التكنولوجيا الطبية · global
نظرة إضافية إلى صور الكبد: LiON يساعد في قراءة الصور ويكشف 15 آفة خبيثة فات تشخيصها
أدخلت تجربة استباقية شملت أكثر من عشرة آلاف شخص الذكاء الاصطناعي لتصوير الكبد إلى سير العمل اليومي لقراءة الصور. وتُظهر الدراسة أن التعاون بين الأطباء والذكاء الاصطناعي يستطيع كشف آفات أُغفلت سابقًا، لكن معرفة ما إذا كان ذلك يحسّن مآل المرضى على المدى الطويل لا تزال تتطلب تجارب مقارنة.
قد تؤثر آفة صغيرة لا تلفت الانتباه في صور الكبد على تشخيص السرطان وعلاجه لاحقًا. ومع تعامل أقسام الأشعة يوميًا مع أعداد كبيرة من صور التصوير المقطعي المحوسب، يشكّل توفير طبقة إضافية من التحقق من التفاصيل التي يسهل إغفالها اختبارًا عمليًا للذكاء الاصطناعي الطبي. وفي تجربة استباقية شملت 10,333 شخصًا، ساعد نظام تشخيص أمراض الكبد LiON، من خلال التعاون بين الأطباء والذكاء الاصطناعي، في كشف 51 آفة أُغفلت سابقًا، كانت 15 منها خبيثة.
طوّرت هذا النظام جهات من بينها أكاديمية DAMO التابعة لشركة Alibaba ومستشفى شنغجينغ التابع لجامعة الصين الطبية، ونُشرت الدراسة في مجلة Nature Medicine بتاريخ 19 أغسطس 2026. ويعالج النظام صور التصوير المقطعي المحوسب المعزّز بمادة تباين، للمساعدة في التعرّف على الأورام الخبيثة الأولية في الكبد، وكذلك الآفات الناتجة عن انتقال سرطانات أعضاء أخرى إلى الكبد. ويُستخدم لدى مرضى خضعوا بالفعل لفحص بالتصوير، لذلك لا يمكن الاستدلال مباشرةً من نتائجه على فعالية تحرّي السرطان لدى عموم السكان.
تكمن صعوبة الآفات متناهية الصغر في أنها قد لا تظهر بوضوح إلا في أطوار محددة من التعزيز بمادة التباين، كما يزيد تشحّم الكبد وتشمّعه والتراكيب التشريحية المعقّدة من عبء تفسير الصور. ووفقًا لشرح Alibaba، يدمج LiON صورًا من أطوار مختلفة، ويحلّل الكبد بأكمله والأنماط النسيجية الموضعية في الوقت نفسه، مستفيدًا من الفروق الدقيقة بين الأطوار بوصفها دلائل للتعرّف على الآفات.
درّبت الدراسة النموذج أولًا باستخدام بيانات 6,443 مريضًا، ثم تحقّقت من أدائه بأثر رجعي باستخدام بيانات متعددة المراكز ومن الممارسة الواقعية شملت 22,251 شخصًا. وفي التجربة الاستباقية اللاحقة، استُخدم LiON أداة إضافية لقراءة الصور ضمن سير العمل القائم، وبلغت المساحة تحت المنحنى (AUC) للتعرّف على الآفات الخبيثة 0.952. ويعكس هذا المؤشر قدرة النظام على التمييز بين الحالات الخبيثة وغير الخبيثة، ولا يمكن تفسيره على أنه يعني أن «95.2% من المرضى يحصلون على تشخيص صحيح».
ما يحدث بعد اكتشاف الآفات التي أُغفلت أقرب إلى التعبير عن القيمة السريرية من رقم منفرد للأداء. ويذكر ملخص الورقة أن التعاون بين الأطباء والذكاء الاصطناعي أدى إلى تعديل 37 تقرير تصوير، وإحالة حالات للنقاش ضمن فريق متعدد التخصصات في 22 مناسبة، وتغيير تدبير بعض المرضى. ووصف مقال نشرته Alibaba Cloud، بصورة منفصلة، 15 من هذه الآفات بأنها آفات نقيلية صغيرة؛ أما ملخص الورقة فاستخدم التصنيف الأوسع «آفات خبيثة»، ولذلك لا يصح وصف الآفات الـ51 جميعها بأنها سرطانات فات تشخيصها.
وأعلنت Alibaba أيضًا أن وقت تفسير الصور بمساعدة الذكاء الاصطناعي انخفض بنسبة 27%، وأن حساسية كشف الآفات الخبيثة زادت بنسبة 11.5%، وأن الأداء التشخيصي للأطباء الأقل خبرة يمكن أن يقترب من أداء الخبراء الأقدم. لكن عرض الشركة لم يوضّح ما إذا كانت هذه الزيادة في الحساسية نسبةً نسبية أم نقاطًا مئوية، كما ينبغي عدم تعميم مقدار التحسّن في اختبارات قراءة الصور مباشرةً على جميع المستشفيات.
اعتمدت هذه التجربة الاستباقية تصميمًا ذا مجموعة واحدة، ولا تكفي بعد لتحديد مقدار ما يمكن أن يحققه النظام من تقليل تأخر التشخيص أو تحسين البقاء على قيد الحياة مقارنةً بالرعاية المعتادة. كذلك، لا تزال هناك حاجة إلى توضيح عبء الفحوص الإضافية الناجمة عن الإنذارات الكاذبة، ومدى قابلية التطبيق في أنظمة رعاية صحية مختلفة، وشروط النشر وفق الاستخدامات المعتمدة. وفي المرحلة الحالية، يتمثل الدليل الأكثر تحديدًا في قدرة الذكاء الاصطناعي على تنبيه الأطباء إلى إعادة فحص المواضع المثيرة للشك ضمن سير العمل اليومي للتصوير؛ أما ما إذا كان هذا التنبيه سيتحوّل بصورة متّسقة إلى فائدة للمرضى، فلا يزال ينتظر التحقّق في دراسات مقارنة لاحقة.