Hierarchical Classification for Improved Histopathology Image Analysis

إليك ملخص تقني مفصل لورقة "التصنيف الهرمي لتحسين تحليل صور علم الأمراض النسيجي" (HiClass).

1. بيان المشكلة

يعد تحليل صور الشرائح الكاملة (WSI) أمراً بالغ الأهمية لتشخيص علم الأمراض، ومع ذلك، تعتمد مناهج التعلم العميق الحالية بشكل أساسي على التصنيف المسطح (Flat Classification). يعامل هذا النهج جميع تسميات الفئات كفئات مستقلة، متجاهلاً البنية الهرمية المتأصلة في تشخيص الأمراض (على سبيل المثال، التمييز بين "حميد" مقابل "ورم" على مستوى عام، ثم التصنيف الإضافي للأورام حسب درجة التمايز على مستوى دقيق).

التحديات الرئيسية المحددة:

• فقدان السياق: يفشل التصنيف المسطح في الاستفلة من العلاقات الدلالية بين الفئات العريضة والأنواع الفرعية المحددة.
• صعوبة التفاصيل الدقيقة: يعد التصنيف دقيق التفاصيل (مثل درجات الورم المحددة) أصعب بكثير من التصنيف العام بسبب التشابه العالي بين الفئات وندرة البيانات للأنواع الفرعية المحددة.
• عدم كفاءة الطرق الهرمية الحالية: تفتقر المحاولات السابقة للتصنيف الهرمي في علم الأمراض (مثل HMIL) غالباً إلى آليات قوية لتبادل المعلومات بفعالية بين المستويات العامة والدقيقة، أو تفشل في تحسين فضاء الميزات خصيصاً للقيود الهرمية.

2. المنهجية: إطار عمل HiClass

يقترح المؤلفون HiClass، وهو إطار عمل للتصنيف الهرمي مبني على بنية تعلم تعدد المثيلات (MIL). يتكون النظام من ثلاثة مكونات رئيسية:

أ. بنية النموذج

1. المشفر على مستوى الرقعة (Patch-level Encoder - $E$):
   • يقسم صورة الشريحة الكاملة (WSI) إلى رقع بحجم $512 \times 512$.
   • يستخدم UNI (نموذج عام مدرب ذاتياً على أكثر من 100 مليون رقعة) لاستخراج ناقلات ميزات بأبعاد $1024$ لكل رقعة.
2. مجمع الميزات (Feature Aggregator - $A$):
   • يستخدم تجميعاً قائماً على الانتباه (Attention-based pooling) (بناءً على CLAM) لتجميع ميزات مستوى الرقعة في ناقل ميزة واحد يمثل الشريحة بأكملها ($\mathbb{R}^{512}$).
3. المصنف الهرمي (Hierarchical Classifier - $H$):
   • تكامل الميزات ثنائي الاتجاه: يتم تقسيم الميزة المجمعة إلى ناقلات عامة ($v_c$) ودقيقة ($v_f$). يتم بعد ذلك تعزيز هذه الناقلات عن طريق دمج ميزات المستوى الآخر (مع حظر التدرج لمنع الانحياز).
     • $v_c' = v_c \circ G(v_f)$
     • $v_f' = v_f \circ G(v_c)$
     • الهدف: تكتسب الميزات العامة تفاصيل دقيقة؛ وتكتسب الميزات الدقيقة سياقاً رفيع المستوى.
   • الإسقاط والتصنيف: تمر الناقلات المعززة عبر رؤوس إسقاط خطية ورؤوس تصنيف لتوليد النتائج (logits) لكل من الفئات العامة والدقيقة في آن واحد.

ب. دوال الخسارة المصممة خصيصاً

لفرض الاتساق الهرمي وتحسين التمييز، يستخدم HiClass دالة خسارة مركبة: $L = L_{CE} + L_{Con} + L_{Int} + L_{GCE}$.

1. خسارة الإنتروبيا المتقاطعة ($L_{CE}$): خسارة إشرافية قياسية تُطبق بشكل مستقل على كل من المهام العامة والدقيقة.
2. خسارة الاتساق الهرمي ($L_{Con}$):
   • تعتمد على تباعد جينسن-شانون (JSD).
   • تعمل على محاذاة التمثيلات الميزية لأكثر التنبؤات ثقة في المستويين العام والدقيق.
   • الغرض: ضمان الاتساق الدلالي (على سبيل المثال، منع اقتران تنبؤ عام بـ "سرطان" مع تنبؤ دقيق بـ "التهاب معدة").
3. خسارة المسافة داخل الفئة وبين الفئات ($L_{Int}$):
   • تستخدم تباعد KL مع هامش.
   • تزيد المسافة بين الفئات الدقيقة التي تنتمي إلى فئات عامة مختلفة.
   • تقلل المسافة بين الفئات الدقيقة التي تنتمي إلى نفس الفئة العامة.
   • الغرض: إنشاء فضاء ميزات مهيكل حيث تتجمع مجموعات الميزات الدقيقة طبيعياً حول فئاتها العامة الأم.
4. خسارة الإنتروبيا المتقاطعة المجموعاتية ($L_{GCE}$):
   • تقصر فضاء التنبؤ الدقيق على الفئات الموجودة فقط ضمن الفئة العامة المتوقعة.
   • الغرض: تقليل عدد النتائج (logits) المتنافسة أثناء عملية Softmax، مما يؤدي إلى شحذ حدود الفئات ومحاكاة التفكير التشخيصي لأخصائي الأمراض (تحديد الفئة العريضة أولاً، ثم النوع الفرعي).

3. المساهمات الرئيسية

• تكامل الميزات ثنائي الاتجاه: آلية مبتكرة تسهل تبادل المعلومات بين تمثيلات الميزات العامة والدقيقة دون تحديثات مباشرة للأوزان قد تؤدي إلى انحياز أحد المستويين على الآخر.
• مجموعة دوال الخسارة المدركة للهرمية: تقديم ثلاث دوال خسارة محددة ($L_{Con}, L_{Int}, L_{GCE}$) مصممة لتنظيم فضاء الميزات هيكلياً، وفرض الاتساق الدلالي، وتحسين التمييز داخل المجموعات.
• تقييم شامل: تقييم صارم على مجموعة بيانات كبيرة لخزعات المعدة، مما يثبت أن التعلم الهرمي يتفوق على كل من التصنيف المسطح والأساليب الهرمية الحالية.

4. النتائج التجريبية

مجموعة البيانات:

• المصدر: 4,673 شريحة خزعة من المعدة من جامعة الكاثوليكية في كوريا.
• الفئات: 4 فئات عامة (حميد، سرطان، خلل تنسج، التهاب معدة) و14 فئة دقيقة.

مقارنة الأداء (الجدول 2):
حقق HiClass أداءً هو الأفضل في فئته (SOTA) عبر جميع المقاييس مقارنة بالنماذج المرجعية (MaxMIL, MeanMIL, CLAM-SB/MB, TransMIL, S4MIL, و Chang et al):

• المستوى العام: دقة 85.10%، و F1-macro بقيمة 0.8610.
• المستوى الدقيق: دقة 68.68%، و F1-macro بقيمة 0.5220.
• ملاحظة: تفوق HiClass على ثاني أفضل طريقة (S4MIL) بفارق كبير، لا سيما في المهمة الصعبة المتعلقة بالتفاصيل الدقيقة.

دراسة الاستئصال (Ablation Study) (الجدول 3):

• التكامل ثنائي الاتجاه: أثبت تفوقه على التكامل أحادي الاتجاه (دقيق $\leftarrow$ عام أو عام $\leftarrow$ دقيق) أو عدم وجود تكامل.
• تآزر دوال الخسارة: لم تكن أي دالة خسارة واحدة هي المهيمنة؛ بل كان الجمع بين الدوال الثلاث المصممة ($L_{Con}, L_{Int}, L_{GCE}$) ضرورياً لتحقيق ذروة الأداء. أدى حذف أي دالة خسارة إلى انخفاض في الدقة بنسبة 2-4%.

5. الأهمية

• الصلة السريرية: يحاكي إطار العمل سير العمل التشخيصي الفعلي لأخصائيي الأمراض، الذين يحددون أولاً أنواع الأمراض العريضة قبل تحديد الأنواع الفرعية المحددة.
• المتانة: من خلال الاستفادة من القيود الهرمية، يصبح النموذج أكثر متانة تجاه عدم توازن الفئات والتشابه العالي بين الفئات، وهي تحديات شائعة في علم الأمراض النسيجي.
• القابلية للتعميم: يمكن تطبيق هذا النهج على مهام متنوعة في علم الأمراض بخلاف خزعات المعدة، مما يقدم معياراً جديداً لتحليل صور الـ WSI يتجاوز التصنيف المسطح.

في الختام، يوضح HiClass أن نمذجة الهيكل الفئوي صراحةً من خلال تبادل الميزات ثنائي الاتجاه ودوال الخسارة المتخصصة يعزز بشكل كبير دقة وموثوقية التحليل الآلي لصور علم الأمراض النسيجي.