DOI: https://doi.org/10.1038/s41598-025-32737-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41741481
تاريخ النشر: 2026-02-26
المؤلف: Fabián Cano وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تتناول الدراسة قيود طرق تقييم خطر سرطان المعدة (GCa) الحالية، والتي تعتمد على تقديرات بصرية ذاتية للتمثيل المعوي في صور علم الأمراض. وتقدم نهجًا آليًا يستخدم الشبكات العصبية التلافيفية العميقة (CNNs) لاكتشاف وقياس التمثيل المعوي، مقارنةً بأدائها مقابل التقييمات البصرية من ثلاثة أطباء أمراض. شملت الأبحاث عينات معدية من مجموعتين: 149 متطوعًا غير مصاب بأعراض من منطقة ذات انتشار مرتفع لسرطان المعدة في كولومبيا و56 مريضًا من مستشفى ثالثي. حققت نماذج التعلم العميق درجة F1 تبلغ 0.80 ± 0.01 وAUC تبلغ 0.91 ± 0.01، بينما كانت اتفاقية المراقبين بين أطباء الأمراض منخفضة بشكل ملحوظ، حيث تراوحت درجات كابا لفليز من 0.20 إلى 0.48.
تشير النتائج إلى أن نماذج التعلم العميق يمكن أن توفر قياسًا موثوقًا ومتسقًا للتمثيل المعوي، مما قد يقلل من الذاتية المتأصلة في التقييمات البصرية التقليدية. بينما تظل التقديرات البصرية الحالية هي الطريقة القياسية، تسلط الدراسة الضوء على وعد القياس القائم على الذكاء الاصطناعي في تحسين تصنيف خطر سرطان المعدة. يجب أن تركز الأبحاث المستقبلية على التحقق من صحة هذه النماذج عبر مجموعات أكبر ومتعددة المراكز ودمج أنواع الشكل المختلفة لتعزيز قابليتها للتطبيق في الإعدادات السريرية. في النهاية، يمكن أن تؤدي التقييمات المدفوعة بالذكاء الاصطناعي القابلة للتكرار إلى اتخاذ قرارات سريرية أكثر موضوعية وشخصية في إدارة خطر سرطان المعدة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على العبء العالمي الكبير لسرطان المعدة (GCa)، الذي كان خامس أكثر أنواع السرطان تشخيصًا وأحد الأسباب الرئيسية للوفيات المرتبطة بالسرطان في عام 2022. حوالي 90% من حالات GCa هي سرطانات غدية، في الغالب سرطانات غدية معوية. تسهم الطبيعة غير المصحوبة بأعراض لـ GCa في ارتفاع معدل الوفيات؛ ومع ذلك، يمكن أن يحسن التشخيص المبكر بشكل كبير من بقاء المرضى. تتأثر تقدم GCa بتفاعل معقد من العوامل الجينية، ووجود هيليكوباكتر بيلوري، والعناصر البيئية أو نمط الحياة. نظرًا لعدم وجود خيارات علاج فعالة حاليًا، يظل الكشف المبكر هو الاستراتيجية الأكثر قابلية للتطبيق لتقليل حدوث GCa والوفيات.
تناقش الورقة نظام سيدني وإصداره المحدث، نظام سيدني المحدث (USS)، الذي يوجه التقييم النسيجي لعينات المعدة لتحديد الآفات السابقة للسرطان. يتم التأكيد على التمثيل المعوي كعلامة حاسمة في تقدم GCa، مع أنظمة تصنيف معروفة مثل الرابط التشغيلي لتقييم التهاب المعدة (OLGA) والرابط التشغيلي للتمثيل المعوي المعدي (OLGIM) المستخدمة لتقييم خطر السرطان. ومع ذلك، ظهرت مخاوف بشأن التباين والموثوقية لهذه الأنظمة التصنيفية، حيث تشير الدراسات إلى أنها قد تصنف خطر السرطان بشكل خاطئ. تقترح المقدمة نهج تعلم عميق تلقائي لتعزيز اكتشاف وقياس التمثيل المعوي في الصور النسيجية، بهدف تحسين دقة التشخيص وتقليل تباين المراقبين مقارنةً بالتقييمات اليدوية التقليدية من قبل أطباء الأمراض.
طرق
في هذا القسم، يصف المؤلفون المنهجية المستخدمة للتصنيف التلقائي للتمثيل المعوي باستخدام نماذج التعلم العميق. يوضح سير العمل، كما هو موضح في الشكل 1، عملية تصنيف التمثيل المعوي وتسجيله بناءً على النسبة الموجودة في العينات المأخوذة من كل من مناطق الفؤوس والجسم في المعدة. تسهل تقنيات التعلم العميق التحليل الفعال للصور النسيجية، مما يمكّن من التعرف الدقيق وقياس التمثيل المعوي، وهو أمر حاسم لأغراض التشخيص.
نتائج
يقدم قسم النتائج نتائج حول اتفاقية المراقبين بين أطباء الأمراض ونموذج التعلم العميق في تقدير نسب التمثيل المعوي (IM). يشير معامل كابا لكوهين إلى اتفاق معتدل بين أطباء الأمراض، مع قيم تبلغ 0.31 للفؤوس و0.41 للجسم، بينما تراوحت كابا كوهين الزوجية من 0.20 إلى 0.48. كانت الاتفاقية بين النموذج الآلي وأطباء الأمراض الأفراد أقل، حيث تراوحت من 0.12 إلى 0.35، مما يبرز ميل أطباء الأمراض لتعيين قيم IM أعلى مقارنة بالنموذج.
بالإضافة إلى ذلك، كشفت علاقة ترتيب سبيرمان عن ارتباطات إيجابية كبيرة بين توقعات النموذج وتقديرات أطباء الأمراض، مع معاملات ارتباط تبلغ ρ = 0.732 ± 0.011 لمرحلة OLGIM وρ = 0.893 ± 0.022 لنسبة IM. أظهر التحليل أيضًا أن اتفاقية المراقبين تحسنت عند استخدام مقياس تقييم فئوي مبسط، وبشكل خاص نظام تصنيف OLGIM، مما يشير إلى أن التصنيف الأكثر خشونة يعزز توافق الخبراء. تؤكد هذه النتائج على التباين في التقديرات البصرية والاتساق النسبي للتقييمات الآلية.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على فعالية نماذج التعلم العميق المتقدمة في اكتشاف وقياس التمثيل المعوي (IM) من عينات خزعة المعدة الرقمية. استخدمت الدراسة مجموعتين، تتكون من متطوعين غير مصابين بأعراض ومرضى مصابين بأعراض، لتدريب وتقييم هذه النماذج. أظهرت النتائج أن النماذج حققت أداءً عاليًا، مع درجة F1 تبلغ 0.80 وAUC تبلغ 0.91، مما يدل على قدرتها على حساب النسيج، والغدد، ونسب IM بدقة. من الجدير بالذكر أن المقارنة بين التوقعات الآلية وتقييمات أطباء الأمراض كشفت عن تباين كبير في التسجيل اليدوي، مما يبرز الطبيعة الذاتية للتقديرات البصرية والاتفاق المعتدل بين المراقبين (قيم كابا لفليز تبلغ 0.31 و0.41 للفؤوس والجسم، على التوالي).
تناقش الورقة أيضًا قيود نظام تسجيل OLGIM، الذي يعتمد بشكل كبير على التقييمات الذاتية ويكون عرضة للتحيزات، خاصة في المراحل المتوسطة من IM. كان أطباء الأمراض يميلون إلى المبالغة في تقدير مدى الآفة مقارنة بالنماذج الآلية، التي أظهرت تباينًا أقل عبر مراحل التسجيل. تعترف الدراسة بالتحديات مثل تحيز التوصيف والطبيعة متعددة البؤر لـ IM، مما يعقد التقييم الدقيق. يتم تشجيع الأبحاث المستقبلية على التركيز على التمييز بين الأنواع الفرعية الكاملة وغير الكاملة من IM والتحقق من صحة هذه النتائج في مجموعات أكبر ومتعددة المراكز. بشكل عام، تشير النتائج إلى أن دمج أدوات الذكاء الاصطناعي في الممارسة السريرية يمكن أن يعزز موضوعية وقابلية تكرار تقييمات خطر سرطان المعدة، مما يمهد الطريق نحو رعاية أكثر تخصيصًا للمرضى.
DOI: https://doi.org/10.1038/s41598-025-32737-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41741481
Publication Date: 2026-02-26
Author(s): Fabián Cano et al.
Primary Topic: AI in cancer detection
Overview
The study addresses the limitations of current gastric cancer (GCa) risk assessment methods, which rely on subjective visual estimations of intestinal metaplasia in histopathology images. It introduces an automated approach utilizing deep convolutional neural networks (CNNs) to detect and quantify intestinal metaplasia, comparing its performance against visual assessments from three pathologists. The research involved gastric samples from two cohorts: 149 asymptomatic volunteers from a high GCa prevalence region in Colombia and 56 patients from a tertiary hospital. The deep learning models achieved an F1-Score of 0.80 ± 0.01 and an AUC of 0.91 ± 0.01, while inter-observer agreement among pathologists was notably low, with Fleiss’s Kappa scores ranging from 0.20 to 0.48.
The findings suggest that deep learning models can provide reliable and consistent quantification of intestinal metaplasia, potentially mitigating the subjectivity inherent in traditional visual assessments. While the current visual estimation remains the standard method, the study highlights the promise of AI-based quantification in improving gastric cancer risk stratification. Future research should focus on validating these models across larger, multi-center cohorts and incorporating diverse morphological subtypes to enhance their applicability in clinical settings. Ultimately, reproducible AI-driven assessments could lead to more objective and personalized clinical decision-making in the management of gastric cancer risk.
Introduction
The introduction of the research paper highlights the significant global burden of gastric cancer (GCa), which was the fifth most diagnosed cancer and a leading cause of cancer-related mortality in 2022. Approximately 90% of GCa cases are adenocarcinomas, predominantly intestinal adenocarcinomas. The asymptomatic nature of GCa contributes to its high mortality rate; however, early diagnosis can substantially improve patient survival. The progression of GCa is influenced by a complex interplay of genetic factors, the presence of Helicobacter pylori, and environmental or lifestyle elements. Given the current lack of effective treatment options, early detection remains the most viable strategy for reducing GCa incidence and mortality.
The paper discusses the Sydney System and its updated version, the Updated Sydney System (USS), which guide the histological evaluation of gastric biopsies to identify premalignant lesions. Intestinal metaplasia is emphasized as a critical marker in GCa progression, with established staging systems like the Operative Link for Gastritis Assessment (OLGA) and the Operative Link on Gastric Intestinal Metaplasia (OLGIM) used to assess cancer risk. However, concerns regarding the variability and reliability of these staging systems have emerged, with studies indicating that they may misclassify cancer risk. The introduction proposes an automatic deep learning approach to enhance the detection and quantification of intestinal metaplasia in histopathological images, aiming to improve diagnostic accuracy and reduce observer variability compared to traditional manual assessments by pathologists.
Methods
In this section, the authors describe the methodology employed for the automatic classification of intestinal metaplasia using deep learning models. The workflow, illustrated in Figure 1, outlines the process of classifying intestinal metaplasia and scoring it based on the proportion present in biopsies taken from both the antrum and corpus regions of the stomach. The integration of deep learning techniques facilitates the efficient analysis of histopathological images, enabling accurate identification and quantification of intestinal metaplasia, which is crucial for diagnostic purposes.
Results
The results section presents findings on inter-observer agreement among pathologists and a deep learning model in estimating intestinal metaplasia (IM) percentages. The Cohen’s Kappa coefficient indicates moderate agreement among pathologists, with values of 0.31 for the antrum and 0.41 for the corpus, while pairwise Cohen’s Kappa ranged from 0.20 to 0.48. The agreement between the automated model and individual pathologists was lower, ranging from 0.12 to 0.35, highlighting a tendency for pathologists to assign higher IM values compared to the model.
Additionally, Spearman’s rank-order correlation revealed significant positive associations between the model’s predictions and pathologists’ estimates, with correlation coefficients of ρ = 0.732 ± 0.011 for OLGIM stage and ρ = 0.893 ± 0.022 for IM percentage. The analysis also showed that inter-observer agreement improved when using a simplified categorical evaluation scale, specifically the OLGIM staging system, suggesting that coarser grading enhances expert consensus. These findings emphasize the variability in visual estimations and the relative consistency of automated assessments.
Discussion
The discussion section of the paper highlights the effectiveness of advanced deep learning models in detecting and quantifying intestinal metaplasia (IM) from digitized gastric biopsy samples. The study utilized two cohorts, comprising asymptomatic volunteers and symptomatic patients, to train and evaluate these models. Results indicated that the models achieved a high performance, with an F1 score of 0.80 and an AUC of 0.91, demonstrating their capability to accurately compute stroma, glands, and IM percentages. Notably, the comparison between automated predictions and pathologist assessments revealed significant variability in manual scoring, underscoring the subjective nature of visual estimations and the moderate inter-observer agreement (Fleiss’ Kappa values of 0.31 and 0.41 for antrum and corpus, respectively).
The paper also discusses the limitations of the OLGIM scoring system, which relies heavily on subjective assessments and is prone to biases, particularly in intermediate stages of IM. Pathologists tended to overestimate lesion extent compared to the automated models, which exhibited lower variability across scoring stages. The study acknowledges challenges such as annotation bias and the multifocal nature of IM, which complicates accurate assessment. Future research is encouraged to focus on distinguishing between complete and incomplete IM subtypes and to validate these findings in larger, multi-center cohorts. Overall, the findings suggest that integrating AI tools into clinical practice could enhance the objectivity and reproducibility of gastric cancer risk assessments, moving towards more personalized patient care.