التعلم الآلي في سرطانات الرأس والرقبة: الآفاق السريرية والتوجهات المستقبلية

الملخص

لقد تم استخدام نظام التدريج (Tumor-Nodal-Metastasis, TNM) التابع للجنة الأمريكية المشتركة للسرطان (AJCC) على نطاق واسع في تخطيط استراتيجيات العلاج. إلا أن هذا النظام، بالنسبة للمريض الفرد، غير فعّال في التنبؤ بالنتائج نظرًا لعجزه عن مراعاة عوامل الخطر الأخرى المرتبطة بالورم والمريض. ومن هذا المنطلق، يصبح من الضروري توفر أداة تراعي هذه العوامل مجتمعة من أجل التنبؤ بدقة بنتائج المرضى. هدفت هذه الدراسة إلى فحص إمكانات النهج التعاوني القائم على التعلم الآلي (cML) في تقدير البقاء الكلي لمرضى سرطان الفم. كما تمت مقارنة أداء (cML) مع نموذج التعلم الآلي القائم على التصويت الجماعي (voting ensemble). وتم تحليل الأهمية التنبؤية للمعايير السريرية والمرضية المستخدمة في تطوير النموذج عبر طريقة Permutation Feature Importance. علاوة على ذلك، تمت دراسة بعض العوامل التي قد تعيق التوصية باستخدام نماذج التعلم الآلي في التقييمات السريرية المستقبلية. تم استخراج البيانات السريرية والمرضية لـ 9439 مريضًا بسرطان الفم من قاعدة بيانات Surveillance, Epidemiology, and End Results (SEER) بالولايات المتحدة. وقد جرى دمج ثلاثة نماذج للتعلم الآلي – التصويت الجماعي (Voting Ensemble)، والتكديس الجماعي (Stacked Ensemble)، والتعزيز التدريجي المتطرف (Extreme Gradient Boosting) – لتشكيل مجموعة من نماذج (cML). تمت مقارنة أداء (cML) مع أفضل خوارزمية فردية من حيث الدقة، النتائج: بلغت دقة الأداء لنماذج التصويت الجماعي والتكديس الجماعي والتعزيز التدريجي المتطرف 70.2%، 69.2%، و69.6% على التوالي. وعند التحقق العشوائي من (cML) ونموذج التصويت الجماعي باستخدام 50 حالة من مجموعة التحقق الزمني، أظهرا أداءً متقاربًا. أما من حيث أهمية الخصائص، فقد تبين أن العوامل الأكثر تأثيرًا هي: عمر المريض عند التشخيص، مرحلة الورم (T stage)، درجة الورم، الحالة الاجتماعية، الجنس، الموقع الأولي للورم، التدخل الجراحي، مرحلة العقد اللمفاوية (N stage)، العلاج الإشعاعي، الأصل العرقي، العلاج الكيميائي، ومرحلة النقائل (M stage)، تقوم فكرة (cML) على الاستفادة من الخصائص الفريدة لكل نموذج من نماذج التعلم الآلي في عملية التنبؤ النهائية، مما يمثل تحولًا من الفردية إلى التعاون في السعي نحو تقدير شخصي لنتائج مرضى سرطان الفم. ومن الجدير بالذكر أن هذه النماذج، بدلًا من أن تتنافس، تتعاون لتقديم تنبؤ أكثر موثوقية. غير أن غياب التحقق الجغرافي المستقل، ومحدودية التعميم والمرونة، وضعف القدرة على التفسير، تُعد من أبرز العوامل التي تحد من التوصية باعتماد نماذج التعلم الآلي للتقييمات السريرية المستقبلية. ومع ذلك، قد يسهم نهج (cML) في تحديد خطط علاجية فردية لمرضى سرطان الفم.