تتطلب توقعات البقاء الدقيقة لمرضى سرطان الرئة غير صغير الخلايا (NSCLC) دمج معلومات سريرية، إشعاعية، وهستوباثولوجية. ومع ذلك، تواجه النماذج التقليدية والتي تعتمد على التعلم العميق المتعدد الوسائط (Multimodal Deep Learning - MDL) تحديات كبيرة بسبب نقص البيانات وعدم اكتمالها.
إطار جديد لمواجهة التحديات
يقدم الباحثون إطارًا جديدًا يُعرف باسم **إطار التوقع المتعدد الوسائط** الذي يتعامل بذكاء مع البيانات الناقصة. يجمع هذا الإطار مذهل بين صور الأشعة المقطعية (Computed Tomography - CT)، وصور الأنسجة الكاملة (Whole-Slide Histopathology Images - WSI)، والبيانات السريرية المنظمة، ليحقق نموذجًا قويًا لتوقع البقاء في الحالات المتقدمة (Stage II-III) التي لا يمكن استئصالها.
كيف يعمل هذا الإطار؟
يعتمد هذا النظام المبتكر على **النماذج الأساسية (Foundation Models - FMs)** لاستخراج الميزات الخاصة بكل نوع من البيانات، واستخدام استراتيجية ترميز واعية بالغياب، مما يسمح بدمج البيانات بشكل متواصل في ظل عدم اكتمال البيانات.
نتائج مبهرة
تتفوق الاستراتيجيات الوسيطة في الأداء مقارنةً بأساليب الدمج المبكر والمتأخر، حيث حققت التركيبة الثلاثية معدل مؤشرات أداء (C-index) وصل إلى 74.42. كما تتكيف أهمية كل نوع من البيانات المستخرجة وفقًا لأهمية تمثيلها، مما يُبرز فعالية هذا الإطار في تحديد مخاطر التقدم في المرض.
أهمية نتائج النموذج
تُظهر النتائج المستخلصة من النموذج قدرته على إنتاج تصنيفات سريرية ذات مغزى، مع اختبارات إحصائية تُظهر علاقات قوية عبر جميع تركيبات البيانات. يدعم هذا البحث أهمية تطبيق هذا الإطار في الممارسة السريرية.
**هل تعتقد أن مثل هذه الابتكارات ستغير من طريقة رعاية مرضى السرطان في المستقبل؟ شارك رأيك معنا!**