اختيار نموذج تأسيسي للباثولوجيا في عام ٢٠٢٦

لا يوجد نموذج تأسيسي واحد هو الأفضل في الباثولوجيا. ما تقوله المقارنات المعيارية والتراخيص وملاءمة المهمة والحوسبة عن UNI وCONCH وVirchow2. للبحث، لا للتشخيص.

لا يوجد نموذج تأسيسي (foundation model) واحد هو الأفضل في الباثولوجيا (علم الأمراض). ففي مقارنة معيارية (benchmark) مستقلة نُشرت في Nature Biomedical Engineering، قارن Neidlinger وزملاؤه ١٩ نموذجًا تأسيسيًا في مهام على مستوى الشريحة: جاء CONCH في الصدارة، ويليه Virchow2 بفارق قليل. أما في التنبؤ بالتعبير الجيني، فتضع لوحة صدارة HEST-Benchmark، بحسب مراجعتها في ١٧ سبتمبر ٢٠٢٦، النموذجَ H-optimus-1 في المركز الأول وCONCH في مرتبة أدنى. اختر بهذا الترتيب: ما يسمح لك به الترخيص، ثم ما تحتاجه المهمة، ثم ما تستطيع ميزانية الحوسبة لديك تشغيله على شرائح بحجم جيجابكسل. بعد ذلك قيّم النموذج بتقسيمات للبيانات على مستوى المريض، وعلى مجموعات مرضى لم يرها النموذج في مرحلة التدريب المسبق.

وصلتُ إلى هذا السؤال من خلال رسالة الماجستير التي أعددتها عن التنبؤ بالتعبير الجيني من صور الباثولوجيا. والمقارنات الواردة هنا نتائج منشورة لمجموعات بحثية أخرى، لا قياسات أجريتُها بنفسي.

ما هو النموذج التأسيسي في الباثولوجيا؟

النموذج التأسيسي في الباثولوجيا مُرمِّز صور (image encoder) دُرِّب تدريبًا مسبقًا على مجموعات ضخمة جدًا من شرائح علم الأنسجة، ثم يُعاد استخدامه بوصفه مستخرِجًا عامّ الغرض للسمات في مهام لاحقة كثيرة. في الباثولوجيا الرقمية، يحوّل الماسح الضوئي الشريحة الزجاجية إلى صورة شريحة كاملة (whole-slide image أو WSI) بحجم جيجابكسل، ولذلك يتألف المسار المعتاد من خطوتين. يحوّل النموذج التأسيسي بلاطات (tiles) صغيرة من نسيج مصبوغ بالهيماتوكسيلين والإيوزين (H&E) إلى متجهات تضمين (embeddings)، ثم يتعلّم نموذج أخفّ المهمة من هذه المتجهات. وهذا بالضبط ما يصفه Neidlinger وزملاؤه: تُستخرج السمات بكل نموذج تأسيسي، ثم «استُخدمت هذه المتجهات لتدريب مُجمِّع على مستوى الشريحة».

ما يقدّمه لك المُرمِّز:

• تسميات أقل كلفة. حين تُقرن سمات البلاطات المجمَّدة (frozen) برأس للتعلم متعدد المثيلات (multiple instance learning أو MIL)، يستطيع النموذج اللاحق أن يتعلم من تسمية واحدة لكل شريحة أو لكل مريض، لا من حدود مرسومة يدويًا حول مناطق النسيج. وتفيد التقارير أيضًا بأن سمات الباثولوجيا المدرَّبة مسبقًا تحتاج إلى أمثلة موسومة أقل: إذ تقول ورقة UNI إن UNI يتيح بناء نماذج «كفؤة في استخدام البيانات».

• سمات تُحسب مرة واحدة. يمكن تخزين متجهات التضمين مؤقتًا وإعادة استخدامها في تجارب كثيرة.

• خطوط أساس مشتركة. تنشر مجموعات بحثية مستقلة مقارنات بين المُرمِّزات المنشورة نفسها.

وما لا يقدّمه: التشخيص، فهذه النماذج ليست مخصصة له. ولا يقدّم لك نموذجًا جرى التحقق من صلاحيته على مجموعة مرضاك ويصمد أمام اختلافات ماسحك الضوئي وطريقة الصبغ لديك. فالتحقق من الصلاحية والمتانة لا يأتيان جاهزين، بل يجب اكتسابهما، وبقية هذا الدليل تشرح كيف يتحقق ذلك.

النماذج المتاحة في ٢٠٢٦: UNI وCONCH وVirchow2 وغيرها

مُرمِّزات الرؤية فقط ومُرمِّزات الرؤية واللغة

معظم المُرمِّزات أدناه مُرمِّزات رؤية فقط: تتعلم من الصور وحدها.

• UNI (مختبر Mahmood): محوِّل رؤية (vision transformer) من نوع ViT-L/16 بحجم ٠٫٣ مليار معامل. وتذكر ورقته في Nature Medicine أنه دُرِّب مسبقًا على أكثر من ١٠٠ مليون صورة مأخوذة من أكثر من ١٠٠٬٠٠٠ شريحة تشخيصية مصبوغة بصبغة H&E. أما UNI2-h، وهو نموذج أكبر من المختبر نفسه، فمن نوع ViT-H بحجم ٦٨١ مليون معامل.

• Virchow2 (Paige وMicrosoft Research): بحسب بطاقة النموذج، هو ViT-H/14 بحجم ٦٣٢ مليون معامل، دُرِّب على ٣٫١ مليون صورة شريحة كاملة من مركز Memorial Sloan Kettering للسرطان. وتصف ورقته أيضًا Virchow2G Mini، وهو نسخة مقطَّرة بحجم ٢٢ مليون معامل من نموذج شقيق أكبر هو Virchow2G.

• H-optimus-0 وH-optimus-1 (Bioptimus): محوِّلا رؤية بحجم ١٫١ مليار معامل لكل منهما؛ وتذكر بطاقة H-optimus-0 أنه دُرِّب على أكثر من ٥٠٠٬٠٠٠ شريحة H&E. أما H0-mini (Owkin وBioptimus) فهو ViT-B/14 مقطَّر من H-optimus-0، ومُدرَج بحجم ٨٥٫٧ مليون معامل.

• Prov-GigaPath: مُرمِّز بلاطات مقترن بمُرمِّز شرائح. ويذكر Xu وزملاؤه في Nature أنه دُرِّب مسبقًا على ١٫٣ مليار بلاطة من ١٧١٬١٨٩ شريحة كاملة من Providence، وهي شبكة رعاية صحية أمريكية.

• Phikon-v2 (Owkin): نموذج ViT-L دُرِّب مسبقًا على مجموعات شرائح عامة، وهذا مهم لفحص التسرب أدناه.

أما CONCH (مختبر Mahmood) فهو نموذج الرؤية واللغة في هذه القائمة. مُرمِّزه البصري من نوع ViT-B/16 بحجم ٩٠ مليون معامل، ومقترن بمُرمِّز نصوص، وتذكر ورقته في Nature Medicine أنه دُرِّب على أكثر من ١٫١٧ مليون زوج من الصور وتعليقاتها. والجانب النصي هو ما تفتقر إليه مُرمِّزات الرؤية فقط: إذ تُدرج بطاقة CONCH التصنيف دون أمثلة (zero-shot) والاسترجاع بين الصور والنصوص ضمن استخداماته.

الترخيص وشروط الوصول تحسم الأمر أولًا

النموذج الذي لا يحق لك استخدامه لغرضك ليس مرشحًا، مهما كانت نتائجه. يلخّص الجدول بطاقات النماذج على Hugging Face كما كانت معروضة في ١٧ سبتمبر ٢٠٢٦. و«مقيَّد» (gated) يعني أن تطلب الوصول عبر Hugging Face وتقبل الشروط قبل التنزيل.

وتترتب على ذلك ثلاث نقاط:

• Apache-2.0 ليس ترخيصًا للاستخدام السريري. فبطاقة Prov-GigaPath تقول إن النموذج «غير مخصص للاستخدام السريري ولم يُتَح له، سواء بوصفه جهازًا طبيًا أو أداة دعم سريري أو أداة تشخيصية». وتقول بطاقة H-optimus-0 إنه «لم تراجعه أي جهة تنظيمية أو تصادق عليه أو تعتمده».

• شروط Virchow2 هي الأكثر صراحة. إذ يتعهد المستخدمون بألّا يستخدموه «لتشخيص المرض أو شفائه أو تخفيفه أو علاجه أو الوقاية منه»، بما في ذلك تحت تسميتَي «للاستخدام البحثي فقط» (Research Use Only أو RUO) و«للاستخدام الاستقصائي فقط» (Investigational Use Only أو IUO). وهاتان فئتان تنظيميتان للمنتجات التشخيصية، لا للبحث الأكاديمي.

• معظم النماذج المقيَّدة تتحقق من هويتك. تشترط بطاقات UNI وUNI2-h وCONCH وVirchow2 وH-optimus-1 وH0-mini أن يطابق بريدك الإلكتروني على Hugging Face بريدك المؤسسي قبل الموافقة على الوصول.

الشروط تتغير، لذا اقرأ البطاقة الحالية وقواعد مؤسستك قبل التنزيل. هذا الجدول للاسترشاد، لا استشارة قانونية.

مقارنات أداء النماذج التأسيسية للباثولوجيا: ماذا تقول ومن أجراها

تقيّم الورقةُ الخاصة بكل نموذج أداءه على مهام اختارها مؤلفوها. ويصف Neidlinger وزملاؤه المشكلة بوضوح: حين تقيّم المجموعات التي تنشر نماذج تأسيسية للباثولوجيا هذه النماذج «على مهام من اختيارها، يكون احتمال التحيز كبيرًا». لذا ابدأ من المقارنات المعيارية المستقلة، وتحقّق ممّن أجرى كل تقييم.

المهام على مستوى الشريحة: CONCH أولًا وVirchow2 قريب منه

قارن Neidlinger وزملاؤه ١٩ نموذجًا تأسيسيًا للباثولوجيا النسيجية في مهام ضعيفة الإشراف (weakly supervised) تشمل المؤشرات الحيوية والشكل النسيجي (morphology) والمآل (prognosis). وجاءت بياناتهم من ١٣ مجموعة مرضى تضم ٦٬٨١٨ مريضًا و٩٬٥٢٨ شريحة من سرطانات الرئة والقولون والمستقيم والمعدة والثدي. ودُرِّبت النماذج اللاحقة على بيانات أطلس جينوم السرطان (The Cancer Genome Atlas أو TCGA)، واختُبرت على مجموعات مرضى خارجية: مجموعة CPTAC العامة، التي لم يُدرَّب عليها أيٌّ من النماذج المقارَنة، ومجموعات خاصة «لم تكن قط جزءًا من تدريب أي نموذج تأسيسي». وكانت التنبؤات على مستوى المريض.

وأبرز ما في الملخص المنشور أن CONCH «حقق أعلى أداء إجمالي مقارنةً بالنماذج التأسيسية القائمة على الرؤية فقط، وجاء Virchow2 ثانيًا بفارق ضئيل». والجملة نفسها تحمل التحفظ المهم للأهداف النادرة: فأفضلية CONCH «كانت أقل وضوحًا في السيناريوهات قليلة البيانات والمهام منخفضة الانتشار». وفي النتائج الكاملة، وبحساب المتوسط على ٣١ مهمة، تقاسم CONCH وVirchow2 أعلى متوسط AUROC، وقدره ٠٫٧١ (المساحة تحت منحنى خاصية التشغيل للمستقبِل)، أي إن الفارق الذي يقف وراء الترتيب المعلن صغير.

ولا يشمل هذا الترتيب إلا النماذج التي اختُبرت؛ فلم يكن H-optimus-1 وUNI2-h من بينها.

تجميع النماذج وتنوع البيانات

بحسب المقارنة المعيارية المنشورة، تفوّق تجميعٌ (ensemble) يجمع تنبؤات CONCH وVirchow2 على النماذج المنفردة في ٥٥٪ من المهام. ويفسّر المؤلفون ذلك بأن النماذج التأسيسية «المدرَّبة على مجموعات مرضى مختلفة تتعلم سمات متكاملة للتنبؤ بالتسمية نفسها».

وتشير نتائج المقارنة أيضًا إلى «أن تنوع البيانات أهم من حجمها بالنسبة إلى النماذج التأسيسية»، ويكتب مؤلفوها أن «الأكبر ليس دائمًا الأفضل». أما ورقة Virchow2، التي كتبها مطورو النموذج، فتضيف تحفظًا: فالبيانات المتنوعة والأساليب الخاصة بالمجال «يمكن أن تتفوق على النماذج التي لا تتوسع إلا في عدد المعاملات». ومع ذلك، «في المتوسط، يستفيد الأداء من الجمع بين الأساليب الخاصة بالمجال وحجم البيانات وحجم النموذج». وفي الحالتين، لا تخبرك أعداد المعاملات والشرائح المذكورة في البطاقة بكيفية أداء النموذج في مهمتك.

UNI مقابل CONCH مقابل Virchow2: لماذا تختلف لوحات الصدارة

تنتج التقييمات الأخرى ترتيبات أخرى:

• PathBench، وهي ورقة أولية (preprint)، جمعت ١٥٬٨٨٨ شريحة من ٨٬٥٤٩ مريضًا في ١٠ مستشفيات، مع استبعاد صارم لأي بيانات استُخدمت في التدريب المسبق. ومن بين ١٩ نموذجًا تأسيسيًا في الباثولوجيا قيّمتها، تذكر أن Virchow2 وH-optimus-1 هما «أكثر النماذج فاعلية إجمالًا».

• لوحة صدارة HEST-Benchmark في مستودع HEST ترتّب المُرمِّزات في التنبؤ بالتعبير الجيني بحسب متوسط معامل ارتباط Pearson. ويتولى صيانتها مختبر Mahmood، الذي يطوّر أيضًا UNI وCONCH. وفي لوحة صدارة HEST، بحسب مراجعتها في ١٧ سبتمبر ٢٠٢٦، يتصدّر H-optimus-1 بمتوسط ٠٫٤٢٢٩، ويسجّل Virchow2 متوسط ٠٫٤٠٣٤، ويسجّل CONCH v1 متوسط ٠٫٣٦٩٦، ويسجّل خط أساس ResNet50 بأوزان ImageNet متوسط ٠٫٣٢٥٢. وتُدرج اللوحة أيضًا نماذج أحدث لا يتناولها هذا الدليل، مثل GenBio-PathFM الذي يأتي بعد H-optimus-1 مباشرة، وCONCH v1.5؛ فاقرأ بطاقاتها قبل إدراجها في قائمتك المختصرة.

تختبر هذه الدراسات نماذج ومهام ومجموعات مرضى مختلفة، ولذلك تجيب عن أسئلة مختلفة. والمقارنة بين UNI وCONCH توضح ذلك: فقد جاء CONCH أعلى من UNI إجمالًا في مهام Neidlinger وزملائه على مستوى الشريحة، بينما يأتي متوسط UNI أعلى من متوسط CONCH v1 في لوحة صدارة HEST للتعبير الجيني. والحصيلة المفيدة ليست فائزًا واحدًا، بل قائمة مختصرة من مُرمِّزين أو ثلاثة تحقق أداءً جيدًا عبر عدة تقييمات، بينها تقييم مستقل واحد على الأقل، ثم تُختبر على مهمتك أنت.

اختر النموذج بحسب المهمة

تصنيف الشرائح والمؤشرات الحيوية

التنبؤ على مستوى الشريحة يكون عادةً ضعيف الإشراف: تسمية واحدة لكل شريحة أو لكل مريض، مثل حالة مؤشر حيوي أو نتيجة تتعلق بالمآل. وهذا هو الإطار الذي أجرى فيه Neidlinger وزملاؤه قياساتهم، ولذلك فمقارنتهم هي أكثر الأدلة المحكَّمة المذكورة هنا صلةً مباشرة بهذا النوع من المهام. كما تقيّم PathBench، وهي ورقة أولية، مهام التشخيص والمآل على صور الشرائح الكاملة، وتضع Virchow2 وH-optimus-1 في المرتبة الأعلى.

ثمة نتيجتان مهمتان حين تكون البيانات الموسومة شحيحة. الأولى أن أفضلية CONCH تقلّصت في الإعدادات قليلة البيانات ومنخفضة الانتشار. والثانية أن Neidlinger وزملاءه، حين درّبوا النماذج اللاحقة على ٣٠٠ و١٥٠ و٧٥ مريضًا، وجدوا أن «جميع النماذج تُظهر تراجعًا مماثلًا في الأداء مع تقلّص أحجام التدريب». وفي حالة مؤشر حيوي نادر، خطّط لمجموعة المرضى أولًا، ثم اختر المُرمِّز.

التعبير الجيني من صور H&E: الإجمالي والمكاني

التعبير الجيني هو مقدار نشاط كل جين في عينة نسيجية، ويُقاس بفحوص الحمض النووي الريبي (RNA)، مثل تسلسل الحمض النووي الريبي (RNA-Seq). والسؤال في هذا المسار البحثي هو: كم من هذه الإشارة الجزيئية يمكن قراءته من الشكل النسيجي في صورة H&E؟

التعبير الإجمالي (bulk) يعني ملف تعبير (expression profile) واحدًا لكل عينة. ويذكر Schmauch وزملاؤه أن HE2RNA «يمكن تدريبه للتنبؤ بصورة منهجية بملفات RNA-Seq من صور الشرائح الكاملة وحدها، دون توسيم من الخبراء».

التعبير المكاني (spatial) يعني التنبؤ بالتعبير في مواقع داخل النسيج، ويُتعلَّم من بيانات علم النسخ المكاني (spatial transcriptomics). وقد استخدم He وزملاؤه (ST-Net) ٣٠٬٦١٢ قياسًا للتعبير الجيني بمواقع مكانية محددة، مقرونةً بصور نسيجية من ٢٣ مريضًا مصابًا بسرطان الثدي، وحدّدوا أكثر من ١٠٠ جين يمكن التنبؤ بتعبيرها بدقة ١٠٠ ميكرومتر.

وتضم مجموعة البيانات HEST-1k، التي اختيرت ورقتها ضمن عروض Spotlight في NeurIPS 2024، ما مجموعه ١٬٢٢٩ ملفًا للنسخ المكاني، كلٌّ منها مرتبط بصورة شريحة كاملة. وتحدد HEST-Benchmark الخاصة بها تسع مهام: التنبؤ بتعبير أعلى ٥٠ جينًا من حيث التباين المُطبَّع انطلاقًا من مناطق H&E بقياس ١١٢ × ١١٢ ميكرومترًا، ويُقاس الأداء بمعامل ارتباط Pearson.

خذ التفاوت بين الأنسجة على محمل الجد. ففي لوحة صدارة HEST، يسجّل H-optimus-1 القيمة ٠٫٦٥٨٩ في الورم الميلانيني الجلدي (SKCM)، لكنه يسجّل ٠٫٢٤٢١ في السرطانة الغدية للمستقيم (READ). ويشير مؤلفو HEST إلى أن الأداء «يظل منخفضًا في بعض المهام (مثل READ وccRCC)»؛ وccRCC هي سرطانة الخلايا الكلوية ذات الخلايا الصافية. وقد أجرى Wang وزملاؤه في Nature Communications مقارنة معيارية لإحدى عشرة طريقة للتنبؤ بالتعبير المكاني. وحين حُسبت الدرجات على جميع الجينات في اثنتين من مجموعات بياناتهم للنسخ المكاني، جاء معامل ارتباط Pearson (PCC) ومؤشر التشابه البنيوي (SSIM) «منخفضين في جميع الطرائق». وكانت الدرجات على جينات مختارة أعلى، وتعود فخاخ التقييم أدناه إلى هذه النقطة. فالتعبير المتنبَّأ به إشارة بحثية، لا بديل عن الفحص المخبري، وتتوقف قوتها على النسيج.

من البلاطات إلى الشرائح: MIL والرسوم البيانية فوق النسيج

التعلم متعدد المثيلات القائم على الانتباه

يعامل MIL الشريحة بوصفها حقيبة (bag) من البلاطات لها تسمية واحدة. وقد اقترح Ilse وTomczak وWelling في ICML 2018 أسلوب MIL القائم على الانتباه (ABMIL)، وهو «عامل تجميع لا يتغير بتبديل الترتيب» (permutation-invariant) تُظهر أوزان الانتباه فيه مساهمة كل بلاطة. ويستخدم CLAM، الذي قدّمه Lu وزملاؤه عام ٢٠٢١، التعلمَ القائم على الانتباه، و«لا يتطلب سوى تسميات على مستوى الشريحة».

وعند مقارنة المُرمِّزات، لم يكن للمُجمِّع أثر يُذكر في مقارنة Neidlinger وزملائه: فقد تأخر ABMIL عن مُجمِّع قائم على المحوِّلات «بفارق متوسط في AUROC قدره ٠٫٠١، مع بقاء الترتيب العام للنماذج دون تغيير إلى حد كبير». ورأس ABMIL البسيط أداة فحص معقولة ومنخفضة الكلفة عند تكوين قائمة مختصرة.

الرسوم البيانية فوق النسيج

التجميع الذي لا يتغير بتبديل الترتيب لا يستفيد، في حد ذاته، من مواقع البلاطات بعضها بالنسبة إلى بعض. وتعيد أساليب الرسوم البيانية (graphs) هذه المعلومات المكانية إلى النموذج. أما Patch-GCN (Chen وزملاؤه، MICCAI 2021)، المأخوذ من ورقة بعنوان «Whole Slide Images are 2D Point Clouds»، فشبكة التفافية للرسوم البيانية (graph convolutional network) «تجمّع سمات الأنسجة على مستوى المثيلات تجميعًا هرميًا لنمذجة البنى الطوبولوجية على المستويين المحلي والشامل». والثمن مزيد من خيارات التصميم، مثل طريقة بناء الرسم البياني وتجميعه، ويجب التحقق من كل خيار منها بالتقسيمات نفسها المستخدمة في كل شيء آخر.

مُرمِّزات الشرائح مقابل تضمينات البلاطات

تضيف بعض النماذج التأسيسية مُرمِّزًا للشرائح، ومنها Prov-GigaPath. وقد شملت مقارنة Neidlinger وزملائه أربعة مُرمِّزات للشرائح، ووجدت أنها «لم تُظهر أي ميزة على مُرمِّزات البلاطات في إعدادات MIL، إلا في السيناريوهات قليلة البيانات». لذا جرّب مُرمِّز شرائح حين تكون مجموعات المرضى الموسومة صغيرة.

فخاخ التقييم التي تضخّم النتائج

كل فخ من هذه الفخاخ يجعل النتيجة تبدو أفضل مما ستكون عليه مع مرضى جدد، وكلٌّ منها موثَّق في أعمال منشورة. والعادة نفسها، أي القياس قبل الثقة، تنطبق على الأنظمة القائمة على النماذج اللغوية؛ انظر حواجز الحماية من هلوسة RAG.

قسّم البيانات حسب المريض، لا حسب البلاطة أو البقعة

الإخفاق: تقع بلاطات أو بقع (spots) أو مقاطع متجاورة من المريض نفسه في مجموعتي التدريب والاختبار معًا، فتقيس الدرجة جزئيًا تذكّر النموذج لنسيج ذلك المريض.

تستخدم HEST-Benchmark تقسيمات طبقية بحسب المريض «لتجنّب تسرب البيانات بين التدريب والاختبار على مستوى المريض». ويعني ذلك تحققًا متقاطعًا من نوع k-fold، حيث k هو عدد المرضى، أو k/2 في حالة ccRCC بسبب كثرة مرضاها. وتأتي التقسيمات في ملفات CSV مرفقة بالمقارنة. أما Wang وزملاؤه فأبقوا «المقاطع النسيجية المتجاورة من المريض نفسه» في الطية (fold) نفسها؛ إذ تضم مجموعة بيانات HER2 الإيجابية لديهم ٣٦ مقطعًا نسيجيًا من ٨ مرضى، فالوحدة المستقلة هي المريض لا المقطع.

بصمات المركز والماسح الضوئي

الإخفاق: يتعلم النموذج أين حُضِّرت الشريحة أو مُسحت ضوئيًا، ويكون ذلك مرتبطًا بالتسمية. وفي بيانات TCGA لأكثر من ٣٬٠٠٠ مريض بستة أنواع فرعية من السرطان، وجد Howard وزملاؤه شقَّي هذا الإخفاق كليهما. فقد تفاوتت أهداف مثل البقاء على قيد الحياة وأنماط التعبير الجيني والطفرات المحرِّكة تفاوتًا كبيرًا بين المراكز التي قدّمت العينات، وأمكن التعرف على المركز نفسه من الصور. وبعبارتهم: «يظل اكتشاف المركز ممكنًا رغم أساليب تطبيع الألوان وزيادة البيانات الشائعة الاستخدام». ويمكن لهذه البصمات «أن تؤدي إلى تقديرات مفرطة في التفاؤل لأداء النموذج». والحل الذي يقترحونه يجعل عينات التدريب وعينات التحقق الخاصة بالنموذج آتية من مراكز مختلفة.

ولا تزيل النماذج التأسيسية هذه المشكلة. فقد اختبرها Carloni وزملاؤه (ورشة MedAGI 2025 ضمن MICCAI) على مجموعة بيانات متعددة الماسحات، ووجدوا أنها «لا تزال تعاني من تحيز الماسح الضوئي». وتصف ورقة أولية نشرها Filiot وزملاؤه في يوليو ٢٠٢٦ تمثيلات للبلاطات «تظل حساسة لتباين الماسحات الضوئية والصبغ».

والشوائب (artefacts) حالة ذات صلة. يلاحظ Neidlinger وزملاؤه أن «نماذج مثل UNI وHibou وVirchow وKaiko أبرزت أحيانًا علامات القلم»؛ ولم تؤدِّ علامات القلم هناك إلى انحراف التصنيف لأنها «كانت موزعة بالتساوي على الفئات المختلفة». تحقّق مما إذا كانت الشوائب والمراكز والماسحات الضوئية مرتبطة بتسمياتك.

تسرب بيانات التدريب المسبق

الإخفاق: كانت شرائح الاختبار، أو شرائح من المؤسسات نفسها، ضمن بيانات التدريب المسبق للنموذج التأسيسي. يلاحظ Neidlinger وزملاؤه أن «المخاوف بشأن تسرب البيانات تنشأ حين تُختبر النماذج التأسيسية على صور من المؤسسات نفسها التي دُرِّبت فيها». وقد أجروا اختباراتهم على مجموعات مرضى خاصة يصفونها بأنها لم تكن قط جزءًا من تدريب أي نموذج تأسيسي، إضافةً إلى CPTAC التي لم يُدرَّب عليها أيٌّ من النماذج التي قارنوها.

أجرِ الفحص نفسه. تُدرج بطاقة Phikon-v2 مجموعات TCGA وCPTAC وGTEx ضمن مصادر تدريبه المسبق (ولم يكن Phikon-v2 ضمن تلك المقارنة)، وتُدرج بطاقة H0-mini شرائح TCGA. وبالنسبة إلى هذين النموذجين، لا يمكن افتراض أن مجموعة اختبار مأخوذة من تلك المجموعات لم يرها النموذج من قبل.

متوسطات على جينات مختارة

الإخفاق: يُقارَن ارتباطٌ محسوب كمتوسط على جينات مختارة بارتباطٍ محسوب على جميع الجينات. ففي مجموعة بيانات HER2 الإيجابية لديهم، وجد Wang وزملاؤه أن معظم الطرائق حققت درجات أعلى (في الارتباط أو في SSIM) على الجينات عالية التباين أو المتغيرة مكانيًا مقارنةً بجميع الجينات. ولذلك لا تصح مقارنة الدرجات على أعلى ٥٠ جينًا تباينًا في HEST-Benchmark بمتوسط محسوب على جميع الجينات. اذكر الجينات التي قيّمتها وكيف اخترتها.

ما حجم الحوسبة التي تحتاجها صور الشرائح الكاملة؟

يشير Xu وزملاؤه إلى أن «الشريحة القياسية بحجم جيجابكسل قد تضم عشرات الآلاف من بلاطات الصور»، وكل بلاطة تحتفظ بها تمر عبر المُرمِّز. وتحدّد الميزانيةَ ثلاثُ كمّيات:

• حجم المُرمِّز، وهو العامل الأول في كلفة معالجة كل بلاطة.

• عدد البلاطات، وتحدده مساحة النسيج ودرجة التكبير التي تُقسَّم عندها الشريحة إلى بلاطات.

• حجم التضمين، الذي يحدد مساحة التخزين وعرض مدخلات النموذج اللاحق.

بالنسبة إلى المُرمِّزات المذكورة أعلاه، الأحجام الواردة أدناه مأخوذة من بطاقات النماذج ما لم يُذكر خلاف ذلك. و«عند الضم» تعني ضم رمز الفئة (class token) إلى متوسط رموز الرقع (patch tokens)، وهو خيار تعرضه بطاقتا H0-mini وVirchow2.

تقدير التخزين سهل قبل أن تلتزم بخيار: بالنسبة إلى تضمينات float32، bytes ≈ tiles × embedding dimension × 4.

في HEST-Benchmark، تميل المُرمِّزات الأكبر إلى تحقيق درجات أعلى، مع تناقص العائد: إذ تذكر ورقة HEST أن حجم النموذج «يرتبط ارتباطًا قويًا بمتوسط الأداء، لكن المكاسب تنمو لوغاريتميًا مع عدد المعاملات القابلة للتدريب». والتقطير (distillation) هو الحل الوسط. فالورقة الأولية الخاصة بالنموذج H0-mini نفسه تذكر «أداءً مقاربًا تقريبًا لأداء النماذج التأسيسية الكبيرة بكلفة استدلال أقل بكثير»، وفي لوحة صدارة HEST يبلغ متوسطه ٠٫٣٩٥٨ مقابل ٠٫٤١٥٠ للنموذج H-optimus-0، وهو النموذج المعلّم الذي قُطِّر منه. وعند المقارنة بين أحجام تضمين مختلفة، لاحظ أن HEST تختزل كل تضمين أولًا إلى ٢٥٦ مكوّنًا رئيسيًا، لأن انحدار ridge «قد يعاقب على نحو غير عادل النماذج ذات أبعاد التضمين الأكبر».

النمط الذي يُبقي الميزانيات معقولة: استخرج التضمينات مرة واحدة، وخزّنها مؤقتًا، ودرّب رؤوسًا خفيفة كثيرة على المخزَّن منها. ولإعطاء فكرة عن الحجم، فإن تجارب ورقة HEST «أُجريت على وحدة معالجة رسومية واحدة من طراز NVIDIA 3090». أما زمن الاستجابة فميزانية منفصلة: إذا كان يجب تضمين كل شريحة جديدة وقت الاستدلال، فإن حجم المُرمِّز وعدد البلاطات يحددان مدة الانتظار، لا الفاتورة وحدها.

أين تقع رسالة الماجستير من هذا الدليل

طرحت رسالة الماجستير التي أنجزتها في جامعة أصفهان للتكنولوجيا، واكتملت في سبتمبر ٢٠٢٥، هذا السؤال: هل يمكن التنبؤ بالتعبير الجيني من صور الباثولوجيا الرقمية؟ ففحوص التعبير الجيني بطيئة ومكلفة، أما صور الشرائح الكاملة فسريعة وزهيدة، لكنها بحجم جيجابكسل. وقد أُنجزت الرسالة تحت قيد صارم على الحوسبة وزمن الاستجابة، وجمع نهجها بين الشبكات العصبية للرسوم البيانية، والنماذج التأسيسية للرؤية، وتقنيات مُكيَّفة من النماذج اللغوية الكبيرة، والنمذجة الإحصائية والاحتمالية. وثمة ورقة بحثية مبنية عليها قيد الإعداد.

وهذا القيد هو السبب في أن الحوسبة معيار اختيار في هذا الدليل، لا مسألة ثانوية تُترك للنهاية. ولا يذكر هذا الدليل النماذج التأسيسية التي استخدمتها الرسالة، ولا يعرض أي نتائج منها: فالمقارنات أعلاه نتائج منشورة لمجموعات بحثية أخرى، لا قياسات أجريتُها. وتصف دراسة حالة التصوير الطبي الرسالة، وتُدرجها صفحة الأبحاث.

قائمة تحقق لاختيار نموذج تأسيسي للباثولوجيا

• الترخيص والوصول. تسمح البطاقة بالاستخدام الذي تريده، ويستوفي حسابك شروط الوصول.

• نوع المهمة. تسمية الشريحة، أو مؤشر حيوي، أو المآل، أو التعبير الإجمالي، أو التعبير المكاني.

• القائمة المختصرة. مُرمِّزات تحقق أداءً جيدًا في أكثر من تقييم، بينها تقييم مستقل، لا في أوراقها الخاصة وحدها.

• التداخل مع التدريب المسبق. مصادر التدريب المسبق المذكورة في كل بطاقة مقارَنة بمجموعات مرضى الاختبار لديك.

• التقسيمات. على مستوى المريض كحد أدنى، وعلى مستوى المركز حيثما أمكن، ومع مجموعة مرضى خارجية إن استطعت الحصول عليها.

• العوامل المُربِكة. المركز والماسح الضوئي والصبغ والشوائب مفحوصة في علاقتها بالتسمية.

• المقياس ومجموعة الجينات. في التعبير الجيني، يُذكر المقياس، وتُذكر الجينات التي قُيِّمت.

• الحوسبة. زمن الاستخراج مُقاس على عتادك، والتضمينات مخزَّنة مؤقتًا، ونموذج مقطَّر مجرَّب.

• التجميع أخيرًا. لا تُجمع النماذج إلا بعد قياس كل منها منفردًا.

إذا كنت تحدد نطاق نظام للرؤية الحاسوبية يجب أن يعمل ضمن سقف عتادي، فإن صفحة الاستشارات تشرح طريقة عملي.

الأسئلة الشائعة

ما هو أفضل نموذج تأسيسي في الباثولوجيا؟

لا يوجد نموذج هو الأفضل في جميع المهام. ففي المقارنة المستقلة التي أجراها Neidlinger وزملاؤه على ١٩ نموذجًا في مهام على مستوى الشريحة، جاء CONCH أولًا وVirchow2 ثانيًا بفارق ضئيل؛ وتفضّل PathBench، وهي ورقة أولية، النموذجين Virchow2 وH-optimus-1؛ وتضع لوحة صدارة HEST، بحسب مراجعتها في ١٧ سبتمبر ٢٠٢٦، النموذجَ H-optimus-1 أولًا في التعبير الجيني. كوّن قائمتك المختصرة من هذه النتائج، ثم اختبرها على مهمتك.

هل يمكن التنبؤ بالتعبير الجيني من شريحة H&E؟

جزئيًا، ولبعض الجينات والأنسجة. فقد وجد He وزملاؤه (ST-Net) أكثر من ١٠٠ جين يمكن التنبؤ بتعبيرها من الصور النسيجية لسرطان الثدي، وتنبأ HE2RNA بملفات RNA-Seq الإجمالية من صور الشرائح الكاملة. وفي HEST-Benchmark، يتفاوت ارتباط المُرمِّز الأعلى أداءً تفاوتًا كبيرًا بحسب نوع السرطان. إنها إشارة بحثية، لا بديل عن الفحص الجزيئي في رعاية المرضى.

هل يمكنني استخدام UNI أو CONCH أو Virchow2 في منتج تجاري؟

ليس بموجب شروطها العامة. فبطاقاتها على Hugging Face تذكر ترخيص CC-BY-NC-ND 4.0، وتقصر الاستخدام على البحث الأكاديمي غير التجاري، وتحظر الاستخدام التجاري دون موافقة مسبقة، وتطلب من الجهات التجارية التواصل مع المؤلفين. ومن بين النماذج الأخرى التي يتناولها هذا الدليل، يحمل H-optimus-0 وProv-GigaPath ترخيص Apache-2.0، لكن بطاقة Prov-GigaPath تضع أي استخدام تشغيلي خارج النطاق، وبطاقة H-optimus-0 تشترط الامتثال التنظيمي والتحقق المستقل للاستخدام في الرعاية الصحية. الشروط تتغير، فتحقّق من البطاقة الحالية؛ وهذه ليست استشارة قانونية.

هل تستطيع هذه النماذج قراءة تقرير باثولوجي أو تشخيص السرطان؟

لا. إنها نماذج بحثية تحوّل بلاطات الصور، والنص أيضًا في حالة CONCH، إلى متجهات سمات. وتحظر شروط Virchow2 استخدامه لتشخيص المرض، وتقول بطاقة Prov-GigaPath إنه غير مخصص للاستخدام السريري، وتنص بطاقتا H-optimus على أنه لم تراجع النموذجين أو تعتمدهما أي جهة تنظيمية. وإن كانت لديك أسئلة عن تقرير باثولوجي، فاسأل طبيب الباثولوجيا أو طبيبك.

المصادر

• Neidlinger وزملاؤه، Benchmarking foundation models as feature extractors for weakly supervised computational pathology، Nature Biomedical Engineering، المجلد ١٠، الصفحات ١١١٣–١١٢٣ (٢٠٢٦؛ نُشر إلكترونيًا في ٢٠٢٥) (النسخة الأولية على arXiv)

• Chen وزملاؤه، Towards a general-purpose foundation model for computational pathology (UNI)، Nature Medicine، ٢٠٢٤

• Lu وزملاؤه، A visual-language foundation model for computational pathology (CONCH)، Nature Medicine، ٢٠٢٤

• Zimmermann وزملاؤه، Virchow2: Scaling Self-Supervised Mixed Magnification Models in Pathology، arXiv، ٢٠٢٤

• Xu وزملاؤه، A whole-slide foundation model for digital pathology from real-world data (Prov-GigaPath)، Nature، ٢٠٢٤

• Filiot وزملاؤه، Distilling foundation models for robust and efficient models in digital pathology (H0-mini)، ورقة أولية على arXiv، ٢٠٢٥

• بطاقات النماذج على Hugging Face، رُوجعت في ١٧ سبتمبر ٢٠٢٦: UNI، UNI2-h، CONCH، Virchow2، H-optimus-0، H-optimus-1، H0-mini، Prov-GigaPath، Phikon-v2

• ملف README في مستودع Prov-GigaPath، رُوجع في ١٧ سبتمبر ٢٠٢٦

• Ma وزملاؤه، PathBench: A comprehensive comparison benchmark for pathology foundation models towards precision oncology، ورقة أولية على arXiv، ٢٠٢٥

• Jaume وزملاؤه، HEST-1k: A Dataset for Spatial Transcriptomics and Histology Image Analysis، NeurIPS 2024 (Spotlight)

• مستودع HEST ولوحة صدارة HEST-Benchmark، رُوجع في ١٧ سبتمبر ٢٠٢٦

• He وزملاؤه، Integrating spatial gene expression and breast tumour morphology via deep learning (ST-Net)، Nature Biomedical Engineering، ٢٠٢٠

• Schmauch وزملاؤه، A deep learning model to predict RNA-Seq expression of tumours from whole slide images (HE2RNA)، Nature Communications، ٢٠٢٠

• Wang وزملاؤه، Benchmarking the translational potential of spatial gene expression prediction from histology، Nature Communications، ٢٠٢٥

• Howard وزملاؤه، The impact of site-specific digital histology signatures on deep learning model accuracy and bias، Nature Communications، ٢٠٢١

• Carloni وزملاؤه، Pathology Foundation Models are Scanner Sensitive: Benchmark and Mitigation with Contrastive ScanGen Loss، ورشة MedAGI 2025 ضمن MICCAI

• Filiot وزملاؤه، Robustifying pathology foundation models via fine-tuning، ورقة أولية على arXiv، ٢٠٢٦

• Ilse وTomczak وWelling، Attention-based Deep Multiple Instance Learning، ICML 2018

• Lu وزملاؤه، Data-efficient and weakly supervised computational pathology on whole-slide images (CLAM)، Nature Biomedical Engineering، ٢٠٢١

• Chen وزملاؤه، Whole Slide Images are 2D Point Clouds: Context-Aware Survival Prediction using Patch-based Graph Convolutional Networks (Patch-GCN)، MICCAI 2021

• التصوير الطبي — إزالة الضجيج من صور MRI والتعبير الجيني من صور الباثولوجيا، دراسة حالة على هذا الموقع