تعتبر تقييمات العمليات الجراحية للأورام الدبقية (Glioma) بدقة شرطاً أساسياً لتعظيم عملية إزالة الورم مع الحفاظ على الأنسجة الدماغية الوظيفية. وفي هذا السياق، تُعتبر تقنية تصوير فترة الوميض (Fluorescence Lifetime Imaging - FLIm) أداة واعدة إذ تقدم تبايناً بيولوجياً في الوقت الحقيقي ودون استخدام عوامل تلوين. ومع ذلك، يبقى تطبيقها السريري مهدداً من قبل مجموعة من التحديات مثل التباين البيولوجي، وعدم توازن الفئات، وتفاوت تصنيف الأنسجة.

في هذه الدراسة، نسلط الضوء على تطوير إطار عمل ذكاء اصطناعي موجه بالبيانات (Data-Centric AI - DC-AI). يشمل هذا الإطار تقنيات التعلم الواثق (Confident Learning - CL)، والتنقيح الفئوي، وتقييم العلامات المستهدف، مما يسمح لنا بإنشاء مصنف FLIm متعدد الفئات بدقة عالية من أجل تحديد حدود جراحة الورم الدبقي (Glioblastoma - GBM).

تم جمع بيانات FLIm من 192 حافة نسيج عبر 31 مريضاً تم تشخيصهم حديثاً بأورام GBM من نوع IDH-wildtype. تم تصنيف البيانات في البداية بواسطة أخصائي أعصاب إلى سبع فئات متفاوتة من الكثافة الخلوية. استخدمنا CL لتحديد ثقة النقاط في بيانات FLIm، واكتشاف عدم التوافق في التسمية، وإرشاد دمج الفئات بشكل دوري إلى نظام ثلاثي الفئات ("منخفض"، "متوسط"، "مرتفع").

نتيجة لهذه العمليات، تمكننا من تدريب نموذج حقق دقة تصل إلى 96% في تحديد الفئات الثلاث. كما كشفت تحليلات SHAP عن أهمية ميزات FLIm بالنسبة لكل فئة، مما أبرز تواقيع بصرية متميزة عبر طيف الخلط.

علاوة على ذلك، تم رصد تحليلات FLIm المستهدفة التي حددت العوامل البيولوجية (مثل تكوين المادة الرمادية) والعوامل المرتبطة بعملية الاقتناء (مثل تلوث الدم) كمسؤولين عن التنبؤات ذات الثقة المنخفضة. أظهرت إعادة تقييم الجوانب المرفوعة بواسطة CL من قبل مختصين أن هناك تباين في الآراء، مما يعزز قيمة إعادة التسمية الانتقائية بدلًا من المراجعة الشاملة.

تُظهر هذه النتائج كيف يمكن لإطار DC-AI تحسين موثوقية البيانات بشكل منهجي، وتعزيز قوة النماذج، وتنقيح التفسيرات البيولوجية لإشارات FLIm، مما يدعم تطوير أدوات ضوئية قابلة للتطبيق سريرياً لتقييم حدود الأورام الدبقية في الوقت الحقيقي.