HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis

ملخص تقني: HypCBC

بيان المشكلة
تواجه الشبكات العصبية العميقة تحديات كبيرة في التعميم خارج توزيعات التدريب، وهي مشكلة حرجة في تحليل الصور الطبية حيث تعيق ندرة البيانات وتحولات المتغيرات المصاحبة (الناجمة عن اختلاف الأجهزة، وبروتوكولات التصوير، والمجتمعات المرضية) النشر السريري الموثوق. تعتمد العلاجات الحالية غالبًا على تعلم التمثيل الإقليدي، الذي يفترض هندسة مسطحة تفشل في التقاط الهياكل الهرمية المعقدة المتأصلة في البيانات السريرية. علاوة على ذلك، فإن الشبكات الزائدية (hyperbolic) التي تعمل من البداية إلى النهاية، رغم ملاءمتها نظريًا للبيانات الهرمية، عانت تاريخيًا من عدم الاستقرار العددي وانخفاض كفاءة التدريب على مجموعات البيانات الكبيرة.

المنهجية
يقترح المؤلفون إطار عمل HypCBC (الاتساق عبر الفروع الزائدي - Hyperbolic Cross-Branch Consistency)، وهو إطار يستفيد من المتشعبات الزائدية لضمان تعميم نطاق قوي دون الحاجة إلى تسميات النطاق (domain labels). تعمل الطريقة على عمود فقري إقليدي مدرب مسبقًا ومجمد (مثل ViT)، وتُقدم استراتيجية إسقاط زائدية خفيفة الوزن:

1. الإسقاط الزائدي: بدلاً من تدريب شبكة إقليدية من البند إلى النهاية، تقوم الطريقة بإسقاط التمثيلات الإقليدية من عمود فقري مجمد إلى نموذج كرة بوانكاريه ($D^d_c$) باستخدام الخريطة الأسية. يجمع هذا بين استقرار الميزات الإقليدية المدربة مسبقًا والمزايا الهندسية للفضاء الزائدي (الانحناء السالب الثابت).
2. بنية ثنائية الفروع: تستخدم البنية فرعين متوازيين:
   • فرع عالي الأبعاد ($d_1=128$): يلتقط الميزات الدقيقة والخاصة بكل فئة لأغراض الاستدلال.
   • فرع منخفض الأبعاد ($d_2=2$): يعمل كعنق زجاجة للمعلومات. تشير التحليبات التجريبية إلى أن هذا الفضاء منخفض الأبعاد يفرض بشكل طبيعي ثبات النطاق من خلال التخلص من الضوضاء الخاصة بالنطاق مع الاحتفاظ بالمعلومات المميزة للتسميات (labels).
3. الاتساق عبر الفروع (CBC): تم تقديم قيد تنظيم غير مُراقب جديد. تقوم لوجيتات (logits) الفرع منخفض الأبعاد (الثابت بالنسبة للنطاق) بالإشراف على الفرع عالي الأبعاد عبر خسارة تباعد كولباك - ليبلر (KL divergence). يقوم هذا بنقل المعرفة المستقلة عن النطاق إلى فرع الاستدلال الرئيسي دون الاعتماد على التدريب التنافسي أو تسميات النطاق الصريحة.
4. هدف التدريب: تجمع الخسارة الإجمالية بين خسارات الإنتروبيا المتقاطعة لكلا الفرعين، وخسارة الاتساق، الموزونة بمعامل ضبط $\lambda$.

المساهمات الرئيسية

• التحقق الشامل من التعلم الزائدي: تقدم الورقة أول تحقق واسع النطاق لتعلم التمثيل الزائدي في التصوير الطبي، مما يثبت تحسينات ذات دلالة إحصائية على النماذج الإقليدية الأساسية عبر إحدى عشرة مجموعة بيانات داخل النطاق تغطي تسعة أنماط تصوير، وأحجام عينات تتراوح من $10^2$ إلى $10^5$، وتدرجات متفاوتة في دقة التسميات.
• التعميم النطاقي غير المُراقب: تقديم HypCBC، وهي استراتيجية ثنائية الفروع مع اتساق مستقل عن النطاق، والتي تتفوق على الطرق الإقليدية الحديثة (بما في ذلك الطرق القائمة على التعزيز ونهج تقليل المخاطر الثابتة) في ثلاث اختبارات لتعميم النطاق.
• رؤى الاستئصال (Ablation Insights): تكشف الدراسة أن فرع عنق الزجاجة ثنائي الأبعاد يوفر توازنًا فعالًا بين ثبات النطاق والتمييز بين التسميات. علاوة على ذلك، أظهرت الدراسة أن مكاسب المتانة تعود إلى الخصائص الهندسية للمتعدد الزائدي وقيود الاتساق، وليس مجرد زيادة في عدد المعلمات.

النتائج التجريبية

• الأداء داخل النطاق (ID): عبر ثلاثة نماذج ViT (ViT-S, DeiT3-S, DINOv2-S) وإحدى عشرة مجموعة بيانات طبية، تفوقت المصنفات الزائدية (HypERM) باستمرار على المصنفات الإقليدية (ERM). كانت المكاسب ذات دلالة إحصائية ($p < 0.05$)، مع تحسينات ملحوظة في OCT (+2.70%)، وPath (+1.48%)، وTissue (+1.36%) باستخدام DINOv2.
• التعميم النطاقي (DG): في ثلاث اختبارات—Fitzpatrick17k (طب الجلد)، وCamelyon17-WILDS (علم الأمراض النسيجي)، وإعداد تصوير شبكية عبر مجموعات البيانات—حققت HypCBC أفضل أداء.
  • تفوقت على أفضل طريقة إقليدية (AugMix) بنسبة +0.68% في اختبار Retina.
  • حققت متوسط تحسن قدره +2.1% AUC عبر اختبارات التعميم النطاقي الثلاثة مقارنة بالنماذج الإقليدية الأساسية.
  • على عكس طرق مثل VREx، تحقق HypCBC هذه المكاسب بطريقة غير مُراقبة تمامًا، دون الوصول إلى تسميات النطاق أثناء التدريب.
• نتائج الاستئصال:
  • الأبعاد: وفر عنق الزجاجاء ثنائي الأبعاد أقوى ثبات للنطاق (أدنى AUC لتصنيف النطاق) مع الحفاظ على تمييز عالٍ للتسميات. حافظت التمثيلات الزائدية على مكاسب دقة التسمية حتى $d=128$، بينما استقرت التمثيلات الإقليدية.
  • الاتساق: حقق تنظيم الاتساق عبر الفروع مكاسب إيجابية في AUC عبر جميع مجموعات البيانات وأحجام عنق الزجاجة في الفضاء الزائدي، بينما أنتج الاتساق الإقليدي نتائج غير متساوية أو سلبية.

الأهمية والادعاءات
يزعم المؤلفون أن HypCBC توفر "بديلًا مباشرًا وقويًا" لبناء أنظمة ذكاء اصطناٍ طبي قوية. تسلط الورقة الضوء على أن الانحناء السالب الثابت للمتعددات الزائدية يحاكي بشكل طبيعي الهياكل الهرمية للبيانات السريرية، وهي ميزة لا تستطيع الهندسة الإقليدية المسطحة التقاطها. ومن خلال إسقاط الميزات الإقليدية المجمدة في فضاء زائدي وفرض الاتساق عبر الفروع، تحقق الطريقة تدريبًا مستقرًا وتعميمًا فائقًا للنطاقات غير المرئية. تؤكد الورقة أن هذه التحسينات ليست ناتجة عن زيادة سعة النموذج، بل هي متأصلة في الهندسة الزائدية وقيد الاتساق المقترح.

القيود
يشير المؤلفون إلى أن التنفيذ الحالي يستخدم معامل انحناء ثابت ($c=1.0$) وعمودًا فقريًا مجمدًا. ويقترحون أن الانحناء القابل للتعلم أو ضبط العمود الفقري (fine-tuning) يمكن أن يحسن الأداء بشكل أكبر ولكن على حساب التعقيد. بالإضافة إلى ذلك، يتم تقييم الطريقة حاليًا فقط على مهام التصنيف متعدد الفئات أحادية التسمية، رغم أن آلية الاتساق على مستوى اللوجيت قابلة للتوسع مفاهيميًا لتشمل الإعدادات متعددة التسميات.