Radiomics-Integrated Deep Learning with Hierarchical Loss for Osteosarcoma Histology Classification

ملخص تقني: التعلم العميق المتكامل مع الراديوميكس باستخدام الخسارة الهرمية لتصنيف نسيج الورم العظمي

بيان المشكلة
يُعد الورم العظمي (OS) من الأورام الخبيثة الأولية في العظام التي تتسم بالعدوانية، حيث يُعد التقييم النسيجي الدقيق لمناطق الورم الحية مقابل غير الحية بعد العلاج الكيميائي المساعد على النيوبلاستيا (neoadjuvant chemotherapy) أمراً بالغ الأهمية للتنبؤ بالمرض وتخطيط العلاج. إن التقييم اليدوي لشرائح الأنسجة المرضية يتطلب جهداً مكثفاً، وهو أمر ذاتي وعرضة للتباين بين المراقبين. وبينما حاولت الدراسات الحديثة المعتمدة على التعلم العميق أتمتة قياس النخر (necrosis)، فإن الدراسات السابقة غالباً ما سجلت تعميماً على مستوى البلاطات (tile-level) لم يصمد عند الاختبار على مستوى المريض. ينشأ هذا التباين من تسرب البيانات الناتج عن التقسيم العشوائي للبلاطات (حيث تظهر بلاطات متعددة من نفس المريض في كل من مجموعتي التدريب والاختبار)، ومن فشل نماذج التصنيف متعددة الفئات "المسطحة" في مراعاة التسلسل الهرمي السريري للمرض. وتحديداً، فإن التصنيف القياسي ثلاثي الفئات (غير ورمي، ورم غير حي، وورم حي) غالباً ما يتجاهل الأهمية السريرية المتميزة لهذه الأنواع الفرعية والانتشار المتفاوت للفئات المتأصل في المرض.

المنهجية
يقترح المؤلفون إطار عمل للتعلم الهرمي متعدد الوسائط مصمم لمواءمة بنية النموذج مع الاستدلال السريري. تتكون المنهجية من ثلاثة مكونات أساسية:

1. دمج الميزات متعدد الوسائط: يدمج الإطار ميزات صور التعلم العميق مع واصفات الراديوميكس (radiomic descriptors) المصنوعة يدوياً.

   • يقوم مشفر الصور ($f_{img}$) بمعالجة بلاطات الأنسجة المصبوغة بصبغة H&E (RGB)، بينما يقوم مشفر الراديوميكس ($f_{rad}$) بمعالجة متجه من 29 سمة من الدرجة الأولى وسمات الشكل ثنائية الأبعاد المستخرجة عبر مكتبة PyRadiomics.
   • يتم دمج هذه الوسائط باستخدام آلية بوابة انتباه تكيفية (adaptive attention gating). تقوم بوابة softmax بحساب أوزان الانتباه ($\alpha_{img}, \alpha_{rad}$) لإنشاء مزيج مرجح من تضمينات الصور والراديوميكس، مما يسمح للنموذج بتحديد الأولوية ديناميكياً للوسيط الأكثر إخبارية لكل عينة.

2. صياغة المهام الهرمية: بدلاً من التصنيف المسطح ثلاثي الفئات، يتم تفكيك المشكلة إلى مهمتين ثنائيتين مرتبطتين:

   • المهمة أ (خشنة/عامة): التمييز بين غير الورمي (Non-tumor) والورم (Tumor) (الحي وغير الحي).
   • المهمة ب (دقيقة): التمييز بين الورم غير الحي والورم الحي (تُطبق فقط على العينات التي تم تحديدها كأورام في المهمة أ).
   • يتم اشتقاق توزيع الاحتمالات النهائي ثلاثي الفئات عن طريق ضرب احتمالات المهمتين الثنائيتين، مما يضمن أن المخرج يحترم التسلسل الهرمي المرضي.

3. الخسارة الهرمية الموزونة بعدم اليقين: لتحسين المهمتين في آن واحد، يستخدم المؤلفون إطار عمل لوزن عدم اليقين المتماثل (homoscedastic uncertainty weighting) (Kendall et al).

   • تمثل المعلمات القياسية القابلة للتعلم ($\lambda_A, \lambda_B$) التباين اللوغاريتمي (عدم اليقين) لكل مهمة.
   • تجمع دالة الهدف المشتركة بين خسائر الإنتروبيا المتقاطعة الموزونة، حيث تتلقى المهام ذات عدم اليقين الأعلى المكتسب أوزاناً فعالة أقل. وهذا يسمح للنموذج بموازنة إشارة التعلم بين مهام التصنيف الخشنة والدقيقة بشكل تكيفي دون ضبط يدوي للمعلمات الفائقة.

المساهمات الرئيسية

• التعميم على مستوى المريض: تعالج الدراسة مسألة تسرب البيانات من خلال استخدام تقسيم صارم على مستوى المريض للتدريب والاختبار، مما يوفر تقييماً أكثر واقعية لتعميم النموذج مقارنة بالتقسيم العشوائي للبلاطات المستخدم في الدراسات السابقة.
• التكامل متعدد الوسائط: يوضح العمل أن دمج ميزات الراديوميكس المصنوعة يدوياً (تحديداً واصفات الشكل والشدة) كمدخلات إضافية يحسن أداء التصنيف بشكل كبير ويضيف قابلية التفسير، حتى عندما تكون مستخرجة من نفس الصور المستخدمة للتعلم العميق.
• تحسين الخسارة الهرمية: يقدم البحث دالة خسارة مهيكلة ذات رأسين مع وزن غير يقيني قابل للتعلم. يتفوق هذا النهج على النماذج الأساسية متعددة الفئات المسطحة من خلال نمذجة الاعتماد بين وجود الورم وحيويته بشكل صريح.

النتائج التجريبية
تم تقييم الإطار على مجموعة بيانات TCIA لتقييم الورم العظمي، والتي تضم 1,144 بلاطة مصبوغة بـ H&E من الفترة 1995-2015، مصنفة إلى: غير ورمي، ورم غير حي، وورم حي.

• الأداء: حققت التشكيلة المقترحة (InceptionV3 + الخسارة الهرمية + الراديوميكس) أداءً هو الأفضل في حالتها (state-of-the-art) على هذه المجموعة من البيانات.
  • الدقة الإجمالية: 0.86 ± 0.01 (مقارنة بـ 0.73 لنموذج InceptionV3 الأساسي ثلاثي الفئات).
  • مقياس F1 الكلي (Macro-F1): 0.86 ± 0.01.
  • مساحة تحت المنحنى لكل فئة (OvR AUC): 0.96 ± 0.00.
• دراسات الاستئصال (Ablation Studies):
  • أدى إضافة ميزات الراديوميكس إلى InceptionV3 القياسي إلى تحسين Macro-F1 من 0.74 إلى 0.80.
  • أدت إضافة الخسارة الهرمية إلى InceptionV3 إلى تحسين Macro-F1 من 0.73 إلى 0.75.
  • أدى الجمع بين كليهما إلى تحقيق أعلى المكاسب.
• التحسينات لكل فئة: حسن النموذج الكامل بشكل كبير التعرف على فئة "الورم غير الحي" الصعبة. ارتفعت الحساسية عند نوعية 90% (Sen@Spe90) للأورام غير الحية من 0.69 (النموذج الأساسي) إلى 0.83. كما حافظ النموذج على أداء عالٍ للفئة غير الورمية (Sen@Spe90 0.92) والفئة الورمية الحية (Sen@Spe90 0.95).

الأهمية والادعاءات
يزعم المؤلفون أن عملهم يضع معياراً جديداً لأداء الحالة الراهنة (SOTA) لتصنيف نسيج الورم العظمي على مجموعة بيانات TCIA المفتوحة. ويجادلون بأن دمج الراديوميكس يوفر قابلية تفسير جوهرية من خلال واصفات الشكل الصريحة، مما يكمل التمثيلات الضمنية للشبكات العميقة. علاوة على ذلك، تدعم الصياغة الهرمية الاستدلال السريري ذو المعنى من خلال مواءمة عملية اتخاذ القرار في النموذج مع تطور حيوية الورم. وتخلص الدراسة إلى أن الجمع بين الإشراف الهرمي والدمج متعدد الوسائط ضروري لتعزيز التمييز عبر جميع أنواع الأنسجة ذات الصلة سريرياً، وخاص خصوصاً للنوع الفرعي للورم غير الحي الذي يصعب تصنيفه. الكود والنماذج المدربة متاحة للمجتمع العلمي.