يمكن للذكاء الاصطناعي اكتشاف السرطان، لكنه يمكنه أيضًا اكتشاف هويتك، وقد تبين أن هذا مهم.

• دراسة جديدة وجدت ذلك الذكاء الاصطناعي الأنظمة المستخدمة لتشخيص السرطان من خلال شرائح علم الأمراض لا تعمل بشكل متساوٍ لجميع المرضى دقة متفاوتة حسب العرق والجنس والفئات العمرية.
• كشف الباحثون عن ثلاثة أسباب رئيسية وراء هذا التحيز وقدموا نهجًا جديدًا أدى إلى تقليل فجوات الأداء هذه بشكل كبير.
• تؤكد النتائج على أهمية اختبار الذكاء الاصطناعي الطبي بشكل روتيني للتأكد من عدم التحيز حتى تتمكن هذه الأدوات من دعم الرعاية العادلة والدقيقة لمرضى السرطان للجميع.

كيف يوجه علم الأمراض تشخيص السرطان

لقد لعب علم الأمراض منذ فترة طويلة دورًا مركزيًا في كيفية التعرف على السرطان وعلاجه. في هذه العملية، يقوم أخصائي علم الأمراض بفحص شريحة رقيقة للغاية من الأنسجة البشرية تحت المجهر، بحثًا عن العلامات البصرية التي تكشف ما إذا كان السرطان موجودًا، وإذا كان الأمر كذلك، ما هو نوعه ومرحلته.

بالنسبة لخبير مدرب، فإن مشاهدة عينة من الأنسجة الوردية الدوامية المنقطة بالخلايا الأرجوانية يشبه إلى حد كبير تقييم اختبار مجهول. تحتوي الشريحة على معلومات مهمة حول المرض نفسه، لكنها لا تكشف عن تفاصيل شخصية عن المريض.

عندما يفسر الذكاء الاصطناعي أكثر من المرض

ولا ينطبق هذا الافتراض بشكل كامل على أنظمة الذكاء الاصطناعي المستخدمة الآن في علم الأمراض. أظهرت دراسة جديدة أجراها باحثون في كلية الطب بجامعة هارفارد أن نماذج الذكاء الاصطناعي في علم الأمراض يمكنها استخلاص المعلومات الديموغرافية مباشرة من شرائح الأنسجة. يمكن لهذه القدرة أن تؤدي إلى التحيز في تشخيص السرطان عبر مجموعات مختلفة من المرضى.

من خلال فحص العديد من نماذج الذكاء الاصطناعي المستخدمة على نطاق واسع والمصممة للكشف عن السرطان، وجد الباحثون أن الأداء يختلف اعتمادًا على جنس المرضى وعرقهم وعمرهم. كما حددوا أسبابًا متعددة لحدوث هذه الفوارق.

ولمعالجة المشكلة، قام الفريق بتطوير إطار عمل جديد يسمى FAIR-Path، والذي أدى إلى تقليل التحيز بشكل كبير في النماذج التي تم اختبارها.

قال المؤلف الرئيسي كون شينج يو، الأستاذ المشارك في المعلوماتية الطبية الحيوية في معهد بلافاتنيك في HMS وأستاذ مساعد في علم الأمراض في مستشفى بريجهام والنساء: “يُعتقد أن قراءة التركيبة السكانية من شريحة علم الأمراض هي مهمة مستحيلة بالنسبة لأخصائي علم الأمراض البشري، لذلك كان التحيز في الذكاء الاصطناعي في علم الأمراض مفاجأة لنا”.

وشدد يو على أن تحديد وتصحيح التحيز في الذكاء الاصطناعي الطبي أمر ضروري، لأنه يمكن أن يؤثر على دقة التشخيص ونتائج المرضى. يشير نجاح FAIR-Path إلى أن تحسين العدالة في الذكاء الاصطناعي لأمراض السرطان، وربما أدوات الذكاء الاصطناعي الطبية الأخرى، قد يكون قابلاً للتحقيق من خلال تغييرات متواضعة نسبيًا.

تم وصف العمل، الذي كان مدعومًا جزئيًا بتمويل فدرالي، اليوم (16 ديسمبر) في تقارير الخلية الدواء.

اختبار الذكاء الاصطناعي للتحيز التشخيصي

قام يو وزملاؤه بتقييم التحيز في أربعة نماذج شائعة الاستخدام للذكاء الاصطناعي قيد التطوير لتشخيص السرطان. يتم تدريب أنظمة التعلم العميق هذه على مجموعات كبيرة من شرائح علم الأمراض، مما يسمح لها بتعلم الأنماط البصرية المرتبطة بالمرض وتطبيق تلك المعرفة على عينات جديدة.

اختبر الفريق النماذج باستخدام مجموعة بيانات كبيرة متعددة المؤسسات تضمنت شرائح علم الأمراض من 20 نوعًا مختلفًا من السرطان.

وفي جميع النماذج الأربعة، وجد الباحثون فجوات ثابتة في الأداء. كانت دقة التشخيص أقل بالنسبة لمجموعات معينة محددة حسب العرق والجنس والعمر. على سبيل المثال، واجهت النماذج صعوبة في التمييز بين الأنواع الفرعية لسرطان الرئة لدى المرضى الأمريكيين من أصل أفريقي والمرضى الذكور. لقد كافحوا أيضًا مع الأنواع الفرعية لسرطان الثدي لدى المرضى الأصغر سنًا وأظهروا انخفاضًا في دقة الكشف عن سرطانات الثدي والكلى والغدة الدرقية والمعدة في مجموعات ديموغرافية محددة. بشكل عام، ظهرت هذه التفاوتات في حوالي 29 بالمائة من المهام التشخيصية التي تم تحليلها.

وفقًا ليو، تحدث هذه الأخطاء لأن النماذج تستخرج المعلومات الديموغرافية من صور الأنسجة ثم تعتمد على الأنماط المرتبطة بتلك التركيبة السكانية عند اتخاذ القرارات التشخيصية.

وكانت النتائج غير متوقعة. قال يو: “لأننا نتوقع أن يكون تقييم الأمراض موضوعيًا”. “عند تقييم الصور، لا نحتاج بالضرورة إلى معرفة التركيبة السكانية للمريض لإجراء التشخيص.”

أثار هذا سؤالًا بالغ الأهمية لفريق البحث: لماذا فشل الذكاء الاصطناعي في علم الأمراض في تلبية نفس معيار الموضوعية؟

لماذا يظهر التحيز في علم الأمراض AI؟

حدد الباحثون ثلاثة مساهمين رئيسيين في المشكلة.

أولا، غالبا ما تكون بيانات التدريب غير متساوية. من الأسهل الحصول على العينات من بعض المجموعات السكانية أكثر من غيرها، مما يعني أن نماذج الذكاء الاصطناعي يتم تدريبها على مجموعات بيانات غير متوازنة. وهذا يجعل التشخيص الدقيق أكثر صعوبة بالنسبة للمجموعات الممثلة تمثيلا ناقصا، بما في ذلك مجموعات سكانية معينة محددة حسب العرق أو العمر أو الجنس.

ومع ذلك، أشار يو إلى أن “المشكلة تبين أنها أعمق من ذلك بكثير”. وفي بعض الحالات، كان أداء النماذج أسوأ بالنسبة لمجموعات ديموغرافية معينة حتى عندما كانت أحجام العينات متشابهة.

وأشار مزيد من التحليل إلى الاختلافات في حدوث المرض. تحدث بعض أنواع السرطان بشكل متكرر أكثر لدى بعض المجموعات السكانية، مما يسمح لنماذج الذكاء الاصطناعي بأن تصبح أكثر دقة لتلك المجموعات. ونتيجة لذلك، قد تواجه نفس النماذج صعوبات عند تشخيص السرطان لدى المجموعات السكانية التي تكون فيها هذه الأمراض أقل شيوعًا.

يبدو أن النماذج أيضًا تكتشف الاختلافات الجزيئية الدقيقة بين المجموعات الديموغرافية. على سبيل المثال، قد يحددون الطفرات في الجينات المسببة للسرطان ويستخدمون تلك الإشارات كاختصارات للتشخيص. يمكن أن يفشل هذا النهج في المجموعات السكانية التي تحدث فيها هذه الطفرات بشكل أقل تكرارًا.

وقال يو: “لقد وجدنا أنه نظرًا لقوة الذكاء الاصطناعي، فإنه يمكنه التمييز بين العديد من الإشارات البيولوجية الغامضة التي لا يمكن اكتشافها من خلال التقييم البشري القياسي”.

وبمرور الوقت، يمكن أن يؤدي ذلك إلى تركيز النماذج على السمات المرتبطة بشكل أوثق بالتركيبة السكانية أكثر من المرض نفسه، مما يقلل الدقة عبر مجموعات المرضى المتنوعة.

وقال يو إن هذه النتائج مجتمعة تظهر أن التحيز في الذكاء الاصطناعي في علم الأمراض لا يتأثر فقط بجودة وتوازن بيانات التدريب، ولكن أيضًا بكيفية تدريب النماذج على تفسير ما يرونه.

الحد من التحيز مع إطار بسيط

وبعد تحديد مصادر التحيز، شرع الباحثون في معالجتها.

لقد أنشأوا FAIR-Path، وهو إطار عمل يعتمد على تقنية التعلم الآلي الموجودة المعروفة باسم التعلم التقابلي. يعلم هذا النهج نماذج الذكاء الاصطناعي التركيز بقوة أكبر على الاختلافات المهمة، مثل تلك الموجودة بين أنواع السرطان، مع تقليل الاهتمام بالفروق الأقل أهمية، بما في ذلك الخصائص الديموغرافية.

وعندما تم تطبيق FAIR-Path على النماذج التي تم اختبارها، انخفضت الفوارق التشخيصية بنحو 88 بالمائة.

وقال يو: “لقد أظهرنا أنه من خلال إجراء هذا التعديل البسيط، يمكن للنماذج أن تتعلم ميزات قوية تجعلها أكثر قابلية للتعميم وأكثر عدالة عبر مجموعات سكانية مختلفة”.

وأضاف أن النتيجة مشجعة، لأنها تشير إلى إمكانية حدوث تخفيضات كبيرة في التحيز حتى بدون وجود مجموعات بيانات تدريب متوازنة تمامًا أو ممثلة بالكامل.

وبالنظر إلى المستقبل، يعمل يو وزملاؤه مع مؤسسات في جميع أنحاء العالم لدراسة تحيز الذكاء الاصطناعي في علم الأمراض في المناطق ذات التركيبة السكانية والممارسات الطبية والإعدادات السريرية المختلفة. إنهم يستكشفون أيضًا كيف يمكن تكييف FAIR-Path مع المواقف ذات البيانات المحدودة. والهدف الآخر هو التوصل إلى فهم أفضل لكيفية مساهمة التحيز القائم على الذكاء الاصطناعي في تفاوتات أوسع في الرعاية الصحية ونتائج المرضى.

وقال يو إن الهدف في النهاية هو تطوير أدوات الذكاء الاصطناعي في علم الأمراض التي تدعم الخبراء البشريين من خلال تقديم تشخيصات سريعة ودقيقة وعادلة لجميع المرضى.

وقال: “أعتقد أن هناك أمل في أنه إذا كنا أكثر وعيًا وحرصًا بشأن كيفية تصميم أنظمة الذكاء الاصطناعي، فيمكننا بناء نماذج ذات أداء جيد في كل مجموعة سكانية”.

المرجع: “التعلم التقابلي يعزز العدالة في أنظمة الذكاء الاصطناعي في علم الأمراض” 16 ديسمبر 2025، تقارير الخلية الطب.
دوى: 10.1016/j.xcrm.2025.102527

ومن بين المؤلفين الإضافيين في الدراسة شيه ين لين، وبي تشن تساي، وفانغ يي سو، وتشون ين تشين، وفوتشين لي، وجونهان تشاو، ويوك يونغ هو، وتسونغ لو مايكل لي، وإليزابيث هيلي، وبو جين لين، وتينغ وان كاو، ودميترو فريمينكو، وتوماس رويتزر بيجريموفسكي، ولينيت شول، وديبورا ديلون، ونانسي يو. لين، ديفيد ميريديث، كيث إل. ليجون، ينج تشون لو، نيبون تشيسوريا، ديفيد جيه. كوك، أديلهيد ووهرر، جيفري مايرهارت، شوجي أوجينو، ماكلين بي نصر الله، جيفري أ. جولدن، سابينا سينيوريتي، وجونج هسين تشيانج.

تم توفير التمويل من قبل المعهد الوطني للعلوم الطبية العامة والمعهد الوطني للقلب والرئة والدم في الجامعة المعاهد الوطنية للصحة (المنح R35GM142879، R01HL174679)، وزارة الدفاع (جائزة التطوير الوظيفي لبرنامج أبحاث السرطان التي راجعها النظراء HT9425-231-0523)، جمعية السرطان الأمريكية (منحة الباحث العلمي RSG-24-1253761-01-ESED)، جائزة Google Research Scholar، جائزة عميد كلية الطب بجامعة هارفارد، المجلس الوطني للعلوم والتكنولوجيا تايوان (منح NSTC 113-2917-I-006-009، 112-2634-F-006-003، 113-2321-B-006-023، 114-2917-I-006-016)، ومنحة دراسية لطلاب الدكتوراه من مؤسسة شين مياو التعليمية.

كان ليجون مستشارًا لشركة Travera، وBristol Myers Squibb، وServier، وIntegraGen، وLEK Consulting، وBlaze Bioscience؛ حصل على حقوق الملكية من ترافيرا؛ ولديه تمويل بحثي من شركة بريستول مايرز سكويب وليلي. Vremenko هو أحد مؤسسي ومساهمي شركة Vectorly.

أعد المؤلفون المخطوطة الأولية واستخدموا ChatGPT لتحرير أقسام مختارة لتحسين إمكانية القراءة. بعد استخدام هذه الأداة، قام المؤلفون بمراجعة المحتوى وتحريره حسب الحاجة ويتحملون المسؤولية الكاملة عن محتوى المقالة المنشورة.

لا تفوت أي اختراق: انضم إلى النشرة الإخبارية SciTechDaily.
تابعونا على جوجل و أخبار جوجل.