Towards Fair and Robust Volumetric CT Classification via KL-Regularised Group Distributionally Robust Optimisation

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "نحو تصنيف حجمي عادل ومتين للأشعة المقطعية (CT) عبر تحسين التوزيع المتين للمجموعات المنظم بتباعد KL."

1. بيان المشكلة

تتناول الورقة تحديين حرجين في نشر الذكاء الاصطفناعي لفحوصات الأشعة المقطعية (CT) للصدر في الإعدادات السريرية:

1. انزياح التوزيع (Domain Shift): النماذج التي يتم تدريبها على بيانات من مستشفى واحد غالباً ما تفشل في التعميم على مستشفيات أخرى بسبب الاختلافات في أجهزة الماسح الضوئي، ونواة إعادة البناء (reconstruction kernels)، وبروتوكولات التصوير.
2. العدالة الديموغرافية: تهدف أهداف التدريب القياسية إلى تحسين الأداء المتوسط، مما يؤدي غالباً إلى نتائج ضعيفة للمجموعات الفرعية غير الممثلة بشكل كافٍ (مثل الجمع بين "الجنس والنوع المرضي" مثل "سرطان الخلايا الحرشفية لدى الإناث" الذي يحتوي على عينات قليلة جداً).

يعالج المؤلفون هاتين المشكلتين في وقت واحد عبر مهمتين:

• المهمة 1: تصنيف ثنائي لمرض كوفيد-19 عبر أربعة مراكز استحواذ مختلفة (انزياح نطاق متعدد المواقع).
• المهمة 2: التعرف على أربع حالات مرضية رئوية (أدنوكارسينوما، سرطان الخلايا الحرشفية، كوفيد-19، وحالة سليمة) مع قيود عدالة صريحة بناءً على الجنس.

2. المنهجية

أ. بنية النموذج

تم تصميم الإطار ليكون خفيف الوزن (أقل من 2 مليون معلمة/parameter) لمنع الإفراط في التخصيص (overfitting) على مجموعات البيانات الطبية الصغيرة مع التقاط السياق الحجمي.

• مشفر الشرائح (Slice Encoder): يستخدم خلفية MobileViT-XXS مشتركة لتشفير الشرائح المحورية ثنائية الأبعاد بشكل مستقل. تم تكييف النموذج لمدخلات الأشعة المقطعية أحادية القناة عن طريق متوسط أوزان RGB المدربة مسبقاً.
• المجمع الحجمي (Volumetric Aggregator): يستخدم SliceTransformer (محول مكون من طبقتين) لتجميع تضمينات الشرائح. بخلاف التجميع البسيط (pooling)، يستخدم هذا المجمع آلية الانتباه الذاتي (self-attention) لتعلم أي الشرائح التشريحية تحمل أقوى الإشارات التشخيصية، مما يحافظ على السياق المكاني بين الشرائح.
• رأس التصنيف (Classification Head): مصنف خطي مع طبقة تطبيع (LayerNorm) وإسقاط (Dropout) لإنتاج القيم اللوغاريتمية (logits) النهائية.

ب. هدف التدريب: تحسين التوزيع المتين للمجموعات المنظم بـ KL (KL-Regularised Group DRO)

الابتكار الجوهري هو هدف تحسين التوزيع المتين للمجموعات (Group DRO) المعدل.

• Standard Group DRO: يقلل أسوأ خسارة (worst-case loss) عبر مجموعات محددة مسبقاً من خلال زيادة وزن المجموعات ذات الخسارة العالية بشكل تكيفي. ومع ذلك، في مجموعات البيانات الصغيرة، يمكن أن يؤدي ذلك إلى انهيار الأوزان (weight collapse)، حيث يركز النموذج حصرياً على مجموعة واحدة "صعبة"، متجاهلاً المجموعات الأخرى.
• تنظيم KL: قدم المؤلفون حداً إضافياً لتباعد كولباك - ليبلر (KL divergence penalty) ($\alpha \cdot D_{KL}(w \parallel u)$) في دالة الخسارة.
  • تعمل هذه العقوبة على تشجيع أوزان المجموعات ($w$) على البقاء قريبة من التوزيع الموحد ($u$).
  • الأثر: يمنع هذا الانهيار في الأوزان نحو مجموعة واحدة، مما يوفر توازناً مستقراً بين حماية المجموعة الأسوأ أداءً والحفاظ على الأداء المتوسط.
• تعريف المجموعات:
  • المهمة 1: تم تعريف المجموعات حسب مركز الاستحواذ (4 مجموعات).
  • المهمة 2: تم تعريف المجموعات حسب الجنس $\times$ الفئة (8 مجموعات، مثل: ذكر-أدنوكارسينوما، أنثى-سرطان خلايا حرشفية). هذا التعريف الدقيق أمر بالغ الأهمية لاستهداف التركيبات غير الممثلة بشدة (مثل وجود 5 عينات تدريب فقط لـ "أنثى - سرطان خلايا حرشفية").

3. المساهمات الرئيسية

1. إطار عمل حجمي خفيف الوزن: بنية هجينة تجمع بين MobileViT-XXS و SliceTransformer تحقق أداءً تنافسياً بأقل من 2 مليون معلمة، مما يجعلها مناسبة لمجموعات البيانات الطبية الصغيرة والمتعددة المراكز.
2. تحسين التوزيع المتين للمجموعات المنظم بـ KL: هدف تدريب مبتكر يعيد وزن مراكز الاستحواذ والمجموعات الديموغرافية الدقيقة بشكل تكيفي. يعمل حد KL خصيصاً على معالجة عدم استقرار Group DRO القياسي في مجموعات البيانات الصغيرة.
3. دراسة الاستئصال المنهجية (Systematic Ablation): تحليل شامل لقوة تنظيم KL ($\alpha$) وتصميم المجمع، مما يقدم إرشادات عملية للتعامل مع البيانات الطبية غير المتوازنة.

4. النتائج التجريبية

المهمة 1: كشف كوفيد-19 متعدد المصادر

• الأداء: حقق أفضل تكوين ($\alpha=0.5$) درجة F1 إجمالية قدرها 0.835.
• المقارنة: يتفوق هذا على أفضل مدخل في التحدي (FDVTS، 0.776) بمقدار 5.9 نقطة مئوية وعلى نموذج الخطأ المتقاطع الموزون (weighted cross-entropy) بمقدار 3.1 نقطة.
• ملاحظة: بينما حسن الأسلوب الأداء عبر معظم المراكز، إلا أنه فشل في استعادة الأداء في المركز 2 (F1 يقترب من الصفر). يشير المؤلفون إلى أن هذا يسلط الضوء على محدودية: إعادة الوزن لا يمكنها تعويض مجال غائب تماماً أو مختلف جذرياً عن توزيع التدريب.

المهمة 2: تشخيص الأمراض العادل

• الأداء: حقق أفضل تكوين ($\alpha=0.5$) متوسط F1 للجنس (mean per-gender macro F1) قدره 0.815.
• المقارنة: يتفوق على أفضل مدخل في التحدي (70.4%) بمقدار 11.1 نقطة وعلى نموذج Focal Loss بمقدار 3.8 نقطة.
• أثر العدالة:
  • حسن الأسلوب درجة F1 لـ "أنثى - سرطان الخلايا الحرشفية" بشكل كبير من 0.462 (Focal Loss) إلى 0.636 (GDRO $\alpha=0.5$).
  • قلل الفجوة في الأداء بين المجموعات الفرعية للذكور والإناث إلى الحد الأدنى ($\Delta=0.013$) عند $\alpha=0.5$.
  • رؤية الاستئصال: بدون تنظيم KL ($\alpha=0$)، كان الأداء جيداً ولكنه لم يكن مثالياً. وعند $\alpha=1.0$ (فرض أوزان موحدة)، أدى ذلك إلى إفراط في التنظيم، مما أفاد المجموعة الأكثر تمثيلاً (الذكور) على حساب المجموعة الأقل تمثيلاً (الإناث)، مما يثبت ضرورة ضبط حد KL بعناية للموازنة بين الحماية والعدالة.

5. الأهمية والخاتمة

تثبت هذه الورقة أن تحسين التوزيع المتين للمجموعات المنظم بـ KL هو آلية قوية وفعالة لمعالجة انزياح النطاق والتحيز الديموغرافي في التصوير الطبي، خاصة عندما تكون البيانات شحيحة وغير متوازنة.

• العملية: تجعل البنية خفيفة الوزن هذا النهج قابلاً للتطبيق في البيئات محدودة الموارد (مثل الأجهزة الطرفية أو الماسحات الضوئية المحمولة).
• العدالة: من خلال تعريف المجموعات بدقة الجنس $\times$ الفئة، نجح الأسلوب في استهداف فئات المرضى المحددة والمنخفضة التمثيل بشكل حاد والتي قد تغفل عنها طرق العدالة القياسية.
• القيود والعمل المستقبلي: يشير الفشل في النطاق غير المرئي (المركز 2) إلى أنه بينما تساعد إعادة الوزن في التعامل مع الانزياحات المعروفة، يجب أن تتضمن الأعمال المستقبلية التكيف في وقت الاختبار (test-time adaptation) أو المعايرة الخاصة بكل موقع للتعامل مع بروتوكولات الاستحواذ الجديدة كلياً.

باختốt، تقدم الورقة حلاً مبدئياً، فعالاً، وذا كفاءة حسابية لبناء نماذج ذكاء اصطناعي عادلة ومتينة لتشخيص الأشعة المقطعية الحجمية.