التعلم العميق والتنبؤ باستجابة الأورام للعلاج الكيميائي المناعي من صور تروية الورم بالموجات فوق الصوتية

يمثل تباين الأورام تحديًا كبيرًا أمام التنبؤ بالاستجابة لعلاج السرطان، إذ تختلف الأورام في بنيتها وترويتها الدموية حتى داخل المريض الواحد، ما يبرز الحاجة إلى تطوير مؤشرات حيوية توجه العلاج الشخصي نحو الخيار الأنسب لكل حالة، وتعد الموجات فوق الصوتية المعززة بعامل التباين طريقة راسخة لتقييم تروية الورم التي تؤثر مباشرة في وصول الدواء وفاعليته العلاجية، فالأورام ضعيفة التروية تحد غالبًا من نفاذ العلاجات الكيميائية والمناعية إلى أنسجتها العميقة وتضعف فرص نجاحها

يفتح دمج الذكاء الاصطناعي مع التصوير الطبي بابًا واسعًا لاستخراج أنماط كمية لا تلتقطها العين المجردة من صور التشخيص الروتينية، ويهم الأطباء والباحثين العرب وطلاب الدراسات العليا في الأشعة والهندسة الطبية الحيوية الوقوف على أدلة تجريبية حول قدرة نماذج التعلم العميق على التنبؤ المبكر باستجابة الأورام قبل بدء العلاج، بما يختصر على المرضى علاجات غير مجدية وأعباءها الجسدية والمادية ويوجه الموارد الصحية نحو الخيارات الأنفع لكل مريض

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى تطوير إطار تعلم عميق يستخدم صور الموجات فوق الصوتية المعززة بالتباين للتنبؤ باستجابة الأورام للعلاج الكيميائي المناعي في نماذج فأرية لسرطان الثدي والساركومة الليفية والورم الميلانيني، ودُربت شبكة عصبية التفافية مخصصة على مجموعة بيانات تضم 587 صورة ملتقطة قبل العلاج لتصنيف الأورام إلى مستجيبة أو مستقرة أو غير مستجيبة وفق معايير تقييم الاستجابة في الأورام الصلبة المعروفة باسم ريكيست في إصدارها 1.1، وشملت البيانات 175 حالة مستجيبة و136 حالة مستقرة و276 حالة غير مستجيبة، وأُنشئت بيانات اصطناعية إضافية لفئتي الاستجابة والاستقرار لمعالجة اختلال التوازن بين الفئات

ثانيًا: أبرز النتائج

1، حقق الإطار باستخدام البيانات الحقيقية وحدها دقة اختبار إجمالية قدرها 0.877، توزعت بواقع 0.941 للفئة المستجيبة و0.615 للفئة المستقرة و0.963 للفئة غير المستجيبة

2، أدى إدخال البيانات الاصطناعية إلى تحسين أداء النموذج بصورة واضحة، وكان أثره الأبرز على الفئة المستقرة التي كانت الأضعف أداءً في الاختبار الأول لكونها من الفئات قليلة التمثيل في البيانات الأصلية

3، ارتفع متوسط دقة الاختبار بعد إضافة البيانات الاصطناعية إلى 0.930، بواقع 1.000 للفئة المستجيبة و0.769 للفئة المستقرة و0.963 للفئة غير المستجيبة، ما يؤكد قيمة موازنة الفئات في تدريب النماذج التصنيفية الطبية

ثالثًا: دلالات الدراسة وتطبيقاتها

تدعم النتائج عد التصوير بالموجات فوق الصوتية المعززة بالتباين مؤشرًا حيويًا تصويريًا محتملًا للاستجابة لعلاج السرطان، وتشير إلى أن دمج البيانات الاصطناعية يمكن أن يعزز فاعلية النماذج ولا سيما للفئات ضعيفة التمثيل التي تعاني منها قواعد البيانات الطبية عادة، وتبرز مجتمعة القيمة المحتملة لدمج الذكاء الاصطناعي مع هذا النوع من التصوير في بناء استراتيجيات علاج شخصي للسرطان، مع بقاء الحاجة قائمة إلى دراسات لاحقة تنقل هذا الأداء الواعد من النماذج الحيوانية التجريبية إلى المرضى في البيئات الإكلينيكية الحقيقية

ويمثل التعامل مع اختلال توازن الفئات درسًا منهجيًا يتجاوز هذه الدراسة إلى بحوث الذكاء الاصطناعي الطبي عمومًا، فالفئات الأقل شيوعًا في الواقع الإكلينيكي كالحالات المستقرة أو الحدودية هي غالبًا الأصعب قرارًا على الطبيب المعالج والأحوج إلى دعم النموذج الذكي، وإذا دُرب النموذج على بيانات يهيمن عليها صنف واحد مال إلى تجاهل الأصناف النادرة مهما بلغت دقته الإجمالية الظاهرة في التقارير، ومن هنا فإن توليد البيانات الاصطناعية المضبوط وإعادة الموازنة وتقنيات تعزيز البيانات تمثل أدوات مشروعة لتحسين عدالة النموذج بين الفئات شريطة التحقق الدقيق من أن البيانات المولدة تحاكي الخصائص الحقيقية للصور الطبية ولا تدخل أنماطًا مصطنعة تضلل عملية التقييم، وهو توازن دقيق ينبغي أن يراعيه الباحثون العرب عند بناء قواعد بيانات تصويرية محلية لأمراض منتشرة في المنطقة العربية

وخلاصة القول إن الدراسة تقدم نموذجًا واعدًا على توظيف التعلم العميق في قراءة صور تروية الأورام قراءة تنبؤية تسبق قرار العلاج، وتذكر الباحثين في الوقت نفسه بأن جودة البيانات وتوازن فئاتها عامل حاسم في أداء النماذج الطبية الذكية لا يقل أهمية عن عمق الشبكات المستخدمة وبنيتها الحاسوبية المتقدمة