Gradient based Severity Labeling for Biomarker Classification in OCT

إليك ملخص تقني مفصل لورقة البحث بعنوان "التوسيم القائم على التدرج لشدة المرض في تصنيف المؤشرات الحيوية في التصوير المقطعي للتماسك البصري (OCT)."

1. بيان المشكلة

يعد اكتشاف المؤشرات الحيوية الشبكية (مثل السوائل داخل الشبكية، ووذمة البقعة الصفراء السكري) في فحوصات التصوير المقطعي للتماس البصري (OCT) أمراً بالغ الأهمية لإدارة اعتلال الشبكية السكري (DR). ومع ذلك، تواجه مناهج التعلم العميق لهذه المهمة عقبة كبيرة: الاعتماد على مجموعات بيانات ضخمة موسومة من قبل الخبراء. إن التقييم من قبل الخبراء مكلف ويستغرق وقتاً طويلاً، مما يؤدي إلى ندرة البيانات الموسومة.

بينما برز التعلم التبايني (Contrastive Learning) كحل للاستفادة من البيانات غير الموسومة، تعتمد الطرق التقليدية (مثل SimCLR و MoCo) على تعزيزات بيانات عشوائية (مثل التمويه الغاوسي، والقص) لإنشاء أزواج إيجابية. وفي المجال الطبي، تعتبر هذه التعزيزات إشكالية لأنها قد تشوه أو تحجب المناطق الصغيرة والموضعية التي تحتوي على مؤشرات حيوية حرجة، مما يؤدي إلى إفساد المعلومات الدلالية المطلوبة للتشخيص. ويرى المؤلفون أن النهج الأكثر بديهية للصور الطبية هو اختيار الأزواج الإيجابية بناءً على شدة المرض بدلاً من التعزيز العشوائي، حيث أن العينات ذات مستويات الشدة المتشابهة من المرجح أن تشترك في سمات هيكلية متعلقة بتطور المرض.

2. المنهجية

يقدم الإطار المقترح مسار عمل مبتكر لتوليد تسميات شدة زائفة (pseudo-severity labels) لصور OCT غير الموسومة واستخدامها في إعداد تعلم تبايني تحت إشراف (Supervised Contrastive Learning). تتكون المنهجية من ثلاث مراحل رئيسية:

أ. توليد درجة الشدة عبر تحليل التدرج

بدلاً من استخدام خطأ إعادة البناء القياسي وحده، يقترح المؤلفون استخدام استجابات التدرج (gradient responses) من نموذج كشف الشذوذ لقياس شدة المرض.

1. تدريب خط أساس صحي: يتم تدريب مشفر تلقائي (auto-encoder) حصرياً على مجموعة بيانات من صور OCT السليمة باستخدام منهجية GradCON. يفرض هذا قيوداً على التدرج، مما يجبر تدرجات النموذج للصور السليمة على التوافق بشكل وثيق.
2. حساب درجة الشدة (SS): لأي صورة غير موسومة، يحسب النموذج درجة شدة بناءً على مدى "شذوذ" الصورة بالنسبة للتوزيع الصحي المتعلم. تُعرف الدرجة كالتالي:
   $$SS = -L_{recon} + \alpha L_{grad}$$
   حيث أن:
   • $L_{recon}$ هو متوسط مربع الخطأ (MSE) بين المدخلات وإعادة بنائها.
   • $L_{grad}$ هو متوسط تشابه جيب التمام (cosine similarity) بين تدرجات الصورة المستهدفة والتدرجات المرجعية المتعلمة من البيانات السليمة عبر جميع طبقات فك التشفيد (decoder layers).
   • $\alpha$ هو معامل وزن (تم ضبطه عند 0.03).
   • المنطق: العينات الشاذة (المصابة بالمرض) تتطلب تحديثاً أكثر جذرياً للنموذج (تدرجات أكبر) لتمثيلها مقارنة بالعينات السليمة. وبالتالي، تشير درجة SS الأعلى إلى شذوذ أكثر شدة.

ب. تعيين التسميات الزائفة

بمجرد حساب درجات الشدة لجميع مجموعة البيانات غير الموسومة:

1. يتم ترتيب الدرجات بترتيب تصاعدي.
2. يتم تقسيم الدرجات المرتبة إلى $N$ من الفئات (bins) (معامل فائق).
3. تُخصص للصور داخل الفئة نفسها تسمية شدة (Severity Label - SL). وهذا ينشئ مجموعة من الفئات الزائفة التي تمثل طيفاً من شدة المرض من الحالة السليمة إلى الحالة الشديدة.

ج. التعلم التبايني الخاضع للإشراف والضبط الدقيق

1. ما قبل التدريب: يتم تدريب مشفر (ResNet-18) باستخدام خسارة التباين الخاضعة للإشراف (Supervised Contrastive Loss) على البيانات غير الموسومة مع تسميات الشدة المولدة. تعمل دالة الخسارة على سحب التمثيلات (embeddings) للصور ذات تسمية الشدة نفسها معاً، ودفع تمثيلات الصور ذات تسميات الشدة المختلفة بعيداً عن بعضها.
2. الضبط الدقيق (Fine-tuning): يتم تجميد أوزان المشفر المدرب. يتم إلحاق طبقة تصنيف خطية وتدريبها على مجموعة صغيرة من بيانات المؤشرات الحيوية الموسومة من قبل الخبراء (تصنيف ثنائي: وجود/غياب مؤشرات حيوية محددة) باستخدام خسارة الإنتروبيا المتقاطعة (cross-entropy loss).

3. المساهمات الرئيسية

1. التوسيم القائم على التدرج لشدة المرض: طريقة مبتكرة لتعيين تسميات زائفة لصور طبية غير موسومة بناءً على استجابات التدرج من نموذج كشف الشذوذ، مما يتجنب عيوب التعزيزات العشوائية.
2. التعلم التبايني المدرك للشدة: إثبات أن تجميع الصور حسب شدة المرض (بدلاً من التعزيز العشوائي) يخلق مساحة تمثيل أكثر دلالة ومعنى لصور الأشعة الطبية.
3. تحسين الأداء: إظهار أن هذا النهج يتفوق بشكل كبير على نماذج التعلم الذاتي (self-supervised) الرائدة (مثل SimCLR و PCL و MoCo v2) في مهام تصنيف المؤشرات الحيوية.

4. النتائج التجريبية

أجريت الدراسة على مجموعات بيانات Prime + TREX DME (حوالي 60 ألف صورة غير موسومة، و7.5 ألف موسومة) ومجموعة بيانات Kermany السليمة. تم اختبار النموذج على 5 مؤشرات حيوية محددة: IRF، وDME، وIRHRF، وFAVF، وPAVF.

• المقارنة مع النماذج المرجعية: حقق النهج المقترح (SL) أداءً متفوقاً في معظم المقاييس مقارنة بـ SimCLR و PCL و MoCo v2.
  • متوسط مساحة تحت المنحنى متعدد الملصقات (Multi-Label AUC): حققت أفضل نتيجة (SL مع 5,000 فئة) قيمة 0.774، متفوقة على أفضل نموذج مرجعي (MoCo v2 بنسبة 0.769).
  • المؤشرات الحيوية الفردية:
    • DME: حقق SL15000 دقة بنسبة 84.52% ودرجة F1 بلغت 0.831، وهي أعلى بكثير من SimCLR (80.61% / 0.772).
    • IRF: حقق SL10000 دقة بنسبة 75.46% ودرجة F1 بلغت 0.732.
    • PAVF: حقق SL10000 دقة بنسبة 56.69% ودرجة F1 بلغت 0.370.
• حساسية المعاملات الفائقة: تؤثر عدد فئات الشدة ($N$) بشكل كبير على الأداء.
  • حققت أعداد الفئات المتوسطة (5,000–10,000) عموماً أفضل أداء للملصقات المتعددة.
  • تطلبت مؤشرات حيوية معينة درجات متفاوتة من التفصيل؛ فعلى سبيل المثال، حقق كل من DME و IRF أفضل أداء مع أعداد فئات أعلى (15,000–20,000)، مما يشير إلى استفادتهما من التمييز الدقيق لشدة المرض.
• دراسة الاستئصال (Ablation Study): قارن المؤلفون طريقة تسجيل الشدة القائمة على التدرج مع طرق أخرى لكشف الشذوذ (MSP، ODIN، Mahalanobis). تفوق منهج الشدة القائم على التدرج (SL) باستمرار على الآخرين، محققاً أعلى Multi-Label AUC (بقيمة 0.774 مقابل 0.772 لـ Mahalanobis).

5. الأهمية

تعالج هذه الورقة قصوراً حرجاً في تطبيق التعلم التبايني على التصوير الطبي: عدم توافق استراتيجيات التعزيز القياسية مع الهياكل الطبية الدقيقة. ومن خلال نقل النموذج من "التعزيز القائم على التغيير" إلى "الشدة القائمة على التغيير" لاختيار الأزواج الإيجابية، يثبت المؤلفون أن:

1. يمكن الاستفادة من البيانات غير الموسومة بفعالية دون تشويه الميزات التشخيصية الحرجة.
2. معلومات التدرج تعمل كوكيل قوي لشدة المرض، مما يخلق تجمعات (clusters) قابلة للتفسير دلالياً وذات صلة سريرية.
3. الأثر السريري: يحسن هذا النهج دقة اكتشاف المؤشرات الرئيسية لاعتلال الشبكية السكري بنسبة تصل إلى 6% مقارنة بنماذج التعلم الذاتي، مما يوفر مساراً عملياً لتقليل الاعتماد على التوسيم الخبير المكلف في طب العيون.