ورقتان بحثيتان جديدتان تعالجان "النقاط العمياء" في الذكاء الاصطناعي للأورام: من تقييم الأورام إلى تنسيق الأنظمة داخل المستشفيات

ظهرت ورقتان بحثيتان أوليتان (Preprints) على أرشيف "آركايف" (arXiv) بفارق أقل من أسبوعين، وكلتاهما تحاولان معالجة نفس المعضلة في مجال الذكاء الاصطناعي لعلاج السرطان: كيف تنتقل النماذج التي تتفوق في بيئات البيانات المنظمة والمختبرة إلى واقع العمل السريري الفعلي، المليء بالتشتت والفوضى.

الورقة الأولى، التي قدّمها فيتولد ديركا (Witold Dyrka) في 25 يونيو 2026 تحت الرقم (arXiv:2606.27579)، تتناول مهمة محددة لكنها بالغة الأهمية سريرياً: التنبؤ بـ"نسبة تعبير الورم" (Tumor Proportion Score - TPS) في سرطان الرئة غير صغير الخلايا (NSCLC)، وذلك مباشرة من صور الشريحة النسيجية الكاملة (Whole-Slide Images). هذه النسبة تحدد أهلية المريض لتلقي أنواع معينة من العلاج المناعي، وهذا ما يجعل دقة الحساب على نطاق واسع أمراً حاسماً وليس ترفاً تقنياً.

يعتمد الفريق البحثي على تقنية "التعلم متعدد النسخ" (Multiple Instance Learning - MIL)، المعروفة بفعاليتها في التنبؤات على مستوى الشريحة الكاملة، لكنهم أضافوا لمسة مختلفة. بدلاً من معاملة كل قطعة من الصورة (Patch) على أنها تحمل قيمة معلوماتية متساوية، قسّم الباحثون المهمة إلى مرحلتين: شبكة أولى تستخرج التمثيلات الرقمية (Embeddings) لكل قطعة وتصنّف النسيج إلى فئات متعددة، تليها نموذج "MIL" يجمّع هذه القطع للوصول إلى تقدير نهائي لنسبة "TPS"، مستخدماً في ذلك توزيعاً إحصائياً يُعرف بـ"بيتا المتضخم بالصفر" (Zero-Inflated Beta - ZIBeta).

هذا الاختيار الإحصائي هو جوهر الإسهام العلمي للورقة. فقيم "TPS" محصورة بين الصفر والواحد، لكن نسبة كبيرة من قطع الورم لا تُظهر أي تعبير جيني على الإطلاق، وهي مشكلة تُعرف بـ"فئة الصفر" تعاني منها نماذج الانحدار التقليدية بشكل واضح. من خلال نمذجة هذا التضخم في القيم الصفرية بشكل منفصل عن التوزيع المستمر للقيم الإيجابية، تمكّن نهج "ZIBeta" من تجاوز أساليب الانحدار الخطي (Linear Regression) والانحدار المتقلص (Ridge Regression) بفارق كبير، بحسب النتائج المعلنة. والأهم من ذلك، أن النظام لا يحتاج إلا إلى تصنيفات "TPS" على مستوى الشريحة الكاملة للتدريب، متجنباً بذلك عملية التوصيف اليدوي المكلفة لكل قطعة على حدة، والتي تعتمد عليها الكثير من منظومات الذكاء الاصطناعي في علم الأمراض.

تنسيق الذكاء الاصطناعي عبر أنظمة المستشفيات

أما الورقة الثانية، المقدَّمة في 7 يوليو 2026 تحت الرقم (arXiv:2607.06531)، فتعمل في طبقة مختلفة تماماً. فهي لا تقترح نموذجاً تنبؤياً جديداً، بل تقدّم إطاراً يحمل اسم "المساعد الكبير للسرطان" (Large Cancer Assistant - LCA)، مصمم للجلوس فوق أدوات الذكاء الاصطناعي الأورامية القائمة، وتنسيق عملها دون أن يكون مرتبطاً ببنية تحتية خاصة بمستشفى معين.

يُصاغ نظام "LCA" رياضياً كبنية سباعية العناصر (Seven-Tuple)، مبنية على ما يسميه الباحثون "مبدأ النفاذية الخوارزمية" (Algorithmic Impermeability)، وهو مبدأ تصميمي يهدف إلى منع طبقة التنسيق من الارتهان لأنظمة تقنية معلومات خاصة بمستشفى محدد. ويستخدم مكوّن "نظرية المدخل" (Entry Theory) داخل النظام تقنية "التعلم العميق الهندسي" (Geometric Deep Learning) لتوحيد بيانات المرضى متعددة الوسائط - كالتصوير والسجلات ونتائج المختبر - وفق محاور بنيوية وسريرية متسقة، قبل أن تقوم "وحدة تبديل السرطان" (Cancer Switching Module) بتوجيهها إلى النموذج المناسب. والمخرج النهائي، المسمى "الحمولة الوسيطة المعيارية" (Standardized Intermediate Payload - SIP)، يعمل كطبقة عازلة تفصل تنفيذ الذكاء الاصطناعي عن أنظمة المستشفى الأساسية، وهو خيار هندسي يستهدف تسهيل النشر عبر مؤسسات تختلف جذرياً في صيغ بياناتها.

تمتد الورقة البحثية على 22 صفحة، وتتضمن ستة أشكال وثماني جداول وتسعة ملاحق، وتعرض اختباراً مبدئياً (Proof-of-Concept) شمل أربعة سيناريوهات تقنية. وحين تعمّد الباحثون حقن حالات شاذة داخل بيانات المرضى، رصدت آلية النظام المخصصة لكشف المعلومات المفقودة أو المشكوك فيها - المعروفة بوظيفة "طلب البيانات التكميلية" (Supplementary Data Request - SDR) - كل حالة على الإطلاق، محققة نسبة استرجاع (Recall) بلغت 100%.

ولا تدّعي أي من الورقتين جاهزية للنشر السريري الفعلي حتى الآن؛ فكلتاهما لا تزالان في مرحلة "Preprint"، أي أن المراجعة العلمية من الأقران (Peer Review) لم تكتمل بعد. لكن مجتمعتين، ترسمان ملامح رؤية ثنائية الطبقة لذكاء اصطناعي الأورام: نماذج إحصائية أكثر دقة لمؤشرات حيوية محددة كـ"TPS"، محمية داخل أطر تنسيقية صُممت لتصمد أمام تعقيدات البنية التحتية الحقيقية للمستشفيات، لا فقط أمام قواعد البيانات المرجعية المستخدمة في الاختبار.