ملخص تقني: SLAM-AGS

1. بيان المشكلة

تواجه الخلايا الحسابية تحديين حرجين يعيقان تطبيق التعلم العميق في الكشف عن السرطان:

1. تسميات عينات غير موثوقة ومكلفة: إن الحصول على تسميات دقيقة لكل رقعة (patch) في صور الأنسجة الكاملة (WSIs) ذات الدقة الجيجا بكسلية أمر مكلف للغاية، وبالتالي فإن التدريب الخاضع للإشراف الكامل غالبًا ما يكون غير ممكن.
2. معدلات شهود منخفضة للغاية: في صور الأنسجة الخلوية (cytology WSIs)، غالبًا ما تكون نسبة الرقع الإيجابية (التي تحتوي على خلايا غير طبيعية) إلى إجمالي الرقع أقل من 1%. عند هذه المعدلات المنخفضة للشهود، تهيمن الرقع السلبية على الطرق الضعيفة الإشراف التقليدية (التي تعتمد فقط على تسميات مستوى الشريحة). يؤدي هذا إلى فرط التخصيص (overfitting)، وضعف التعميم على الحالات الإيجابية النادرة، وانهيار النموذج حيث يفشل في التمييز بين الحقائب الإيجابية والسلبية.

بينما يعد التعلم متعدد الأمثلة (Multiple Instance Learning - MIL) حلاً قياسيًا للتسميات على مستوى الشريحة، إلا أنه يعاني عندما يكون التمييز على مستوى العينة ضعيف الإشراف وتكون الإشارات الإيجابية نادرة. علاوة على ذلك، فإن طرق التدريب المسبق متعددة المهام الموجودة، والتي تجمع بين أهداف التعلم الذاتي والتعلم ضعيف الإشراف، غالبًا ما تعاني من صراعات التدرج (gradient conflicts)، مما يؤدي إلى زعزعة استقرار التدريب والحد من فوائد الإشراف الضعيف.

2. المنهجية: SLAM-AGS

يقترح المؤلفون إطار عمل SLAM-AGS (التدريب المسبق متعدد المهام المدرك لتسمية الشريحة باستخدام جراحة التدرج التكيفية)، وهو مصمم لتحسين تعلم التمثيل لكل من الرقع السلبية والإيجابية للشريحة مع استقرار عملية التدريب.

2.1. أهداف التدريب المسبق متعدد المهام

يكيف الإطار نهج WeakSupCon، حيث يعامل الرقع بناءً على تسميات مستوى الشريحة الخاصة بها:

• الرقع السلبية للشريحة (التشابه الخاضع للإشراف): تُعامل الرقع من الشرائح السليمة (السلبية) على أنها تمتلك تسمية سلبية مشتركة ومعروفة. يقوم النموذج بتحسين خسارة التشابه (Similarity Loss) المشتقة من خسارة التباين الخاضع للإشراف (SupCon) لتشجيع تمثيل متماسك لهذه الحالات السلبية في فضاء الميزات.
• الرقع الإيجابية للشريحة (التباين الذاتي): تُعامل الرقع من الشرائح الإيجابية (التي قد تحتوي على مزيج من الخلايا الطبيعية وغير الطبيعية) كبيانات غير مصنفة. يقوم النموذج بتحسين هدف التباين SimCLR على هذه الرقع لتعلم ميزات بصرية قوية خالية من التسميات.

إجمالي الخسارة هو مجموع هذين الهدفين: $L = L_{Similarity} + L_{SimCLR}$.

2.2. جراحة التدرج التكيفية

لمعالجة عدم الاستقرار الناتج عن الجمع بين أهداف متباينة، يدمج SLAM-AGS جراحة التدرج التكيفية بناءً على خوارزمية PCGrad:

1. حل الصراع: عندما يكون تشابه جيب التمام بين تدرجات المهام سالبًا (مما يشير إلى وجود صراع)، تقوم الخوارزمية بإسقاط تدرج كل مهمة على المستوى العمودي لتدرج المهمة الأخرى. هذا يزيل التداخل الهدام.
2. إعادة قياس التدرج: الابتكار الحاسم في هذا العمل هو خطوة إعادة قياس التدرج. الإسقاط القياسي يمكن أن يقلل من مقدار التدرج الفعال، مما يبطئ التقارب. يقوم SLAM-AGS بحساب معيار التدرج المجمع الأصلي ($\|g_{sum}\|$) والتدرج المسقط ($\|g_{pc}\|$). إذا كان المعيار المسقط أصغر، يتم إعادة قياس التدرج للحفاظ على مقدار التحديث الأصلي:
   $$g_{pc} \leftarrow g_{pc} \cdot \frac{\|g_{sum}\|}{\|g_{pc}\|}$$
   يضمن هذا أنه بينما يتم إزالة الاتجاهات المتصارعة، يتم الحفاظ على مقياس إشارة التعلم الإجمالية.

2.3. خط المعالجة اللاحق (Downstream Pipeline)

يتم دمج المشفر المدرب مسبقًا في مجمع تعلم متعدد الأمثلة قائم على الانتباه (MIL) (تحديدًا PAMIL). يسمح هذا بـ:

• التنبؤ على مستوى الحقيبة: تصنيف الشريحة بأكملرها (مثل اكتشاف الخباثة).
• الاسترجاع على مستوى العينة: استخدام درجات الانتباه لتحديد واسترجاع أكثر الرقع غير طبيعية داخل الحقيبة الإيجابية.

3. الإعداد التجريبي

• مجموعة البيانات: مجموعة بيانات خلايا نخاع العظم [14]، التي تتميز بشرائح (WSIs) مصبوغة بصبغة May-Grünwald-Giemsa/Pappenheim.
• المحاكاة: لمحاكاة إعدادات MIL مع معدلات شهود محكومة، تم تصنيف "الخلايا الليمفاوية" (الفئة الأكثر انتشارًا) كـ "طبيعية"، ودمج سبعة أنواع خلوية أقل انتشارًا في فئة "غير طبيعية". تم حقن حالات غير طبيعية في حقائب طبيعية لإنشاء معدلات شهود مستهدفة بلغت 10%، 5%، 1%، و0.5%.
• النماذج المرجعية (Baselines): تمت مقارنة الطريقة مع كل من التدريب ضعيف الإشراف، SimCLR، WeakSupCon، ونسخة من SLAM-AGS بدون إعادة قياس التدرج.
• المقاييس:
  • على مستوى الحقيبة: مقياس F1-Score.
  • على مستوى العينة: Recall@400 (عدد الحالات الرئيسية المحددة بشكل صحيح من بين أعلى 400 رقعة مرتبة حسب درجة الانتباه).

4. النتائج الرئيسية

تظهر التجارب أن SLAM-AGS يتفوق بشكل كبير على الطرق الموجودة، خاصة مع انخفاض معدلات الشهود:

• تصنيف مستوى الحقيبة (F1-Score):
  • عند معدلات شهود 10% و5%، حقق SLAM-AGS أعلى الدرجات (97.1% و96.0% على التوالي)، متفوقًا على التدريب ضعيف الإشراف (53.4%) وWeakSupCon (84.6%).
  • عند معدل شهود 0.5%، كان التفوق أكثر وضوحًا. حقق SLAM-AGS 66.4%، بينما انهارت جميع الطرق الأخرى (الضعيفة الإشراف، SimCLR، وWeakSupCon) إلى أداء يقارب العشوائية (~50%).
• الكشف على مستوى العينة (Recall@400):
  • حافظ SLAM-AGS على معدل كشف فوق 60% عبر جميع معدلات الشهود (على سبيل المثال، 65.3% عند 0.5% WR).
  • انخفضت الطرق المنافسة (SimCLR، WeakSupCon) إلى مستويات تقارب العشوائية (~40-45%) عند معدلات الشهود المنخفضة، وفشلت في تحديد الحالات غير الطبيعية الرئيسية بفعالية.
• دراسة الاستئصال (Ablation Study): أدى متغير "SLAM-AGS بدون إعادة القياس" إلى أداء أسوأ بكثير (على سبيل المثال، 46.0% F1 عند 0.5% WR)، مما يؤكد أن مكون إعادة قياس التدرج ضروري لاستقرار التحسين والحفاظ على إشارات التعلم.

5. الأهمية والادعاءات

يدعي البحث أن SLAM-AGS يوفر حلاً قويًا لعلم الخلايا الحسابي حيث تكون الإشارات الإيجابية نادرة للغاية. تكمن الأهمية الجوهرية في إثبات أن:

1. تداخل التدرج هو عائق رئيسي: في التدريب المسبق متعدد المهام مع تسميات إيجابية نادرة، يمكن لتدرجات المهام المتصارعة بين أهداف التعلم الذاتي والتعلم ضعيف الإشراف أن تزعزع استقرار التدريب.
2. الجراحة التكيفية تمكن الاستقرار: من خلال الجمع بين إسقاط التدرج وإعادة القياس الحافظ للمقدار، يسم يسم الإطار للأهداف الخاضعة للإشراف والتعلم الذاتي لتعزيز بعضها البعض بدلًا من التداخل.
3. الأداء عند الندرة القصوى: يتيح هذا الأسلوب تدريبًا مسبقًا مستقرًا وأداءً فائقًا في المهام اللاحقة حتى عند معدلات شهود منخفضة تصل إلى 0.5%، وهو النطاق الذي تفشل فيه الطرق القياسية ضعيفة الإشراف والتعلم الذاتي.

يخلص المؤلفون إلى أن التخفيف من صراعات التدرج وإعادة قياس التحديثات أمر بالغ الأهمية لتعلم التمثيل القوي في السيناريوهات ذات الإشراف الإيجابي الشحيح. ويشيرون إلى أنه بينما يظل الاسترجاع على مستوى العينة مستقرًا، فإن درجات F1 على مستوى الحقيبة لا تزال تتدهور قليلاً عند أدنى معدلات الشهود، مما يشير إلى أن العمل المستقبلي يجب أن يركز على تحسين مجمع MIL للاستفادة بشكل أفضل من الإشارات المحددة على مستوى العينة.

قابلية التكرار: أتاح المؤلفون تنفيذهم الكامل وإطار التقييم الخاص بهم كمصدر مفتوح على https://github.com/Ace95/SLAM-AGS.