشفرة الرسمي أوزان النموذج وتعليمات إجراء الاستدلال، ويميّز بوضوح بين متطلبات التدريب والاستخدام: إذ يتطلب التدريب سمات نسيجية مرضية مقترنة ببيانات النسخ الجيني، بينما لا يتطلب الاستدلال بيانات النسخ الجيني أو ملفات بيانات المسارات. وهذا يتيح لباحثين آخرين فرصة إعادة إنتاج النتائج وفحصها، لكن إتاحة الشفرة والنموذج للعامة لا تعني اكتمال التحقق من الأداء السريري.

تتمثل الإمكانية العملية التي يطرحها PathLUPI في البحث عن مزيد من المعلومات الجزيئية داخل الصور النسيجية المرضية المتاحة، بما قد يساعد مستقبلًا في ترتيب الفحوص اللاحقة. ومع ذلك، لم يثبت حتى الآن أنه يستطيع تحسين القرارات أو نتائج المرضى ضمن سير عمل سريري استباقي. وللوصول إلى العيادات، لا يزال من الضروري تحديد المستويات المقبولة من الحالات التي يفوت النموذج اكتشافها ومن التصنيفات الخاطئة لكل استخدام، وكذلك التحقق مما إذا كان النموذج قادرًا على الحفاظ على أداء مستقر بما يكفي عند تطبيقه في مستشفيات مختلفة.

References

  1. Hong Kong University of Science and Technology, Smart Lab
  2. arXiv
  3. ChengJin-git / GitHub