المستوى جيد تقريبًا مثل مستوى كبار علماء الأمراض! يقترح فريق جامعة تسينغهوا نموذج ROAM القائم على الذكاء الاصطناعي لتحقيق التشخيص الدقيق للورم الدبقي
الورم الدبقي هو ورم ينشأ في الخلايا الدبقية في الدماغ، ويمثل 40% إلى 60% من جميع أورام الجهاز العصبي المركزي الأولية ويعرف بأنه الورم داخل الجمجمة الأولي الأكثر شيوعًا عند البالغين. إن التصنيف النسيجي للأورام الدبقية معقد للغاية وينقسم عادة إلى ثلاثة أنواع فرعية: الأورام النجمية، والأورام الدبقية القليلة التغصن، والأورام البطانية، وكل منها يمكن تقسيمها إلى عدة درجات. لذلك،إن التصنيف والتصنيف الدقيق أمران حاسمان لتشخيص وعلاج الأورام الدبقية.
يتم عادة تشخيص الورم الدبقي من قبل أخصائيي علم الأمراض ذوي الخبرة من خلال ملاحظة مقاطع الأنسجة. ومع ذلك، تواجه هذه الطريقة تحديات مثل ندرة أخصائيي علم الأمراض، والتشخيص الذاتي، وعملية التشخيص التي تستغرق وقتا طويلا.من الصعب تلبية الاحتياجات التشخيصية الحالية للأورام الدبقية.
لقد مكنت التطورات الحديثة في علم الأمراض الرقمي والتعلم الآلي من رقمنة المقاطع النسيجية، والتي يتم تحويلها إلى صور كاملة الشريحة (WSIs) بدقة جيجابكسل تحتوي على بيانات سياقية غنية ذات إمكانات كبيرة للتشخيص والتنبؤ والوصف الجزيئي. ومع ذلك، فإن هذه الأساليب تحلل فقط مناطق الاهتمام (ROI) في صور الأمراض التي اختارها أخصائيو الأمراض.لا يمكن إجراء تحليل تلقائي للشريحة بأكملها.
وفي هذا السياق،الباحث المشارك لو هايرونغ، والأستاذ جيانغ روي، والأستاذ تشانغ شيويه غونغ من مختبر نموذج الحياة الأساسي بقسم الأتمتة بجامعة تسينغهوا، والأستاذ هو تشونغ ليانغ من مستشفى شيانغيا بجامعة سنترال ساوث،تم اقتراح نموذج ROAM الأساسي للتشخيص المرضي الدقيق للذكاء الاصطناعي والذي يعتمد على مناطق كبيرة من الاهتمام ومحول الهرم للتشخيص على المستوى السريري واكتشاف العلامة الجزيئية للورم الدبقي، ويمكن توسيعه ليشمل التشخيص المرضي لأنواع أخرى من الأورام.
وقد نُشرت نتائج البحث ذات الصلة في مجلة Nature Machine Intelligence تحت عنوان "طريقة علم الأمراض الحسابية القائمة على المحولات والإشراف الضعيف للتشخيص السريري واكتشاف العلامات الجزيئية للأورام الدبقية".
يمكن لـ ROAM استخراج معلومات غنية ومتعددة المقاييس بشكل فعال من الصور المرضية وتحقيق تشخيص دقيق لمهام التصنيف المختلفة مثل اكتشاف ورم الدبقي، وتصنيف/تدرج النوع الفرعي، والتنبؤ بالميزات الجزيئية.بناءً على البيانات الداخلية، أظهر ROAM أداءً تشخيصيًا ممتازًا، حيث يلتقط تلقائيًا السمات المورفولوجية الرئيسية المتوافقة مع خبرة أخصائيي علم الأمراض، ويوفر تشخيصًا دقيقًا وموثوقًا وقابلًا للتكيف على المستوى السريري للأورام الدبقية.
بالإضافة إلى ذلك، يمكن توسيع ROAM إلى بيانات خارجية مستقلة ولديه قدرة تعميم ممتازة. من خلال تصور التشخيصات وشرحها، يمكن لـ ROAM مساعدة أخصائيي علم الأمراض في التحقق من موثوقية الأساس التشخيصي للنموذج، واستخراج معلومات قيمة، وتعزيز التشخيص المساعد لتحسين الرعاية الطبية. الأهم من ذلك، أن ROAM يسهل اكتشاف المؤشرات الحيوية الجزيئية والشكلية، مما يوفر رؤى جديدة في تشخيص وعلاج الأورام الدبقية.
أبرز الأبحاث:
* يحقق ROAM استخراجًا فعالًا للتمثيلات المرئية لصور أمراض الأنسجة الكاملة من خلال بقع الصور كبيرة الحجم ووحدات التعلم المميزة متعددة المقاييس
* يمكن توسيع ROAM ليشمل بيانات خارجية مستقلة ويتمتع بقدرة تعميم ممتازة
* يسهل ROAM اكتشاف المؤشرات الحيوية الجزيئية والشكلية، مما يوفر رؤى جديدة في تشخيص وعلاج الأورام الدبقية
عنوان الورقة:
https://www.nature.com/articles/s42256-024-00868-w
تنزيل مجموعة البيانات:
يجمع المشروع المفتوح المصدر "awesome-ai4s" أكثر من مائة تفسير ورقي لـ AI4S ويوفر مجموعات وأدوات ضخمة من البيانات:
https://github.com/hyperai/awesome-ai4s
مجموعة البيانات: مجموعتان رئيسيتان من شرائح بيانات علم أمراض الأنسجة الرقمية
في هذه الدراسة، تم جمع مجموعتين كبيرتين من شرائح علم الأمراض النسيجية الرقمية (WSI) لأبحاث الورم الدبقي.
1. مجموعة بيانات Xiangya Glioma WSI
تأتي مجموعة البيانات هذه من أقسام الورم الدبقي من مستشفى Xiangya التابع لجامعة Central South.كما هو موضح في الشكل أدناه، فهو يحتوي على 1109 WSIs تمت معالجتها بتكبير ×40 في نفس العدد من الحالات المختلفة، وتغطي المهام التشخيصية مثل اكتشاف الورم الدبقي، وتصنيف النوع الفرعي، والتصنيف، والتنبؤ بالميزات الجزيئية، وتم جمع نفس العدد من الشرائح لكل حالة.
تحتوي مجموعة البيانات فقط على تعليقات على مستوى الشريحة تشير إلى النوع الفرعي ودرجة 530 من الأورام النجمية، و224 من الأورام الدبقية القليلة التغصن، و213 من الأورام البطانية العصبية. بالإضافة إلى ذلك، تم إجراء الاختبار الجزيئي في 634 حالة مع طفرة IDH و 641 حالة مع مثيلة مروج MGMT.
يتم تقسيم مجموعة البيانات عشوائيًا إلى قسمين:المجموعة الأولى هي مجموعة بيانات تدريب داخلية تحتوي على 736 من مؤشرات الأداء الرئيسية، والتي تُستخدم لتدريب النموذج؛ والأخرى عبارة عن مجموعة بيانات اختبار داخلية تحتوي على 373 مؤشرًا للجودة الشاملة، والتي تُستخدم لتقييم النماذج والتجارب المتعلقة بالأطباء. نسبة الفئات في كلتا مجموعتي البيانات هي نفسها في مجموعة البيانات بأكملها.
2. مجموعة بيانات TCGA Glioma WSI
تأتي مجموعة بيانات أخرى من علم الأمراض النسيجي للأورام الدبقية من مشروع الأورام الدبقية منخفضة الدرجة والأورام الدبقية الدماغية.ويبلغ إجمالي عدد أقسام الورم الدبقي الأرومي 860 قسمًا (من 389 حالة) و844 قسمًا من الورم الدبقي منخفض الدرجة (من 491 حالة). تختلف معايير التشخيص عن تلك المستخدمة في مجموعة بيانات Xiangya، لذلك يتم الاحتفاظ فقط بالتعليقات التوضيحية على مستوى الشريحة في البيانات. تمت دعوة اثنين من أخصائيي علم الأمراض الذين شاركوا في شرح مجموعة بيانات Xiangya لمراجعة وتعديل النتائج التشخيصية لهذه الأقسام وفقًا لإصدار 2016 من المبادئ التوجيهية التشخيصية.
أخيرًا، تتضمن مجموعة البيانات التي تمت مراجعتها 618 WSIs بتكبيرات ×40 و×20، وتغطي 4 مهام متوافقة مع مجموعة بيانات Xiangya. تُستخدم مجموعة البيانات هذه كمجموعة بيانات اختبار خارجية لتصنيف النوع الفرعي للأورام الدبقية ودرجتها والتنبؤ بالخصائص الجزيئية.
هندسة النموذج: بناءً على الاهتمام بالمنطقة الكبيرة والمحول الهرمي
ROAM هي طريقة علم الأمراض الحسابية ضعيفة الإشرافتستخدم هذه الطريقة التعلم متعدد الحالات كإطار أساسي، وكتل صور الأنسجة كبيرة الحجم كوحدة بحث أساسية، وتستخدم المحول الهرمي لتعلم ميزات الارتباط داخل النطاق وبين المقاييس لكل كتلة نسيجية بشكل منهجي، وبالتالي تحقيق استخراج فعال للتمثيلات المرئية لصور شرائح الأنسجة الكاملة.
أولاً،يقوم ROAM بتجزئة الأنسجة على كل صورة شريحة كاملة ويستخرج بقع صور الأنسجة كبيرة الحجم (2048 × 2048) منها كوحدة أساسية للتحليل اللاحق، أي ROI، كما هو موضح في الشكل التالي لترقيع WSI:
ثانيًا،تم تخفيض حجم كل منطقة اهتمام مرتين بشكل مستمر لتوليد ثلاث صور بتكبيرات مختلفة. يتم بعد ذلك تقسيم كل صورة إلى بقع صغيرة من الصور، والتي يتم ترميزها من خلال شبكة عصبية ملتوية مدربة مسبقًا لاستخراج تمثيلاتها المرئية، والتي تُستخدم كمدخلات لنموذج MIL، كما هو موضح في استخراج ميزة المثيل على الجانب الأيسر من الشكل ب أدناه؛ يتم استخدام وحدة الاهتمام الذاتي متعددة المقاييس وشبكة الاهتمام لإنشاء تمثيلات على مستوى المثيل، ويتم تجميع هذه المعلومات في تمثيلات على مستوى الشريحة، كما هو موضح في استخراج الميزات متعددة المقاييس على الجانب الأيمن من الشكل ب أدناه.
أخيرا،كما هو موضح في الشكل ج (تجميع ميزات المثال)، يستخدم نوعان مختلفان من وحدات SA بنية المحول الهرمي لدمج ميزات متعددة المقاييس تدريجيًا من التكبير العالي إلى التكبير المنخفض للحصول على تمثيل مرئي متعدد المقاييس لكتلة الأنسجة. تتعلم وحدة SA داخل النطاق ووحدة SA بين النطاقات الميزات المرتبطة بـ ROI داخل النطاق وبين النطاقات على التوالي. تحتوي كلتا الوحدتين على عدة طبقات SA متعددة الرؤوس وطبقات التغذية الأمامية.
نتائج البحث: ROAM يحقق تشخيصًا دقيقًا للورم الدبقي
ROAM يحقق تشخيصًا دقيقًا للورم الدبقي
قام الباحثون بتقييم أداء التصنيف لـ ROAM على مجموعات البيانات الداخلية ومجموعات البيانات الخارجية TCGA.
كما هو موضح في الشكل أ أدناه، يتفوق ROAM على خمس طرق بما في ذلك CLAM، وTransMIL، وGTP، وTEA-graph، وH(2)MIL، ويتفوق على طرق الأساس الأخرى في المهام المتعلقة بتشخيص الورم الدبقي في مجموعات البيانات الداخلية. في الكشف عن 3 أنواع من الأورام الدبقية، وهي الطبيعية والأورام الدبقية والأورام، كان متوسط مساحة منحنى ROC (AUC) لـ ROAM هو 0.990±0.002.
بالنسبة لتصنيف ثلاثة أنواع فرعية من الورم الدبقي، وهي الورم النجمي، وورم الخلايا الدبقية القليلة التغصن، وورم البطانية العصبية، كانت المساحة تحت المنحنى لـ ROAM 0.950±0.003، كما هو موضح في الشكل ب أدناه.
في مهام تشخيص الورم الدبقي هذه، حقق ROAM أعلى مساحة تحت المنحنى بين جميع الطرق الأساسية.لقد تم إثبات فعالية وأداء نموذج ROAM العالي في تشخيص الورم الدبقي.
في نفس الوقت،تتمتع ROAM أيضًا بخصائص تعميم جيدة.تم تدريب ROAM فقط باستخدام مجموعات البيانات الداخلية واختباره على مجموعات بيانات TCGA الخارجية، ولا يزال يتفوق على طرق الأساس الأخرى بشكل عام. أيضًا،وتظهر نتائج تصور تنبؤات ROAM أيضًا أن الأساس التشخيصي الذي تلخصه هذه الطريقة يتوافق تمامًا مع معايير التشخيص السريري.
ROAM يحقق تقدمًا كبيرًا في التشخيص السريري المساعد للأورام الدبقية
أجرى الباحثون تقييمًا شاملًا على المستوى السريري لـ ROAM.تمت دراسة أداء ROAM في التشخيص المساعد لورم الدماغ: تمت دعوة 3 مجموعات من 5 أخصائيين في علم الأمراض للمشاركة في الدراسة، وكانت المجموعة الأولى من أخصائيي علم الأمراض المبتدئين الذين لديهم أقل من 5 سنوات من الخبرة السريرية، وكانت المجموعتان من أخصائيي علم الأمراض المتوسطين الذين لديهم من 5 إلى 15 عامًا من الخبرة السريرية، والمجموعتان الأخريان من أخصائيي علم الأمراض الكبار الذين لديهم أكثر من 15 عامًا من الخبرة السريرية.
كما هو موضح في الشكل أدناه، أظهر النظام المقترح أداءً جيدًا في المهام الخمس لتشخيص الورم الدبقي، متفوقًا على أربعة من أصل خمسة أخصائيين في علم الأمراض ومقارنًا بأفضل أخصائي علم الأمراض الكبير (كبير 1). على وجه التحديد، في الكشف عن الورم الدبقي،لقد تفوق النظام الجديد بشكل كبير على جميع أخصائيي علم الأمراض.بما في ذلك أفضل أخصائيي علم الأمراض أداءً، والذي يتجاوز 21.30%، كما هو موضح في الشكل (f) أدناه.
ثم طلب الباحثون من ثلاثة أخصائيين في علم الأمراض من المستوى المتوسط والمتوسط إجراء التشخيص بمساعدة ROAM للتحقيق فيما إذا كان أداؤهم التشخيصي قد تحسن. وتظهر النتائج أنه بمساعدة ROAM، تحسنت دقة التشخيص لدى أخصائيي علم الأمراض الثلاثة بمعدل 7.27% (الأساسي 1)، و12.87% (المتوسط 1)، و9.96% (المتوسط 2) في جميع المهام.يعكس هذا القيمة السريرية الكبيرة لـ ROAM.
يعمل مشروع ROAM على تعزيز اكتشاف العلامات المورفولوجية الجزيئية للورم الدبقي
وبمساعدة ROAM، استكشف الباحثون المظاهر المورفولوجية للميزات الجزيئية الرئيسية المتعلقة بتشخيص الورم الدبقي، ولاحظوا أن ROAM أدى أداءً جيدًا في مهمة الميزة الجزيئية للتنبؤ بطفرات إيزوسيترات ديهيدروجينيز (IDH). لقد أجروا تحليلًا بصريًا كاملاً لنتائج تنبؤات ROAM في هذه المهمة، وقاموا بتحليل وتلخيص السمات المورفولوجية للأنسجة في المناطق الرئيسية ذات الاهتمام العالي التي ركز عليها ROAM. وقد وجدوا أن كثرة الحمضات، والسيتوبلازم الموحد، والتصبغ الداكن للنواة كانت شائعة في الصور المرضية لطفرة IDH.
يساعد هذا الاكتشاف المهم الأطباء على إجراء تنبؤات أولية لحالة IDH دون مساعدة الاختبارات الجزيئية، وسوف يعزز بشكل كبير تحسين معايير التشخيص السريري للأورام الدبقية.
يواصل مختبر نموذج الحياة الأساسي التابع لقسم الأتمتة بجامعة تسينغهوا تعزيز الذكاء الاصطناعي لتمكين أبحاث علوم الحياة
في هذه الورقة،الباحث المشارك لو هايرونغ، والأستاذ تشانغ شيويه غونغ، والأستاذ هو تشونغليانغ من مستشفى شيانغيا بجامعة سنترال ساوث هم المؤلفون المراسلون.كان البروفيسور جيانج روي وطالب الماجستير ين شياوكسو من جامعة تسينغهوا، ويانج بينغشواي من معهد أبحاث الهاتف المحمول الصيني، وتشنغ لينجتشاو من مستشفى شيانجيا هم المؤلفون المشاركون الأوائل للورقة البحثية. شارك Hu Jun وYang Jiao وWang Ying وFu Xiaodan وShang Li وLi Liling وLin Wei وZhou Huan في جمع البيانات والتعليقات التوضيحية لهذه الدراسة. قدم تشين فوكسون ومعهد فوتشو لأبحاث تكنولوجيا البيانات الدعم البحثي والتطويري لمنصة البرمجيات عبر الإنترنت.
كأحد المساهمين الرئيسيين في هذه الدراسة،يواصل مختبر نموذج الحياة الأساسي التابع لقسم الأتمتة بجامعة تسينغهوا التزامه باستكشاف كيفية تمكين أبحاث علوم الحياة باستخدام تقنيات الذكاء الاصطناعي المتقدمة.
في يونيو من هذا العام، التقى البروفيسور تشانغ شيويه غونغ، مدير مختبر نموذج الحياة الأساسي بقسم الأتمتة بجامعة تسينغهوا، والبروفيسور ما جيان تشو من قسم الإلكترونيات/AIR، والدكتور سونغ لي من التكنولوجيا الحيوية،تم إنشاء نموذج خلية كبير يسمى scFoundation.تم تدريب النموذج على بيانات التعبير الجيني من 50 مليون خلية، ويحتوي على 100 مليون معلمة، ويمكنه معالجة ما يقرب من 20 ألف جين في وقت واحد. وباعتباره نموذجًا أساسيًا، فقد أظهر تحسينات ممتازة في الأداء في مجموعة متنوعة من المهام الطبية الحيوية اللاحقة مثل "التجارب الدوائية الافتراضية".يقدم نموذجًا جديدًا للذكاء الاصطناعي في أبحاث الخلية الواحدة.
نُشرت نتائج البحث في مجلة Nature Methods تحت عنوان "نموذج أساسي واسع النطاق لتحليل النسخ الجيني للخلية الواحدة".انقر للاطلاع على التقرير الكامل: "نموذج خلوي يضم 100 مليون مُعامل متوفر الآن! نُشر في مجلة Nature، وينشر فريق جامعة تسينغهوا تقرير scFoundation: نمذجة متزامنة لـ 20,000 جين".
يوفر نموذج scFoundation أساليب وأدوات مبتكرة للبحث الأساسي في علوم الحياة، والتنبؤ باستجابات اضطراب الخلايا، واكتشاف هدف الدواء وغيرها من المجالات. كما يوفر أفكارًا وأساليب جديدة لأبحاث نموذج الخلية واسعة النطاق من حيث بنية النموذج وإطار التدريب ونظام تطبيق العرض التوضيحي اللاحق. وقد نجح في توسيع حدود النماذج الأساسية في مجال الخلية الواحدة ووضع الأساس لأبحاث مستقبلية مثل تجارب الأدوية الافتراضية في الفضاء الرقمي.
وفي المستقبل، سيواصل مختبر نموذج الحياة الأساسي التابع لقسم الأتمتة بجامعة تسينغهوا إجراء البحوث في المجال متعدد التخصصات للذكاء الاصطناعي وعلوم الحياة. مع التطوير والتحسين المستمر لتكنولوجيا الذكاء الاصطناعي، فإن تطبيق الذكاء الاصطناعي في مجال علوم الحياة سيعزز بشكل كبير تقدم التكنولوجيا الطبية، ويحسن دقة التشخيص والعلاج، ويقلل التكاليف الطبية، ويحسن في نهاية المطاف صحة الإنسان ونوعية الحياة.
مراجع:
1.https://www.nature.com/articles/s42256-024-00868-w
2.https://mp.weixin.qq.com/s/oB3kTgcgObawPKU-75KsHQ
3.https://mp.weixin.qq.com/s/nflI4PVTJB3xVPXuA5zbZQ
دعوة إلى العمل
HyperAI (hyper.ai) هو محرك بحث أكبر في الصين في مجال علوم البيانات. لقد ركزت منذ فترة طويلة على أحدث نتائج الأبحاث المتعلقة بالذكاء الاصطناعي للعلوم وقامت بتفسير أكثر من 100 ورقة أكاديمية في المجلات العلمية المرموقة.
نرحب بمجموعات البحث والفرق التي تجري أبحاثًا واستكشافات حول الذكاء الاصطناعي للعلوم بالاتصال بنا لمشاركة أحدث نتائج أبحاثهم، والمساهمة في مقالات تفسيرية متعمقة، والمشاركة في عمود البث المباشر Meet AI4S. هناك المزيد من الطرق للترويج لـ AI4S في انتظارنا لاستكشافها معًا!
إضافة WeChat: PH (معرف WeChat: G18539589505)