DOI: https://doi.org/10.1007/s12672-025-02212-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40167870
تاريخ النشر: 2025-04-01
المؤلف: Aaditya Tiwari وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تقدم هذه القسم نظرة عامة على الدور المتطور للذكاء الاصطناعي (AI) في التحليل النسيجي المرضي، مع تسليط الضوء على انتقاله إلى الممارسة السريرية كأداة رئيسية لتفسير الصور النسيجية. تشمل المراجعة دراسات من 2013 إلى 2024، تفحص منهجيات التعلم العميق المختلفة مثل التعلم المراقب، والتعلم غير المراقب، والتعلم المراقب بشكل ضعيف، والتعلم الانتقالي، والتي تُستخدم لأغراض التشخيص والتنبؤ في علم الأمراض الحاسوبي. من الجدير بالذكر أن هذه الطرق أثبتت فعاليتها في تحديد الطفرات الجينية وعلامات الأمراض القياسية من علم الأنسجة الروتيني، حيث تغطي الدراسة 41 دراسة أساسية توضح قابلية تطبيق الذكاء الاصطناعي عبر أنواع متعددة من السرطان.
في الختام، تشير النتائج إلى أن الذكاء الاصطناعي قد تقدم بشكل كبير في أبحاث السرطان، لا سيما في تعزيز دقة التشخيص والتنبؤ من خلال وظائف النماذج المعقدة. ومع ذلك، لا تزال هناك تحديات في دمج هذه التقنيات في الإعدادات السريرية، لا سيما فيما يتعلق بمسائل الخصوصية. تلخص المراجعة الرؤى من 35 دراسة، وتحلل نقاط القوة والقيود لنماذج الذكاء الاصطناعي المختلفة، بما في ذلك الأساليب المراقبة والمراقبة بشكل ضعيف، مما يبرز الإمكانية لمزيد من التقدم في هذا المجال.
مقدمة
في عام 2022، بلغ معدل الإصابة العالمي بالسرطان 20 مليون حالة جديدة، مصحوبة بـ 10 ملايين وفاة مرتبطة بالسرطان. كانت أكثر أنواع السرطان تشخيصًا هي سرطان الرئة (12.4%)، وسرطان الثدي (11.6%)، وسرطان القولون والمستقيم (9.6%)، بينما سجل سرطان الرئة أعلى معدل وفيات بنسبة 18.7%، يليه سرطان القولون والمستقيم (9.3%) وسرطان الكبد (7.8%). يعد الكشف المبكر والدقيق عن السرطان أمرًا حيويًا لتقليل الوفيات والمراضة، مما يتطلب تحديد أنواع السرطان، وعلامات الأورام، ومدى الغزو، وهي مكونات أساسية في علم الأورام الدقيق.
تظل الخزعة هي المعيار الذهبي لتأكيد الخباثة، وفي الممارسة المعاصرة، انتقل التحليل النسيجي المرضي بشكل متزايد إلى التنسيقات الرقمية من خلال تصوير الشرائح الكاملة (WSI). يعزز هذا التقدم في تكنولوجيا التصوير دقة وكفاءة تشخيص السرطان، مما يدعم تحسين نتائج المرضى في علم الأورام.
نقاش
يسلط النقاش الضوء على التقدم والتحديات في تطبيق تقنيات التعلم العميق (DL) على التحليل النسيجي المرضي من خلال تصوير الشرائح الكاملة (WSI). أظهرت نماذج التعلم المراقب، وخاصة الشبكات العصبية التلافيفية (CNNs)، وعدًا كبيرًا في مهام مثل اكتشاف الانقسام الخلوي وتقسيم النوى. ومع ذلك، فإن القضايا مثل عدم توازن الفئات، لا سيما مع الأحداث النادرة مثل الأشكال الانقسامية، وتباين بروتوكولات الصبغ والتحضير قد أعاقت قابلية تعميم هذه النماذج. على سبيل المثال، بينما حققت الشبكات العصبية التلافيفية دقة ملحوظة في تصنيف الأورام الدبقية، غالبًا ما تتأثر الأداء بتأثيرات الدفعة والعيوب الناتجة عن تحضير الشرائح. لقد أظهر دمج الميزات اليدوية مع الشبكات العصبية التلافيفية تحسين الأداء، مما يشير إلى أن الأساليب الهجينة قد تكون مفيدة لتحسين دقة التشخيص.
ظهرت طرق التعلم المراقب بشكل ضعيف، مثل التعلم متعدد الحالات (MIL)، كبدائل فعالة من حيث التكلفة، مما يسمح بتصنيف وتقسيم فعال مع الحد الأدنى من التعليقات التوضيحية. أظهرت الدراسات أن هذه الطرق يمكن أن تتفوق على الأساليب التقليدية، على الرغم من أنها لا تزال تواجه تحديات تتعلق بتباين مستوى الحالة والتعرف على المناطق السرطانية الأصغر. يؤكد النقاش على الحاجة إلى مزيد من التطوير في نماذج التعلم المراقب بشكل ضعيف لتعزيز قوتها وملاءمتها في الإعدادات السريرية. يجب أن تركز الأبحاث المستقبلية على تحسين معالجة WSI واستكشاف الهياكل الهجينة التي تجمع بين أنماط التعلم المختلفة لتعظيم قدرات التشخيص في علم الأمراض الحاسوبي.
DOI: https://doi.org/10.1007/s12672-025-02212-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40167870
Publication Date: 2025-04-01
Author(s): Aaditya Tiwari et al.
Primary Topic: AI in cancer detection
Overview
The section provides an overview of the evolving role of artificial intelligence (AI) in histopathologic analysis, highlighting its transition into clinical practice as a mainstream tool for interpreting histological images. The review encompasses studies from 2013 to 2024, examining various deep learning methodologies such as supervised, unsupervised, weakly supervised, and transfer learning, which are employed for diagnostic and prognostic purposes in computational histopathology. Notably, these methods have proven effective in identifying genetic mutations and standard pathology biomarkers from routine histology, with the survey covering 41 primary studies that illustrate the applicability of AI across multiple cancer types.
In conclusion, the findings indicate that AI has significantly advanced cancer research, particularly in enhancing diagnostic and prognostic accuracy through complex model functions. However, challenges remain in integrating these AI technologies into clinical settings, notably concerning privacy issues. The review synthesizes insights from 35 studies, analyzing the strengths and limitations of various AI models, including supervised and weakly-supervised approaches, thereby underscoring the potential for further advancements in the field.
Introduction
In 2022, the global incidence of cancer reached 20 million new cases, accompanied by 10 million cancer-related deaths. The most frequently diagnosed cancers were lung (12.4%), breast (11.6%), and colorectal (9.6%), while lung cancer accounted for the highest mortality rate at 18.7%, followed by colorectal (9.3%) and liver cancer (7.8%). Early and accurate detection of cancer is crucial for reducing mortality and morbidity, necessitating the identification of cancer types, tumor markers, and the extent of invasion, which are essential components of precision oncology.
Biopsy continues to be the gold standard for confirming malignancy, and in contemporary practice, histopathological analysis has increasingly transitioned to digitized formats through whole slide imaging (WSI). This advancement in imaging technology enhances the accuracy and efficiency of cancer diagnosis, thereby supporting improved patient outcomes in oncology.
Discussion
The discussion highlights the advancements and challenges in applying deep learning (DL) techniques to histopathological analysis through whole-slide imaging (WSI). Supervised learning models, particularly convolutional neural networks (CNNs), have shown significant promise in tasks such as mitosis detection and nuclei segmentation. However, issues such as class imbalance, particularly with rare events like mitotic figures, and variability in staining and preparation protocols have hindered the generalizability of these models. For instance, while CNNs have achieved notable accuracy in classifying gliomas, the performance is often affected by batch effects and artefacts from slide preparation. The integration of handcrafted features with CNNs has been shown to enhance performance, suggesting that hybrid approaches may be beneficial for improving diagnostic accuracy.
Weakly supervised learning methods, such as multiple-instance learning (MIL), have emerged as cost-effective alternatives, allowing for effective classification and segmentation with minimal annotations. Studies have demonstrated that these methods can outperform traditional approaches, although they still face challenges related to instance-level variability and the recognition of smaller cancerous regions. The discussion emphasizes the need for further development in weakly supervised models to enhance their robustness and applicability in clinical settings. Future research should focus on optimizing WSI processing and exploring hybrid architectures that combine various learning paradigms to maximize diagnostic capabilities in computational histopathology.