سرطان الثدي والذكاء الاصطناعي: من توقع الخطر إلى محاكاة العلاج بالتوأم الرقمي
في هذا المقال
ثورة الذكاء الاصطناعي في تدبير سرطان الثدي: من توقع الخطر إلى محاكاة العلاج بـ"التوأم الرقمي"
رحلة من الإحصاء إلى التنبؤ
يتمثل النهج الأساسي لعلم الأورام الحديث في الابتعاد عن "علاج واحد يناسب الجميع"، وتشكيل العلاج وفق السمات البيولوجية الفريدة للفرد والورم. وسرطان الثدي من أبرز السرطانات في هذا التغاير؛ فإلى جانب الأنماط الرئيسية كاللمعي وإيجابي HER2 والثلاثي السلبي (TNBC)، لكل ورم بصمة جينومية وترانسكريبتومية وبيئية دقيقة خاصة به. ويتضمن التدبير السريري شبكات قرارات مترابطة ومتعددة المتغيرات، مثل تقييم الخطر واستراتيجيات التحري وقرار العلاج قبل الجراحة أو بعدها وتوقيت الجراحة ومتابعة الانتكاس.
اعتمدنا لسنوات على حدود العقل البشري والنماذج الإحصائية البسيطة لإدارة هذا التعقيد. لكن الأنظمة البيولوجية ليست خطية؛ فالتفاعلات بين الجينات والبروتينات والبيئة النسيجية الدقيقة فوضوية ومتعددة الأبعاد. وهنا أصبح الذكاء الاصطناعي، خصوصًا خوارزميات تعلم الآلة (ML) والتعلم العميق (DL)، أداة لا غنى عنها لإدارة التعقيد.
ينقسم المسار التاريخي لتدبير سرطان الثدي إلى ثلاث حقب رئيسية:
- 1. الحقبة الإحصائية (1989-2000): حقبة استخدام الإحصاءات القائمة على السكان، مثل نموذج Gail.
- 2. الحقبة الجينومية (2000-2015): حقبة إضافة عوامل الخطر الجينية إلى المعادلة، كما في Tyrer-Cuzick.
- 3. حقبة الذكاء الاصطناعي (2016-اليوم): حقبة "تتنبأ" فيها خوارزميات التعلم العميق بالمستقبل بمعالجة البكسلات والبيانات البيولوجية التي لا تراها العين البشرية.
ندرس في هذا المقال بعمق كيف يحول الذكاء الاصطناعي تدبير سرطان الثدي، بأحدث التقنيات من خوارزمية Mirai إلى التخطيط الجراحي الافتراضي، وبالبيانات القائمة على الأدلة وفي ضوء الأطر التنظيمية (FDA، ESMO).
1. ثورة توقع الخطر: من الاستبيانات إلى البكسلات
تستند نماذج الخطر التقليدية (Gail، Tyrer-Cuzick) إلى بيانات "ثابتة" قائمة على الاستبيانات، مثل العمر والتاريخ العائلي وعدد الولادات. وأكبر نقائصها عدم استخدام القرائن البيولوجية في نسيج الثدي نفسه، كالكثافة والتكلسات الدقيقة، استخدامًا كاملًا. أما الذكاء الاصطناعي، فحوّل الماموغرافيا من "صورة" للسرطان الراهن فقط إلى "كرة بلورية" تكشف المستقبل.
Mirai مقابل النماذج التقليدية: أداء مقارن (AUC)
Journal of Clinical Oncology و Radiology وفق دراسات التحقق المنشورة في هاتين المجلتين:
حدد بصورة صحيحة نسبة 31% من المرضى الذين سيصابون بالسرطان مستقبلًا بوصفهم "عاليي الخطورة".
لم يستطع تحديد سوى نسبة 18% من المرضى الذين سيصابون بالسرطان مستقبلًا.
أبسط نموذج إحصائي لا يكفي لتوقع المخاطر الحديثة.
سبب الفارق: يستطيع Mirai تحليل البنى النسيجية الدقيقة وعدم التناظر والتغيرات الدقيقة جدًا بين ماموغرافيا المريضة القديمة والجديدة (البيانات الزمنية)، مما لا تدركه العين البشرية.
تقنية حصلت على صفة FDA "Breakthrough": Prognosia Breast
طورت جامعة واشنطن Prognosia Breast، التي منحتها FDA صفة "جهاز مبتكر" (Breakthrough Device). ولا تقيس هذه التقنية مقدار كثافة الثدي فقط؛ بل تحلل توزع النسيج واضطراباته البنيوية الدقيقة (texture analysis).
قد يكشف هذا التحليل وجود بيئة دقيقة ملائمة لتطور الورم في نسيج الثدي (pre-tumor environment) حتى قبل تشكله. وتتراوح درجة AUC لـ Prognosia Breast بين 0.67 و0.74. كما أن التحقق منها في مجموعات بيانات كبيرة تضم نساء من أصول عرقية مختلفة، من السود والآسيويات، يقلل خطر "تحيز البيانات" (bias) في الذكاء الاصطناعي.
الانتقال إلى التحري المخصص: نهاية عصر "التحري نفسه للجميع"
يتيح تقييم الخطر بالذكاء الاصطناعي الاستخدام الأمثل للموارد. وبدل الماموغرافيا السنوية المعيارية لكل امرأة فوق 40، يمكن تطبيق بروتوكولات ديناميكية قائمة على الخطر. ووفق بيانات جامعة كامبريدج وRSNA 2025، يستطيع الذكاء الاصطناعي توقع خطر السرطان الفاصل بتحليل الأنماط الخفية في صور الماموغرافيا المبلغ عنها سلبية.
- المريضة عالية الخطورة (درجة ذكاء اصطناعي مرتفعة): تُقصر فواصل التحري، مثل كل 6 أشهر. ويُضاف تصوير الثدي بـ MRI أو الماموغرافيا بالتباين إلى الماموغرافيا. والهدف التقاط السرطانات الفاصلة.
- المريضة منخفضة الخطورة (درجة ذكاء اصطناعي منخفضة جدًا): يمكن إطالة الفواصل بأمان، مثل كل 2 سنة. وبذلك يقل التعرض غير الضروري للإشعاع والقلق والعبء المالي على النظام الصحي.
2. مستقبل العلاج: التوائم الرقمية والتجارب الافتراضية
تخيل مستقبلًا لا يحتاج فيه اختيار الدواء الأنسب إلى جعل المريض "حقل تجارب". ويتيح الذكاء الاصطناعي ذلك بمحاكاة العلاجات على "توأم رقمي" ينشئه ببيانات المريض البيولوجية.
FarrSight-Twin: من الفيزياء الفلكية إلى علم الأورام
تكيف هذه المنصة خوارزميات الفيزياء الفلكية المعقدة المستخدمة لاكتشاف الثقوب السوداء مع بيولوجيا السرطان، وتعالج بيانات آلاف المرضى لإنشاء "شخصية افتراضية" مخصصة لمريض جديد.
التطبيق السريري: في الحالات الصعبة محدودة الخيارات، مثل سرطان الثدي الثلاثي السلبي (TNBC)، تختبر أي تركيبة دوائية، كالكيميائي مع المناعي، تعطي أفضل نتيجة in silico (حاسوبيًا). وتتيح أيضًا إجراء "تجارب سريرية افتراضية" لخفض تكاليف تطوير الأدوية.
SimBioSys TumorSight: التخطيط الجراحي الافتراضي
تنشئ هذه المنصة المعتمدة من FDA (510(k) Cleared) نموذجًا بيوفيزيائيًا ثلاثي الأبعاد 3 للورم من صور MRI للثدي بالتباين الديناميكي (DCE-MRI). ولا يحاكي النموذج الشكل فقط، بل حركية نمو الورم أيضًا.
ما يعنيه للجراح: يرى الجراح، قبل دخول العملية، إجابة سؤال: "هل أستطيع تحقيق هامش جراحي سليم إذا أجريت جراحة محافظة على الثدي؟" في هذه المحاكاة. والهدف تقليل خطر إعادة العملية (إعادة الاستئصال) وفقدان الثدي.
3. توقع الاستجابة والمقاومة: فك الشفرات البيولوجية
لا يشرح الذكاء الاصطناعي "ما سيحدث" (النتيجة) فقط، بل "لماذا سيحدث" (الآلية) أيضًا. وهناك تطوران حاسمان يفكان شفرات منظومة الورم:
- تكامل متعدد الأوميكس (Nature، 2022): يصعب توقع الاستجابة للعلاج بالبيانات السريرية وحدها. وفي دراسة Sammut وزملائه المنشورة في Nature، دمج نموذج الذكاء الاصطناعي عمر المريضة وDNA الورم، بما فيه عبء الطفرات وتغيرات عدد النسخ، وRNA (التعبير الجيني) وصور الأمراض الرقمية (ارتشاح الخلايا المناعية - TILs).
النتيجة: أتاح هذا التكامل التنبؤ بما إذا كانت المريضة ستستجيب كليًا للكيميائي قبل الجراحة (NAC)، بدقة مرتفعة جدًا بلغت 0.87 AUC. كما كشف النموذج آليات "الهروب المناعي" في الأورام المقاومة، مثل فقد أليلات HLA من الصنف I، وقدم أهدافًا دوائية جديدة. - مؤشر PERCI (مقاومة الغدد الصماء): تطور بعض مريضات سرطان الثدي إيجابي المستقبلات الهرمونية (HR+) مقاومة للدواء الهرموني مع الوقت. وتحلل درجة PERCI (Predictive Endocrine Resistance Index) حالة طفرة TP53 وأنماط مثيلة DNA وعمر المريضة بتعلم الآلة.
الفائدة السريرية: تجيب الطبيب عن سؤال: "هل يكفي العلاج الهرموني وحده لهذه المريضة، أم ينبغي إضافة دواء ذكي منذ البداية (مثبط CDK4/6)؟"
4. الانعكاس على الممارسة اليومية: الذكاء الاصطناعي في العيادة
لم يعد الذكاء الاصطناعي يساند الأطباء في المختبرات فقط، بل في سير العمل السريري اليومي أيضًا.
| التقنية / البرمجية | مجال الاستخدام | الفائدة السريرية والوظيفة |
|---|---|---|
| Koios DS (FDA 510(k) Cleared) | تصوير الثدي بالموجات فوق الصوتية | عندما يحدد اختصاصي الأشعة آفة مشبوهة، يحللها خلال ثوانٍ، ويعطي درجة خطر وفق فئة BI-RADS، ويقترح "خزعة ضرورية" أو "متابعة كافية". وقد ثبت أنه يرفع الدقة التشخيصية (AUC) لاختصاصيي الأشعة من 0.83 إلى 0.87. |
| تقنية GUIDE-G / RAG | دمج الأدلة الإرشادية | يمسح أدلة علاجية معقدة من مئات الصفحات مثل NCCN وASCO، ويقدم للطبيب فورًا أحدث خيار علاجي قائم على الأدلة لمريضه. ويقلل النظام القائم على RAG، الذي طورته جامعة سنغافورة الوطنية، خطر "الهلوسة"، أي المعلومات الخاطئة. |
| SurvGPT | رعاية الناجين | يعد تلقائيًا "خطة رعاية الناجين" (SCP) لمن انتهى علاجهم. ويمسح السجلات الصحية الإلكترونية (EHR)، ويلخص جرعات الكيميائي وحقول الإشعاع والآثار الجانبية، وينشئ جدول متابعة مخصصًا. |
| TabNet | توقع الانتكاس | يتنبأ بخطر الانتكاس "مع أسبابه" (ذكاء اصطناعي قابل للتفسير)، بتحليل الورم وتناظر الثدي المقابل والنسيج المحيط بالورم (peritumoral). |
5. الإطار التنظيمي: استخدام آمن للذكاء الاصطناعي
تضع الجهات التنظيمية (FDA) والجمعيات المهنية (ESMO) معايير لدمج تقنيات الذكاء الاصطناعي بأمان في العيادة.
- FDA (إدارة الغذاء والدواء الأمريكية): تقيم خوارزميات الذكاء الاصطناعي ضمن "البرمجيات كجهاز طبي" (SaMD). وتشترط للخوارزميات ذاتية التعلم تقديم "خطة مسبقة لضبط التغييرات" (PCCP) تراقب تغير الأداء مع الزمن.
- ESMO (الجمعية الأوروبية لطب الأورام): نشرت دليلين حاسمين:
- ELCAP: يرسم حدود استخدام نماذج اللغة الكبيرة، ويشترط التحقق من المصادر ومبدأ "وجود الإنسان في الحلقة" (human-in-the-loop).
- EBAI: يحدد معايير الصلاحية التحليلية والسريرية اللازمة لدخول المؤشرات الحيوية القائمة على الذكاء الاصطناعي إلى العيادة.
المراجع العلمية وقراءات إضافية
- Yala A, Mikhael PG, Strand F, et al. Toward robust mammography-based models for breast cancer risk (Mirai). Science Translational Medicine. 2021;13(578):eaba4373.
- Sammut SJ, Crispin-Ortuzar M, Chin SF, et al. Multi-omic machine learning predictor of breast cancer therapy response. Nature. 2022;601(7894):623-629.
- Lehman CD, Yala A, Schuster T, et al. Mammographic Breast Density Assessment Using Deep Learning: Clinical Implementation. Radiology. 2019;290(1):52-58.
- Harbeck N, et al. A predictive endocrine resistance index accurately stratifies luminal breast cancer treatment responders and nonresponders (PERCI). J Clin Invest. 2024.
- SimBioSys. FDA Clears TumorSight Viz for Breast Cancer Surgical Planning. Press Release, 2023.
- ESMO Real World Data and Digital Health Working Group. Guidance on the use of Large Language Models in Oncology. Annals of Oncology. 2024.
*جُمعت هذه المقالة من محتوى عرض الأستاذ الدكتور مصطفى أوزدوغان "الذكاء الاصطناعي في تدبير سرطان الثدي: من توقع الخطر إلى محاكاة العلاج" ومن الأدبيات الحالية.
هل كان هذا المقال مفيدًا لك؟
تساعدنا ملاحظاتك على تحسين المحتوى.
تعليقات القراء
شارك تعليقك
لا يُنشر اسمك وتعليقك إلا بعد موافقة المسؤول. لا يُعرض بريدك الإلكتروني للزوار مطلقًا.
كن أول من يعلّق.