الكشف عن النقائل السرطانية لسرطان الثدي في العقد الليمفاوية
يؤتمت نهج التعلم العميق للكشف عن نقائل سرطان الثدي في العقد الليمفاوية هذه العملية، ويدعم أخصائيي علم الأمراض ويحدد الأورام الصغيرة بدقة، بينما تتيح أساليب قابلية التفسير تدقيق النموذج.
بالنسبة لسرطان الثدي الموضعي، فإن معدل البقاء على قيد الحياة لخمس سنوات ممتاز، إذ يبلغ نحو 99%. أما بالنسبة للسرطان الإقليمي، فينخفض معدل البقاء لخمس سنوات إلى 86%، وللسرطان البعيد إلى 31%. ولهذا فإن التشخيص المبكر والسريع والدقيق يحسّن إلى حد كبير فرص بقاء المريض على قيد الحياة.
غالبًا ما ينتشر سرطان الثدي أولًا إلى العقد الليمفاوية في الإبط. يزداد احتمال النقائل والوفاة مع حجم سرطان الثدي عند اكتشافه ومع عدد العقد الليمفاوية الإبطية المصابة. ولهذا السبب تُزال العقد الليمفاوية جراحيًا وتُفحص تحت المجهر. لكن بالنسبة لأخصائيي علم الأمراض، فإن إجراءات التشخيص هذه شاقة وبطيئة. وقبل كل شيء، يصعب رصد النقائل الصغيرة وتُغفل أحيانًا.
يمكن للذكاء الاصطناعي دعم أخصائيي علم الأمراض بالإشارة إلى مناطق الأورام في الأنسجة البشرية على صور الشرائح الكاملة (WSI). وهذا يجعل اكتشاف الأورام أسرع وأدق، مما يرفع بدوره معدل البقاء على قيد الحياة.
معالجة WSI
صور WSI هي صور مجهرية ضخمة للأنسجة البشرية. وكثيرًا ما تتجاوز هذه الصور بدقة غيغابكسل 100,000x100x000 بكسل في العرض x الارتفاع. ولأنه لا يمكن معالجة الصورة بأكملها دفعة واحدة، فإنها تُقسّم عادةً إلى رقع (patches) كثيرة، ويجري العمل على أساس كل رقعة. وللعمل مع WSI، أوصي بـ CLAM. توفر مكتبة Python هذه ميزات مصممة خصيصًا لمهام تعلّم الآلة: اختيار مناطق الأنسجة، واستخراج الرقع، واستخراج السمات.
تجزئة WSI
لماذا لا U-Net
في الرؤية الحاسوبية، تُعد U-Net الأداة المعيارية لتجزئة الصور. أُنشئت عام 2015 في University of Freiburg من أجل تجزئة الصور الطبية الحيوية. واليوم تُستخدم أيضًا على نطاق واسع لمهام أخرى، مثل نقل أسلوب الصور والانتشار المستقر (stable diffusion). أما مع WSI، فقياس الصورة نحو 100,000x100,000، لذا لا يمكن معالجتها دفعة واحدة. يمكنك تقطيع الصورة إلى رقع كثيرة وتشغيل U-Net على كل رقعة على حدة. لكن بالنسبة للأنسجة البشرية في تصوير الشرائح الكاملة، فهذا النهج ليس مثاليًا.

الشكل 1. بنية U-Net المقدمة في U-Net: Convolutional Networks for Biomedical Image Segmentation.
فيما يلي عدة أسباب تجعل U-Net ليست الأنسب لتجزئة WSI:
- تهدف التجزئة إلى إعطاء كل بكسل فئة: المقدمة أو الخلفية. وتحتوي رقعة واحدة بحجم 224x224 على بضع خلايا فقط. ومن الأكثر منطقية تصنيف كل خلية بدلًا من كل بكسل.
- قناع تجزئة بحجم 100,000x100,000 غير ضروري. فالدقة الأدنى أسهل في التخزين والمعالجة، وهي أكثر من كافية لدعم أخصائي علم الأمراض.
- التصنيف الثنائي أسهل في التدريب ويعطي نتائج أفضل من تجزئة الصور. ولهذا السبب يُفضَّل تصنيف الورم مقابل الطبيعي لكل رقعة على تجزئة U-Net.
- الاتساق عند الحدود. فتصنيف الرقع كاملة بدلًا من تجزئة البكسلات الفردية يجعل النتائج أكثر اتساقًا عبر الرقع.
التصنيف على مستوى الرقعة
بدلًا من تجزئة U-Net، تعتمد تجزئة WSI عادةً على التصنيف على مستوى الرقعة. تُقسَّم WSI إلى رقع بحجم 224x224، وتصبح كل رقعة مثالًا تدريبيًا فرديًا. تدخل الرقعة إلى نموذج التصنيف، الذي يُخرج 0 للرقع الطبيعية الخالية من السرطان و1 للرقع التي تحتوي على ورم. وفي وقت الاستدلال (inference)، تُجمَّع خريطة التجزئة النهائية من تنبؤات كل رقعة من WSI.

الشكل 2. خط أنابيب الكشف عن نقائل سرطان الثدي. تُقسَّم WSI إلى رقع كثيرة بحجم 224x224. ويعالج ResNet18 كل رقعة ويعيد تنبؤًا.
للكشف عن أورام الثدي، نستخدم نموذج ResNet18 مدربًا مسبقًا استُبدلت فيه الطبقة الأخيرة المتصلة بالكامل بطبقة التفاف 1x1. يأخذ النموذج رقع WSI بحجم 224x224 مدخلًا. ويُخرج فئة ثنائية، 0 أو 1، حيث يعني 0 رقعة طبيعية و1 رقعة ورمية. يوضح الشكل 2 خط أنابيب التنبؤ. وللتقييم، استخدمنا WSI من تحدي Camelyon16 مع نموذج مدرب مسبقًا من Monai model zoo.
النتائج
تُجمَّع خريطة التجزئة النهائية من التنبؤات لكل رقعة. يعرض الشكل 3 مخرجات خوارزمية كشف الأورام على نسيج الثدي. وقد وجدت الخوارزمية بوضوح ورمًا في الجزء العلوي الأيسر من النسيج، إلى جانب ضوضاء إيجابية كاذبة في أماكن أخرى من الصورة. ويمكن بعد ذلك معالجة قناع التجزئة المتنبأ به لاحقًا بعمليات مورفولوجية لكبت الضوضاء وتضخيم الإشارة في مناطق الورم الفعلية.
الشكل 3. مخرجات تجزئة الورم.
الخلاصة
قدم هذا المقال نهجًا للكشف عن نقائل سرطان الثدي في العقد الليمفاوية. يتيح التعلم العميق أتمتة العملية ويمكنه دعم أخصائيي علم الأمراض بدرجة كبيرة في عملهم. وفوق ذلك، يمكن للذكاء الاصطناعي المساعدة في تحديد مناطق الأورام الصغيرة التي يصعب اكتشافها وقد تفلت لولا ذلك من أخصائي علم الأمراض. وتتيح لنا أساليب قابلية التفسير تدقيق نموذج الذكاء الاصطناعي. وإذا أردت معرفة كيف يمكن للذكاء الاصطناعي أن يساعد في حالتك الطبية، فلا تتردد في التواصل معنا. سأكون سعيدًا بالحديث عن حالتك.