از هیستوپاتولوژی تا ژنومیک:معماری های چند وجهی عمیق برای تشخیص نسل دوم سرطان

تشخیص سرطان در مراحل اولیه، مرز نجات جان بیمار است. اما روش های سنتی (بیوپسی، ایمونوهیستوشیمی، تصویربرداری) هرکدام به تنهایی ناقص اند. یادگیری عمیق چندوجهی (Multimodal Deep Learning) با ترکیب همزمان داده های پاتولوژی اسلایدهای تمام نما (WSI)، توالی یابی ژنوم (جهش های سوماتیک)، و تصاویر رادیومیک (CT/MRI) دقت بی سابقه ای ایجاد کرده است.

معماری پیشنهادی پیشرفته:

• شبکه توجه متقابل میان وجهی (Cross-modal Transformer): به جای ادغام دیررس (late fusion)، یک رمزگذار اشتراکی توجه، روابط بین ناحیه توموری در تصویر و ناهنجاری اپی ژنتیک در ژن را کشف می کند.
• یادگیری با نظارت ضعیف (Weakly-supervised MIL): برای داده های سرطان که برچسب گذاری سلول به سلول غیرممکن است، از چندنمونه آموزشی (Multiple Instance Learning) استفاده می کند که تنها وجود/عدم تومور در کل اسلاید مشخص است.
• رمزگشایی ریزمحیط تومور (TME): مدل های U-Net سه بعدی روی داده های اسپشیال ترنسکریپتومیکس، چیدمان سلول های ایمنی و فیبروبلاست ها را پیش بینی کرده و رفتار متاستاز را استنتاج می کنند.

کاربرد عملی:
سیستمی که در بیمارستان های مموریال اسلون کترینگ آزمایش شده، توانسته ضایعات پیش سرطانی پانکراس را با ۹۴٪ حساسیت در اسکن های معمولی (که رادیولوژیست با ۶۲٪ تشخیص می داد) شناسایی کند. نکته حیاتی: مدل توضیح می دهد که «کدام ناحیه اسلاید و کدام ژن» به تصمیم نهایی منجر شده است (تفسیرپذیری محلی).چالش اصلی امروز، کمبود داده های چندوجهی برچسب دار است. اما با تکنیک های شبه برچسب زنی تطبیقی و مقابله ای حوزه ای می توان مدلی را در یک مرکز انکولوژی آموزش داد و به مرکز دیگر با ابزار دقیق یکسان منتقل کرد.

رامین گودرزی