Benchmarking Deep Learning and Vision Foundation Models for Atypical vs. Normal Mitosis Classification with Cross-Dataset Evaluation
تقدم هذه الورقة بحثاً شاملاً لنماذج التعلم العميق ونماذج الرؤية التأسيسية لتصنيف الانقسام الفتيلي غير الطبيعي مقابل الطبيعي في سرطان الثدي، مما يثبت أن تقنيات نقل التعلم والضبط الدقيق تعالج بفعالية تحديات التصنيف عبر كل من مجموعات البيانات داخل النطاق والمجموعات الجديدة المستحدثة خارج النطاق.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل انقسام خلية كأنه خباز يعجن العجين ثم يقسمه إلى رغيفين مثاليين ومتطابقين. هذا هو الانقسام الميتوزي الطبيعي. ولكن في بعض الأحيان، قد يصبح الخباز مهملًا، فيتمزق العجين، أو تخرج الأرغفة غير متساوية. هذا هو الانقماس الميتوزي غير النمطي. وفي عالم السرطان، فإن رصد هؤلاء "الخبازين المهملين" يعد دليلاً كبيراً على أن الورم قد يكون عدوانياً وخطيراً.
ومع ذلك، فإن العثور على هؤلاء الخبازين المهملين أمر صعب للغاية بالنسبة لأطباء علم الأمراض البشريين (الأطباء الذين يفحصون الشرائح تحت المجهر). فهم نادرون، ويبدون مشابهين جداً للنماذج الطبيعية، وحتى الخبراء غالباً ما يختلفون حول ما يرونه. الأمر يشبه محاولة العث/ عن إبرة معوجة قليلاً في كومة ضخمة من القش، حيث يتغير لون القش باستمرار.
هذه الورقة البحثية هي سباق لمعرفة أي برنامج كمبيوتر هو الأفضل في رصد هؤلاء "الخبازين المهملين".
المتنافسون: ثلاث استراتيجيات مختلفة
وضع الباحثون مسابقة تضم ثلاثة أنواع مختلفة من "المحققين" (نماذج الذكاء الاصطดี) لمعرفة من يمكنه حل هذا اللغز بشكل أفضل:
- محققو "البداية الجديدة" (نماذج من البداية إلى النهاية - End-to-End): هؤلاء يشبهون توظيف متدرب ذكي وتعليمه كل شيء من الصفر باستخدام كتاب مدرسي محدد. إنهم يتعلمون قواعد انقسام الخلايا بالكامل من البيانات المقدمة.
- النماذج: EfficientNet، وVision Transformer (ViT)، وSwin Transformer.
- "أمين المكتبة الخبير" (النماذج التأسيسية مع الاختبار الخطي - Foundation Models with Linear Probing): تخيل أمين مكتبة قرأ ملايين الكتب عن البيولوجيا ولكنه لم يُسأل قط عن رصد الخبازين المهملين. أنت تطلب منه النظر إلى صورة ورسم خط بسيط لقول "نعم" أو "لا". هم يستخدمون معرفتهم العامة الواسعة لكنهم لا يغيرون عقولهم؛ بل يضيفون فقط مرشحاً (فلتر) بسيطاً وصغيراً فوقها.
- النماذج: نماذج ضخمة مدربة مسبقاً مثل UNI، وVirchow، وH-Optimus.
- "المتدربون المتخصصون" (النماذج التأسيسية مع تقنية LoRA): هذا هو نفس أمين المكتبة، ولكن بدلاً من مجرد رسم خط، أنت تعطيه دفتراً صغيراً متخصصاً (يسمى LoRA) لكتابة قواعد محددة لهذه الوظيفة. هم يحتفظون بمعرفتهم العامة الواسعة ولكنهم يتعلمون فقط بعض الحيل الجديدة ليصبحوا خبراء في رصد الخبازين المهملين دون الحاجة إلى إعادة كتابة عقولهم بالكامل.
تجربة القيادة: ثلاثة مسارات مختلفة
لكي يتبين من هو الأفضل حقاً، لم يكتفِ الباحثون باختبارهم على نفس الواجب المنزلي الذي درسوه. بل أعطوهم ثلاثة امتحانات مختلفة:
- الامتحان التجريبي (AMi-Br): كانت هذه هي مجموعة البيانات الرئيسية المستخدمة للتدريب. احتوت على آلاف صور خلايا سرطان الثدي البشرية.
- امتحان "نفس المدينة، حي مختلف" (AtNorM-Br): استخدم هذا الامتحان صوراً من مصدر مختلف (TCGA). كان الأمر بمثابة اختبار المحققين على نفس نوع المدينة، ولكن مع لوحات إرشادية وإضاءة مختلفة.
- امتحان "البلد الأجنبي" (AtNorM-MD): كان هذا هو الاختبار الأصعب. لم يقتصر فقط على سرطان الثدي البشري، بل شمل أيضاً أورام الكلاب وأنواعاً أخرى من السرطانات البشرية. كان الأمر بمثابة إرسال المحققين إلى بلد مختلف تماماً بلغات وعادات مختلفة ليروا ما إذا كان بإمكانهم لا يزال العثور على الخبازين المهملين.
النتائج: من فاز؟
1. "المتدربون المتخصصون" (LoRA) كانوا الفائزين بوضوح.
عندما مُنحت النماذج التأسيسية (الأمناء) ذلك الدفتر الصغير المتخصص (LoRA)، قدموا أداءً مذهلاً. كان نموذج Virchow2 مع تقنية LoRA هو البطل، حيث حقق أعلى دقة في الامتحان التجريبي. لقد أثبت أن أخذ ذكاء اصطناعي ضخم وعام وإعطاءه تعديلاً صغيراً ومحدداً هو استراتيجية قوية جداً.
2. محققو "البداية الجديدة" كانوا في المركز الثاني بقوة.
النماذج التي تم تدريبها من الصفر (End-to-End) قدمت أداءً جيداً جداً، خاصة في امتحان "البلد الأجنبي". كان نموذج Swin Transformer هو الأفضل، مما أظهر أن الفريق المخصص المدرب خصيصاً للوظيفة يمكنه أحياناً التعامل مع المواقف الجديدة والغريبة بشكل أفضل.
3. "أمين المكتبة الخبير" (الاختبار الخطي) عانى من صعوبات.
عندما حاول الأمناء القيام بالوظيفة دون الدفتر المتخصص (باستخدام مجرد خط بسيط)، كان أداؤهم ضعيفاً. اتضح أن معرفتهم العامة الواسعة لم تكن كافية لرصد هذه الأخطاء الدقيقة والمحددة دون بعض التدريب الإضافي.
الخلاصة الكبرى
تخلص الورقة البحثية إلى أنه بينما يعد رصد هذه الانقسامات الخلوية غير الطبيعية مهمة صعبة، فإن الذكاء الاصطناعي يمكنه القيام بها بفعالية.
الدرس الأكثر أهمية هو أن كيفية تدريب الذكاء الاصطناعي تهم أكثر من مجرد امتلاك ذكاء اصطناعي ضخم.
- مجرد طلب التخمين من نموذج ضخم مدرب مسبقاً (الاختبار الخطي) ليس كافياً.
- منح ذلك النموذج الضخم طريقة صغيرة وفعالة للتعلم (LoRA) يحقق نتائج مذهلة.
- أحياناً، لا يزال تدريب نموذج من الصفر على بيانات محددة استراتيجية تنافسية للغاية.
لقد أصدر الباحثون أيضاً جميع بياناتهم وأكوادهم، مما يعني تسليم "أسئلة الامتحان" و"مفاتيح الإجابة" إلى المجتمع العلمي بأكمله حتى يتمكن الجميع من مواصلة تحسين هؤلاء المحققين. كما أشاروا إلى أنه على الرغم من جودة النماذج، إلا أنها لا تزال تعاني عندما يكون "البلد الأجنبي" (أنواع الأنسجة أو أجهزة المسح الضوئي) مختلفاً جداً، مما يشير إلى أننا لا نزال بحاجة إلى بيانات أكثر تنوعاً لجعل هذه الأدوات مثالية لكل موقف.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.