Deep EM with Hierarchical Latent Label Modelling for Multi-Site Prostate Lesion Segmentation

إليك ملخص تقني مفصل للورقة البحثية بعنوان "Deep EM with Hierarchical Latent Label Modelling for Multi-Site Prostate Lesion Segmentation" (التعلم العميق باستخدام خوارزمية التوقع والتعظيم مع نمذجة الملصقات الكامنة الهرمية لتجزئة آفات البروستاتا متعددة المواقع).

1. بيان المشكلة (Problem Statement)

تتناول الورقة البحثية تحديًا حرجًا يتمثل في تباين الملصقات (label variability) في تجزئة الصور الطبية متعددة المواقع، وتحديدًا لتجزئة آفات البروستاتا باستخدام التصوير بالرنين المغناطيسي متعدد المعلمات (mpMRI).

• المشكلة الجوهرية: غالبًا ما تعكس التوصيفات (annotations) في مجموعات البيانات متعددة المواقع بروتوكولات تحديد المسارات (contouring protocols) وأساليب مؤسسية خاصة بكل موقع، بدلاً من كونها "حقيقة أرضية" (ground truth) واحدة. يؤدي هذا إلى تحيز الملصقات (label bias)، حيث تفرط نماذج التعلم العميق في التكيف مع أسلوب التوصيف المحلي لمواقع التدريب.
• النتيجة: النماذج التي يتم تدريبها على بيانات مجمعة من مواقع متعددة تعاني من ضعف في التعميم (generalize poorly) عند مواجهة مواقع غير مرئوة (انخفاض كبير في الأداء خارج التوزيع - out-of-distribution). وتعتبر الأساليب القياسية مثل الضبط الدقيق للموقع عند الاختبار (test-site finetuning) غير عملية غالبًا أو قد تؤدي إلى التحيز عبر إجبار النموذج على مطابقة ملصقات محلية غير مثالية.
• القيود الحالية: يتراوح الاتفاق بين القراء (inter-reader agreement) لآفات البروستاتا عند مستويات متوسطة فقط (Dice $\approx$ 0.4)، وتواجه الطرق الحالية صعوبة في الفصل بين الخصائص الحقيقية للآفة وضجيج التوصيف الخاص بالموقع.

2. المنهجية: EM الهرمي (Hierarchical EM)

تقترح المؤلفة إطار عمل التوقع والتعظيم العميق (Deep Expectation-Maximization - EM) الذي يعامل التوصيفات المرصودة كأنها ملاحظات مشوشة لـ "قناع آفة نظيف" كامن وغير مرصود. تدمج الطريقة شبكة التجزئة مع نموذج احتمالي هرمي لجودة الملصقات.

أ. المفهوم الجوهري: نمذجة الملصقات الكامنة (Latent Label Modelling)

بدلاً من معاملة الملصق المرصود $Y_k$ كحقيقة أرضية، يفترض النموذج ما يلي:

1. يوجد قناع "نظيف" كامن $G_k$.
2. الملصق المرصود $Y_k$ هو نسخة مشوشة من $G_k$، ناتجة عن عملية توصيف خاصة بالموقع.
3. تحكم هذه العملية معلمات الحساسية ($\alpha$) والنوعية ($\beta$) التي تختلف باختلاف الموقع والحالة.

ب. بنية الأولوية الهرمية (Hierarchical Prior Structure)

لمنع الإفراط في التكيف مع البيانات الشحيحة ولنمذجة هيكل التباين، قدمت المؤلفة أولوية لوجستية-طبيعية هرمية (logistic-normal hierarchical prior) لمعلمات الحساسية والنوعية:

• المتوسط العالمي ($\mu_\alpha, \mu_\beta$): يمثل متوسط جودة الملصقات عبر جميع المواقع.
• الانحرافات على مستوى الموقع ($a_s, b_s$): تلتقط الانحيازات المنهجية الخاصة بمؤسسة معينة (مثل الميل إلى المبالغة في التجزئة).
• الانحرافات على مستوى الحالة ($u_k, v_k$): تلتقط الغموض الجوهري لحالات معينة (مثل الآفات الصغيرة أو منخفضة التباين) والتي تؤثر على جميع الموصّفين.
• التنظيم (Regularization): يتم وضع أولويات غاوسية ذات متوسط صفري على الانحرافات لفرض الانكماش نحو المتوسط العالمي، مما يحقق استقرار التقديرات.

ج. إجراء تعلم EM (The EM Learning Procedure)

يتناوب إطار العمل بين خطوتين لتحسين معلمات شبكة التجزئة ($\theta$) ومعلمات جودة الملصق الكامنة ($\phi$):

1. خطوة التوقع (E-Step - Inference):

   • تحسب التوزيع البعدي لكل فوكسل (voxel-wise posterior distribution) للقناع النظيف $G_k(x)$ بناءً على الصورة $X_k$، والملصق المرصود $Y_k$، ومعلمات النموذج الحالية.
   • يعمل هذا التوزيع البعدي كـ قناع إجماع ناعم (soft consensus mask)، حيث يدمج تنبؤ الشبكة القائم على الصورة مع احتمالية وقوع الملصق المرصود بناءً على الحساسية والنوعية المقدرة.
   • الصيغة: $q_k(x) = p(G_k(x)=1 | X_k, Y_k(x))$، والتي تجمع بين أولوية الشبكة $\pi_k(x)$ واحتمالية الموقع-الحالة.

2. خطوة التعظيم (M-Step - Optimization):

   • تحديث الشبكة ($\theta$): يتم تدريب العمود الفقري للتجزئة (UNet) باستخدام التوزيع البعدي الناعم $q_k(x)$ كأهداف (ملصقات ناعمة) عبر مزيج من خسارة الإنتروبيا المتقاطعة (Cross-Entropy) وخسارة Dice.
   • تحديث جودة الملصق ($\phi$): يتم إعادة تقدير معلمات الحساسية والنوعية عن طريق تعظيم الاحتمالية الهامشية (تقدير MAP) تحت الأولوية الهرمية. يتم ذلك بكفاءة باستخدام الإحصائيات الكافية المجمعة (الإيجابيات الحقيقية، الإيجابيات الكاذبة، إلخ، المستمدة من التوزيع البعدي $q$) وباستخدام مُحسن L-BFGS.

د. قياس عدم اليقين (Uncertainty Quantification)

تقيس الطريقة عدم اليقين باستخدام الإنتروبيا التنبؤية (predictive entropy) لخريطة احتمالية التجزئة. يسمح هذا بـ "التجزئة الانتقائية"، حيث يمكن للنموذج الامتناع عن التنبؤ في مناطق عدم اليقين العالي، مما يحسن الموثوقية في المناطق الحرجة.

3. المساهمات الرئيسية (Key Contributions)

1. إطار عمل الملصقات الكامنة الهرمي: نهج مبتدئ يعتمد على EM يعالج صراحة ضجيج الملصقات كدالة لبروتوكولات الموقع ودرجة صعوبة الحالة، بدلاً من معاملة جميع الملصقات على أنها متساوية في الموثوقية.
2. الفصل بين التحيز والدليل: من خلال استنتاج قناع نظيف كامن، تفصل الطريقة بين دليل الصورة وأساليب التوصيف المعتمدة على الموقع، مما يقلل من الإفراط في التكيف مع عادات التوصيف المحلية.
3. القابلية للتفسير: يخرج النموذج تقديرات قابلة للتفسير للحساسية والنوعية لكل موقع، مما يوفر رؤى تشخيصية حول جودة التوصيف والتباين عبر المؤسسات المختلفة.
4. المتانة دون ضبط دقيق: تعمل الطريقة على تحسين قدرة التعميم عبر المواقع دون الحاجة إلى ضبط دقيق للموقع عند الاختبار أو المعايرة، مما يجعلها مناسبة للنشر في العالم الحقيقي حيث قد لا تتوفر بيانات مصنفة للتكيف في المواقع الجديدة.

4. النتائج التجريبية (Experimental Results)

تم تقييم الطريقة على ثلاث مجموعات مختلفة (المواقع 1، 2، 3) تحتوي على فحوصات mpMRI مع توصيفات الخبراء.

• إعدادات التقييم:

  • التقسيم أ (المجمع - Pooled): تدريب واختبار على مستوى المريض من مجموعات مختلطة.
  • التقسيم ب (ترك موقع واحد خارج المجموعة - LOSO): التدريب على موقعين والاختبار على الثالث (محاكاة لموقع جديد تمامًا).

• مقاييس الأداء (درجة Dice):

  • إعداد LOSO: تفوقت HierEM بشكل كبير على النماذج المرجعية (Standard UNet, Bootstrap, و Site-EM غير الهرمي).
    • الموقع 1: حققت HierEM نسبة 28.11% مقابل 25.50% لـ UNet.
    • الموقع 2: حققت HierEM نسبة 27.91% مقابل 24.66% لـ UNet.
    • الموقع 3: حققت HierEM نسبة 32.67% مقابل 31.20% لـ UNet.
  • الأهمية الإحصائية: كانت التحسينات ذات دلالة إحصائية ($p < 0.039$) مقارنة بطرق المقارنة.
  • دقة الحدود: حققت HierEM أيضًا مسافة HD95 (مسافة Hausdorff) أقل، مما يشير إلى دقة أفضل في رسم الحدود.

• عدم اليقين والمعايرة:

  • أظهرت منحنيات تغطية المخاطر أن HierEM تركز الأخطاء في المنطقة المرفوضة (منطقة عدم اليقين العالي)، مما يسمح بالامتناع الأكثر موثوقية مقارنة بنماذج الإشراف القياسية.
  • عند مستوى نوعية عالٍ ($\approx 0.99$)، حققت HierEM أعلى حساسية عبر جميع المواقع.

5. الأهمية والخاتمة (Significance and Conclusion)

تثبت هذه الدراسة أن النمذجة الصريحة لتباين التوصيف هي استراتيجية أكثر فعالية للذكاء الاصطنا1 الطبي متعدد المواقع من مجرد تجميع البيانات أو استخدام التعلم الذاتي القياسي.

• الأثر السريري: القدرة على التعميم إلى مواقع غير مرئية دون إعادة تدريب أو معايرة أمر بالغ الأهمية لنشر الذكاء الاصطناعي في أنظمة رعاية صحية متنوعة.
• تنقية البيانات: يمكن لمقاييس الحساسية والنوعية المقدرة توجيه الأطباء والباحثين في تحديد المواقع أو الحالات التي تعاني من جودة توصيف ضعيفة، مما يساعد في تنقية البيانات وتوحيد البروتوكولات.
• الاتجاهات المستقبلية: الإطار متوافق مع مختلف شبكات العمود الفقري (backbone networks) ويمكن توسيعه ليشمل مجموعات البيانات متعددة الموصّفين وسير عمل سريري أكثر تعقيدًا.

باختصار، توفر HierEM حلاً قويًا وقابلًا للتفسير ومنضبطًا إحصائيًا لمشكلة "ضجيج الملصقات" في التصوير الطبي متعدد المواقع، مما يقلص الفجوة في الأداء بين مرحلة التدريب وبيئات النشر غير المرئية.