يعتمد على التنبؤ بالمخاطر.. أمل جديد لمرضى سرطان البنكرياس

تعود أول حالة موثقة لسرطان البنكرياس إلى القرن الـ18، ومنذ ذلك الحين، قام الباحثون برحلة طويلة ومليئة بالتحديات لفهم هذا المرض المراوغ والمميت.

حتى الآن، لا يوجد علاج أفضل للسرطان من التدخل المبكر.

ولسوء الحظ، فإن البنكرياس، الموجود في أعماق البطن، يكون بعيد المنال بشكل خاص عندما يتعلق الأمر بالكشف المبكر، وفقا لما تم نشره في موقع ميديكال إكسبريس.

تطوير نموذجين للتعلم الآلي

كان علماء مختبر علوم الكمبيوتر والذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا (CSAIL)، إلى جانب ليمور أبلباوم، عالم في قسم علاج الأورام بالإشعاع في مركز بيث إسرائيل ديكونيس الطبي (BIDMC)، حريصين على تحديد المرضى المحتملين المعرضين لمخاطر عالية بشكل أفضل.

لقد شرعوا في تطوير نموذجين للتعلم الآلي للكشف المبكر عن سرطان البنكرياس الغدي القنوي (PDAC)، وهو الشكل الأكثر شيوعًا للسرطان.

للوصول إلى قاعدة بيانات واسعة ومتنوعة، قام الفريق بالمزامنة مع شركة شبكة اتحادية، باستخدام بيانات السجلات الصحية الإلكترونية من مؤسسات مختلفة في جميع أنحاء الولايات المتحدة.

ساعدت هذه المجموعة الهائلة من البيانات على ضمان موثوقية النماذج وقابليتها للتعميم، مما يجعلها قابلة للتطبيق على نطاق واسع من السكان والمواقع الجغرافية والمجموعات الديموغرافية.

وقد تفوق النموذجان - الشبكة العصبية PRISM، ونموذج الانحدار اللوجستي (تقنية إحصائية للاحتمالية)، على الأساليب الحالية.

أظهرت مقارنة الفريق أنه في حين تحدد معايير الفحص القياسية حوالي 10% من حالات PDAC باستخدام عتبة خطر نسبي أعلى بخمس مرات، فإن PRISM يمكنه اكتشاف 35% من حالات PDAC عند هذه العتبة نفسها.

إن استخدام الذكاء الاصطناعي للكشف عن خطر الإصابة بالسرطان ليس ظاهرة جديدة - فالخوارزميات تحلل صور الثدي بالأشعة السينية، والأشعة المقطعية لسرطان الرئة، وتساعد في تحليل اختبارات مسحة عنق الرحم واختبار فيروس الورم الحليمي البشري، على سبيل المثال لا الحصر.

وقال كاي جيا، من معهد ماساتشوستس للتكنولوجيا، وهو المؤلف الأول لورقة في الطب الحيوي تحدد الخطوط العريضة للعمل الجديد: «تتميز نماذج PRISM بتطويرها والتحقق من صحتها على قاعدة بيانات واسعة النطاق تضم أكثر من 5 ملايين مريض، وهو ما يتجاوز حجم معظم الأبحاث السابقة في هذا المجال».

وأضاف: «يستخدم النموذج البيانات السريرية والمخبرية الروتينية لإجراء تنبؤاته، ويمثل تنوع سكان الولايات المتحدة تقدمًا كبيرًا مقارنة بنماذج PDAC الأخرى، والتي عادة ما تقتصر على مناطق جغرافية محددة، مثل عدد قليل من مراكز الرعاية الصحية في الولايات المتحدة بالإضافة إلى ذلك، وباستخدام تقنية التنظيم الفريدة في عملية التدريب عززت قابلية تعميم النماذج وقابليتها للتفسير».

وقال ديفيد أفيجان، الأستاذ في كلية الطب بجامعة هارفارد ومدير مركز السرطان ورئيس قسم أمراض الدم والأورام الدموية الخبيثة في BIDMC: «يحدد هذا التقرير نهجًا قويًا لاستخدام البيانات الضخمة وخوارزميات الذكاء الاصطناعي لتحسين نهجنا في تحديد ملفات تعريف مخاطر الإصابة بالسرطان».

وجهات النظر المنشورية

بدأت الرحلة نحو تطوير PRISM منذ أكثر من 6 سنوات، مدعومة بالتجارب المباشرة مع القيود المفروضة على ممارسات التشخيص الحالية.

يقول كبير الباحثين أبلباوم، وهو أيضًا مدرس في كلية الطب بجامعة هارفارد وأخصائي علاج الأورام بالإشعاع: «يتم تشخيص ما يقرب من 80% إلى 85% من مرضى سرطان البنكرياس في مراحل متقدمة، حيث لم يعد العلاج خيارًا، لقد أثار هذا الإحباط السريري فكرة التعمق في ثروة البيانات المتوفرة في السجلات الصحية الإلكترونية (EHRs)».

لقد أتاح التعاون الوثيق بين مجموعة CSAIL وAppelbaum فهم الجوانب الطبية والتعلم الآلي للمشكلة بشكل أفضل، مما أدى في النهاية إلى نموذج أكثر دقة وشفافية.

وتضيف: «كانت الفرضية هي أن هذه السجلات تحتوي على أدلة مخفية - علامات وأعراض خفية يمكن أن تكون بمثابة إشارات إنذار مبكر لسرطان البنكرياس، لقد وجه هذا استخدامنا لشبكات السجلات الصحية الإلكترونية الموحدة في تطوير هذه النماذج، من أجل اتباع نهج قابل للتطوير لنشر أدوات التنبؤ بالمخاطر في الرعاية الصحية».

يقوم كل من نموذجي PrismNN وPrismLR بتحليل بيانات السجلات الصحية الإلكترونية، بما في ذلك التركيبة السكانية للمرضى والتشخيصات والأدوية ونتائج المختبر، لتقييم مخاطر PDAC.

يستخدم PrismNN الشبكات العصبية الاصطناعية لاكتشاف الأنماط المعقدة في ميزات البيانات مثل العمر والتاريخ الطبي ونتائج المختبر، مما يؤدي إلى درجة خطورة لاحتمالية PDAC، بينما يستخدم PrismLR الانحدار اللوجستي لإجراء تحليل أبسط، وإنشاء درجة احتمالية لـ PDAC بناءً على هذه الميزات.

تقدم النماذج معًا تقييمًا شاملًا للأساليب المختلفة في التنبؤ بمخاطر PDAC من نفس بيانات السجل الصحي الإلكتروني.

ويشير الفريق إلى أن إحدى النقاط المهمة لكسب ثقة الأطباء هي الفهم الأفضل لكيفية عمل النماذج، والمعروفة في هذا المجال بقابلية التفسير. وأشار العلماء إلى أنه في حين أن نماذج الانحدار اللوجستي أسهل في التفسير بطبيعتها، فإن التطورات الحديثة جعلت الشبكات العصبية العميقة أكثر شفافية إلى حد ما.

وقد ساعد ذلك الفريق على تحسين آلاف الميزات التنبؤية المحتملة المستمدة من السجل الصحي الإلكتروني لمريض واحد إلى ما يقرب من 85 مؤشرًا حاسمًا. يتم اكتشاف هذه المؤشرات تلقائيًا، والتي تشمل عمر المريض، وتشخيص مرض السكري، وزيادة وتيرة الزيارات للأطباء، بواسطة النموذج ولكنها تطابق فهم الأطباء لعوامل الخطر المرتبطة بسرطان البنكرياس.

على الرغم من وعد نماذج PRISM، كما هو الحال مع جميع الأبحاث، إلا أن بعض الأجزاء لا تزال قيد التنفيذ، فالبيانات الأمريكية وحدها هي النظام الحالي للنماذج، مما يستلزم الاختبار والتكيف للاستخدام العالمي. ويشير الفريق إلى أن الطريق إلى الأمام يتضمن توسيع إمكانية تطبيق النموذج على مجموعات البيانات الدولية ودمج المؤشرات الحيوية الإضافية لإجراء تقييم أكثر دقة للمخاطر.