Topological Signatures vs. Gradient Histograms: A Comparative Study for Medical Image Classification
تقارن هذه الدراسة بين "مخطط تدرجات الاتجاهات" (HOG) و"تحليل البيانات الطوبولوجية" (TDA) لتصنيف صور قاع العين، حيث وجدت أنه بينما يقدم كلا أسلوبي استخراج الميزات أداءً متشابهاً باستخدام خوارزمية (XGBoost)، إلا أنهما يوفران تمثيلات هيكلية متكاملة للكشف عن اعتلال الشبكية السكري وتصنيفه.
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 أنك محقق يحاول تحديد نوع معين من العملات المزيفة. لكي تمسك بالعملة المزيفة، يمكنك استخدام طريقتين مختلفتين تماماً: إحدى الطريقتين تنظر إلى الخدوش والأنسجة الدقيقة على السطح، بينما تنظر الأخرى إلى الشكل العام وما إذا كان هناك أي ثقوب غريبة أو عيوب هيكلية في المعدن.
هذه الورقة البحثية هي في الأساس "دليل المحقق" الذي يقارن بين طريقتين مختلفتين للنظر في الصور الطبية (تحديداً صور خلفية العين) للكشف عن اعتلال الشبكية السكري، وهو مرض يمكن أن يسبب العمى.
قام الباحث، فيصل أحمد، بمقارنة أداتين من أدوات "المحققين": HOG و TDA.
١. المحققان
المحقق HOG (متخصص الأنسجة):
فكر في HOG كعدسة مكبرة تبحث عن الأنماط والحواف. إذا كنت تنظر إلى غابة، فلن يهتم HOG بشكل الغابة؛ بل سيركز على اتجاه ميلان أعشاب الأرض أو الحواف الحادة لجذوع الأشجار. من الناحية الطبية، يبحث HOG في الأنسجة الدقيقة، والخطوط، و"حبيبات" العين ليرى ما إذا كان هناك شيء يبدو "غير طبيعي".
المحقق TDA (متخصص الأشكال):-
فكر في TDA كنحات يهتم بـ الهيكل والترابط. بدلاً من النظر إلى الخدوش الصغيرة، يسأل TDA: "هل هذا الشكل صلب؟ هل يحتوي على ثقوب غريبة؟ هل هناك جزر منفصلة من الألوان في أماكن لا ينبغي أن تكون فيها؟" إنه ينظر إلى "التوبولوجيا" (علم الشكل)—أي الهيكل العام الكبير للصورة. هو أقل اهتماماً بنسيج الجلد وأكثر اهتماماً بما إذا كانت "خريطة" العين تحتوي على حلقات أو فجوات غريبة وغير متوقعة.
٢. التجربة
أخذ الباحث مجموعة ضخمة من صور العيون (مجموعة بيانات APTOS) وسلمها لهذين المحققين. ثم استخدم سبعة "مساعدين ذكاء اصطناعي" (نماذج تعلم آلي) ليرى أي محقق قدم أفضل الأدلة لـ:
- المهمة أ: هل العين سليمة أم مصابة بالمرض؟ (نعم/لا)
- المهمة ب: ما مدى سوء المرض؟ (المستوى ١، ٢، ٣، ٤، أو ٥)
٣. النتائج: من الفائز؟
- كان HOG (متخصص الأنسجة) هو النجم المتألق. فقد كان أكثر دقة بشكل عام، خاصة عندما يتعلق الأمر بسؤال "نعم/لا". ولأنه يلتقط الكثير من التفاصيل الدقيقة والمتناهية الصغر (فهو في الواقع يستخرج أكثر من ٢٦,٠٠٠ دليل صغير لكل صورة!)، فقد كان بارعاً جداً في رصد الأنسجة الدقيقة للمرض.
- كان TDA (متخصص الأشكال) هو البديل "الذكي". ورغم أنه لم يتفوق على HOG في الدقة الخام، إلا أنه كان أكثر "قابلية للتفسير".
لماذا تهم "القابلية للتفسير"؟
تخيل أن الذكاء الاصطناعي يخبر الطبيب: "هذا المريض مريض،" لكنه لا يستطيع شرح السبب. هذا أمر مخيف.
- HOG يشبه محققاً يقول: "أرى نمطاً من ٥,٠٠٠ خدش صغير يبدو مشبوهاً." (من الصعب على البشر تخيل ذلك بصرياً).
- TDA يشبه محققاً يقول: "أرى أن هناك ضعف عدد 'الثقوب' أو البقع الساطعة في هذه الصورة مقارم بالعين السليمة." (وهذا سهل جداً للطبيب فهمه والتحقق منه).
٤. الصورة الكبيرة (مستقبل "الهجين")
تخلص الورقة إلى أنه لا ينبغي لنا الاختيار بينهما.
الطريق الأفضل للمضي قدماً هو نهج "المحقق الخارق". فمن خلال الجمع بين أدلة الأنسجة عالية التفاصيل من HOG مع أدلة الشكل الهيكلية سهلة الفهم من TDA، يمكننا إنشاء أدوات ذكاء اصطناعي للأطباء تكون دقيقة للغاية وسهلة الثقة في آن واحد. الأمر يشبه امتلاك محقق يمكنه رؤية الخدوش المجهرية على العملة وفي نفس الوقت رؤية الشكل العام للمعدن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.