نموذج تعلم عميق يتنبأ بحالة الاستقرار الميكروسيتاتي في الأورام ويكشف الحالات غير المؤكدة

يُتوقع أن يُصاب واحد من كل ثلاثة أشخاص بالسرطان خلال حياتهم، ما يجعله أحد أكبر التحديات الصحية العالمية. من العوامل الحاسمة التي تؤثر على مسار المرض ونتائج العلاج هو حالة الميكروسيتات في الورم، وهي مؤشر يُظهر ما إذا كان الحمض النووي في الورم مستقرًا أم غير مستقر. تشير الميكروسيتات إلى تسلسلات قصيرة من الحمض النووي تتكرر في جينوم الإنسان، وعندما تصبح غير مستقرة، تُظهر زيادة في عدد الطفرات فيها، ما يُعد علامة على اضطراب في قدرة الخلية على إصلاح الحمض النووي. يُعد تحديد حالة الميكروسيتات (Microsatellite Instability - MSI) مهمًا جدًا في توجيه العلاج، خصوصًا في سرطانات القولون والمستقيم، حيث يُظهر المرضى الذين يعانون من حالة MSI عالية استجابة أفضل للعلاج المناعي. ومع ذلك، فإن التحليل التقليدي لهذه الحالة يتطلب تحليلًا وراثيًا مكثفًا، مثل التسلسل الجيني أو اختبارات الـPCR، وهي إجراءات باهظة التكلفة وطويلة، ما يحد من استخدامها على نطاق واسع. في خطوة تُعدّ تقدمًا كبيرًا، طوّر باحثون نموذجًا ذكيًا يستند إلى التعلم العميق (Deep Learning) قادرًا على توقع حالة الميكروسيتات في العينات السرطانية بناءً على صور النسيج المُستخرجة من أنسجة الورم. يعتمد النموذج على تحليل صور ميكروسكوبية ملونة (H&E stains) التي تُستخدم عادةً في التشخيص النسيجي، دون الحاجة إلى بيانات وراثية إضافية. النماذج المدربة على ملايين الصور من أنسجة سرطانات مختلفة، تمكّنت من التعرف على أنماط دقيقة في بنية الخلايا والأنسجة، مثل تغيرات في توزيع الخلايا، أو شكل النوى، أو الترابط بين الخلايا، والتي ترتبط بوجود عدم استقرار في الميكروسيتات. وقد أظهرت النتائج دقة عالية في التمييز بين الحالات المستقرة وغير المستقرة، متفوقة في بعض الأحيان على الطرق التقليدية. ما يُميز هذا النموذج أيضًا هو قدرته على التعرف على الحالات التي تكون فيها النتائج غير مؤكدة أو مبهمة، حيث يُعطي تحذيرات تلقائية عند احتمال وجود تباين في التقييم. هذه الميزة تُعدّ حاسمة في الممارسة السريرية، حيث تُساعد الأطباء على اتخاذ قرارات أكثر وعيًا، وتُوجههم لإجراء اختبارات تأكيدية إضافية عند الحاجة. بفضل هذه التقنية، يمكن تقليل التكاليف، وتقليل الوقت اللازم للتشخيص، وتوسيع نطاق الوصول إلى التقييم الدقيق لحالة الميكروسيتات، خصوصًا في المراكز الطبية التي لا تملك إمكانات تحليل وراثي متقدمة. كما يُمكن دمج النموذج مع أنظمة تشخيص رقمية موجودة في المستشفيات، مما يُعزز من كفاءة العمل السريري. يُعد هذا التقدم خطوة مهمة نحو التحول نحو الطب الدقيق، حيث تُستخدم الذكاء الاصطناعي لتحسين دقة التشخيص ودعم القرارات العلاجية. وربما يُفتح الباب أمام تطوير نماذج مشابهة لتشخيص أنواع أخرى من السرطانات بناءً على صور نسيجية، مما يُحدث تغييرًا جذريًا في كيفية تقييم المرض وعلاج المرضى.