في عالم الطب الحديث، يعد التنبؤ الدقيق ببقاء المرضى أحد التحديات الكبرى. في حالة السرطان الرئوي غير صغير الخلايا (NSCLC)، تكمن مشكلة التكامل بين البيانات السريرية، والصور الشعاعية، والبيانات النسيجية. يسعى الباحثون الآن إلى تجاوز هذه التحديات من خلال innovating باستخدام تقنيات تعلم عميق متعدد الوسائط (Multimodal Deep Learning).

يواجه هذا النوع من التعلم تحديات تتعلق بعدم اكتمال البيانات، حيث تعتبر الفرق بين وجود البيانات في بعض الحالات وعدم وجودها عائقاً أمام الاستخدام الفعال للنماذج. لذا، قدم العلماء إطار عمل مبتكر يُعرف باسم "الإطار المعتمد على الفقد"، والذي يدمج بين صور الطب بالرنين المغناطيسي (CT) وصور النسيج الكامل (WSI) والمتغيرات السريرية المنظمة.

ما يميز هذا الإطار هو استخدام نماذج أساسية (Foundation Models) لاستخراج الميزات الخاصة بكل نوع من البيانات، بالإضافة إلى استراتيجية ترميز تأخذ في الاعتبار البيانات المفقودة، مما يسمح بإجراء عمليات دمج متعددة الوسائط بشكل طبيعي حتى في وجود بيانات ناقصة.

تلقى هذا النهج إقبالاً كبيراً في تحقيق نتائج دقيقة، حيث استطاع أن يسجل مؤشر C بلغ 74.42 في سياق توقع البقاء. وتبين أن النموذج يستجيب بشكل ديناميكي لمدى أهمية كل تدفق من البيانات، حسب المعلومات المتاحة، مما يعكس أهمية النتائج في مساعدة الأطباء على تقديم خطط علاجية أكثر فاعلية.

من خلال هذا البحث، يتم تقديم خطر التصنيف السريري بشكل يمكن الاعتماد عليه، مما يسهل اتخاذ القرارات بشأن العلاج والمراقبة.

كيف يمكن أن تؤثر هذه الطريقة الجديدة في تحسين حياة المرضى وممارسات الرعاية الصحية؟ شاركونا آرائكم في هذه التطورات المثيرة!