طوّر باحثون في جامعة كوتش التركية أسلوباً تدريبياً جديداً للذكاء الاصطناعي، من شأنه تحسين قدرته على اكتشاف الخلايا وتحديد مواقعها في صور الأنسجة الرقمية، من خلال تعليمه مراعاة الترتيب المكاني للخلايا داخل الأنسجة، بما يعالج إحدى أبرز التحديات التي تواجه هذه التقنية، والمتمثلة في صعوبة التمييز بين الخلايا المتجاورة والمتراصة.

ونُشرت الدراسة في مجلة «تحليل الصور الطبية» (Medical Image Analysis)، وقدّمت منهجية جديدة تحمل اسم «التنقيب عن الأمثلة الصعبة الموجّه بالتضاريس» (TG-HEM). وتساعد هذه المنهجية نماذج الذكاء الاصطناعي على التركيز على مناطق الصور التي تعجز فيها توقعاتها عن تمثيل التنظيم المكاني للخلايا بدقة، بدلاً من الاعتماد حصراً على رصد الأخطاء في وحدات البكسل الفردية.

وأجرى البحث البروفيسورة تشيغدم غوندوغ ديمير، وطالب الدكتوراه أونور تشاكي، إلى جانب باحثين من قسم هندسة الحاسوب ومركز الذكاء الاصطناعي (KUIS AI Center) في جامعة كوتش، بالتعاون مع متخصصين في الرياضيات وعلم الأمراض.

التعلّم من المناطق الأكثر صعوبة
توفر أعداد الخلايا وتوزيعاتها المكانية معلومات مهمة يستخدمها اختصاصيو علم الأمراض عند تقييم الأمراض والتخطيط للعلاج. غير أن صورة نسيج واحدة قد تضم عشرات الآلاف من الخلايا، ما يجعل عدّها يدوياً عملية تستغرق وقتاً طويلاً، فضلاً عن احتمال اختلاف النتائج بين المختصين.

ويمكن لأنظمة التعلّم العميق أتمتة هذه المهمة، إلا أن المؤشرات البصرية الموضعية تصبح أقل وضوحاً عندما تكون الخلايا متقاربة بعضها من بعض. ويعالج الأسلوب الذي طوّره الباحثون هذه المشكلة من خلال إدخال معلومات عن ترتيب الخلايا المحيطة ضمن عملية تدريب النماذج.

وخلال التدريب، تقارن منهجية TG-HEM توزيعات الخلايا التي يتوقعها النموذج بالتوزيعات المرجعية المحددة مسبقاً في مناطق مختارة من الصور. وتستخدم في ذلك تقنية «تحليل البيانات الطوبولوجي» (Topological Data Analysis)، وهي منهج رياضي يُستخدم لتوصيف بنية البيانات وقياس الاختلافات في تنظيمها.

وتُمنح المناطق التي تظهر فيها اختلافات بنيوية أكبر وزناً إضافياً خلال عملية التعلّم، مع زيادة التركيز أيضاً على وحدات البكسل التي يصعب تصنيفها داخل تلك المناطق. ويتيح ذلك للنموذج الاستفادة من أخطاء اكتشاف الخلايا على المستوى الموضعي، إلى جانب الاختلافات الأوسع في أنماط توزيعها وترتيبها.

ولا تتطلب هذه الاستراتيجية زيادة حجم الشبكة العصبية أو تعقيد بنيتها، إذ تركز على تحسين طريقة تدريب النموذج.

تحسين دقة العدّ وتحديد المواقع
اختبر الباحثون المنهجية الجديدة على ثمانية نماذج للذكاء الاصطناعي، باستخدام مجموعة بيانات KUCell التي أعدّوها، إلى جانب مجموعة بيانات BRCA-M2C المتاحة للجمهور والمتخصصة في سرطان الثدي.

وأظهرت النتائج تحسناً في أداء النماذج في عدّ الخلايا وتحديد مواقعها، مقارنة بالنماذج الأساسية وأساليب التنقيب عن الأمثلة الصعبة المستخدمة سابقاً.

وتحققت هذه التحسينات من دون زيادة الأعباء الحسابية عند استخدام النماذج المدرّبة لتحليل صور جديدة، مع تأثير ضئيل للغاية في زمن التدريب.

كما أتاح الفريق مجموعة بيانات KUCell والشفرة البرمجية الخاصة بالتطبيق، بما يمكّن الباحثين الآخرين من تقييم المنهجية والاستفادة منها في تطوير أبحاث مماثلة.

دعم أبحاث علم الأمراض الرقمي
من شأن تحسين دقة اكتشاف الخلايا أن يعزز موثوقية القياسات الآلية المستخدمة في علم الأمراض الرقمي، وأن يدعم إجراء تقييم أكثر اتساقاً لعينات الأنسجة.

وتُظهر الدراسة تحسناً في اكتشاف الخلايا ضمن مجموعات بيانات بحثية، فيما تتمثل المساهمة المحتملة لهذه التقنية في التطبيقات السريرية في توفير قياسات أكثر موثوقية للصور الطبية. غير أن التجارب لم تثبت حتى الآن تحسناً في دقة التشخيص أو النتائج الصحية للمرضى.

أسامة عثمان (أبوظبي)