Representation-Level Adversarial Regularization for Clinically Aligned Multitask Thyroid Ultrasound Assessment

إليك ملخص تقني مفصل لورقة البحث بعنوان: "التنظيم التنافسي على مستوى التمثيل للتقييم المتعدد المهام المتوافق سريرياً لتقييم الموجات فوق الصوتية للغدة الدرقية."

1. بيان المشكلة

يتضمن تقييم الموجات فوق الصوتية للغدة الدرقية مهمتين سريريتين مترابطتين: تجزئة العقدة (رسم الخطوط المحيطة للقياس) وتصنيف مخاطر TI-RADS (تصنيف خطر الخباثة بناءً على المعايير التصويرية).

• التحدي: في الممارسة السريرية، يتم تنفيذ هذه المهام بشكل مشترك من قبل أطباء الأشعة، لكن نماذج التعلم العميق غالباً ما تعاملها كمهام منفصلة أو متتالية.
• تباين المُقيِّمين: تختلف تسميات "الحقيقة الأرضية" (الخطوط المحيطة ودرجات المخاطر) بشكل كبير بين مختلف أطباء الأشعة. وهذا يخلق "إشرافاً غير متسق"، حيث تعكس "الحقيقة الأرضية" التفسير الذاتي بدلاً من كونها تسمية موضوعية.
• فشل تعدد المهام: غالباً ما يفشل التعلم متعدد المهام البدائي (مشاركة مشفر واحد لكلا المهمتين) لأن تدرجات التجزئة والتصنيف تتنافس داخل التمثيل المشترك، مما يؤدي إلى النقل السلبي وعدم استقرار التدريب.
• انزياح النطاق (Domain Shift): النماذج المدربة على صور ثابتة (B-mode) غالباً ما تفشل في التعميم على مقاطع الفيديو (cine-loop) بسبب التكرار الزمني والتباين داخل الحالة الواحدة.

2. المنهجية

يقترح المؤلفون إطار عمل متعدد المهام موجه سريرياً معززاً بتقنية تنظيم مبتكرة تسمى RLAR.

أ. نظرة عامة على البنية

يستخدم النموذج مشفرًا مشتركًا (يعتمد على nnU-Net مدرب مسبقاً) يغذي رأسين للمهام:

1. مفكك التجزئة (Segmentation Decoder): يُخرج قناع العقدة.
2. رأس التصنيف (Classification Head): يُخرج قيم TI-RADS الاحتمالية (logits).

ب. التضمين الموجه سريرياً (تقطير الراديوميكس - Radiomics Distillation)

لضمان أن يكون التنبؤ بالمخاطر مرتكزاً على أدلة سريرية بدلاً من مجرد ارتباطات قائمة على البيانات فقط:

• يتم تقسيم متجه التضمين الخاص بالتصنيف ($h$) إلى جزأين: $h_{tirads}$ و $h_{deep}$.
• $h_{tirads}$ (13 بُعداً): مُدرب لمحاكاة مجموعة مدمجة من سمات الراديوميكس (الشكل، الحواف، الملمس) التي يتم حسابها من القناع (mask) الحقيقي أثناء التدريب.
• $h_{deep}$: يلتقط سمات عميقة غير خطية مكملة لزيادة القدرة التمييزية.
• دالة الخسارة: تعمل دالة انحدار $\ell_2$ ($L_{clin}$) على إجبار $h_{tirads}$ على مطابقة هدف الراديوميكس.
• ملاحظة: تُستخدم سمات الراديوميكس فقط أثناء التدريب كهدف للتقطير؛ ولا يتم حسابها أثناء الاستنتاج (inference)، مما يحافظ على كفاءة التشغيل.

ج. التنظيم التنافسي على مستوى التمثيل (RLAR)

لمعالجة التنافس على التدرجات في التمثيل المشترك دون اللجوء إلى الفصل الصلب للمعلمات:

• المفهوم: بدلاً من إجراء "جراحة" على التدرجات، يعامل RLAR التدرجات كمتجهات هندسية في الفضاء الكامن.
• الآلية:
  1. لكل مهمة $t$، يتم حساب الاتجاه التنافسي الموحد ($\delta_t$) في فضاء التمثيل المشترك (الاتجاه الذي يزيد من خسارة المهمة إلى أقصى حد).
  2. حساب تشابه جيب التمام (Cosine Similarity) بين الاتجاهات التنافسية لأزواج المهام المختلفة (مثل التجزئة مقابل التصنيف).
  3. العقوبة: تقوم خسارة RLAR ($L_{RLAR}$) بمعاقبة التراصف الزاوي المفرط (تشابه جيب التمام العالي) بين هذه الاتجاهات.
• الهدف: يشجع هذا على وجود حساسيات مكملة (مهام تعتمد على سمات مختلفة) مع الحفاظ على الإشارات المشتركة المفيدة، مما يقلل فعلياً من التداخل الهدام.

د. دالة الهدف الإجمالية

يتم تحسين النموذج باستخدام مجموع مرجح من:
$$L_{total} = \lambda_{seg}L_{seg} + \lambda_{cls}L_{cls} + \lambda_{clin}L_{clin} + L_{RLAR}$$

3. المساهمات الرئيسية

1. إطار عمل متعدد المهام متوافق سريرياً: نموذج موحد يحاكي سير العمل السريري من خلال التنبؤ المشترك بالتجزئة ومخاطر TI-RADS، باستخدام تقطير الراديوميكس لربط تنبؤات المخاطر بالمعايير الطبية القابلة للتفسير.
2. RLAR (التنظيم التنافسي على مستوى التمثيل): منظم هندسي مبتكر يتحكم صراحة في تداخل المهام في الفضاء الكامن عن طريق معاقبة التراصف بين الاتجاهات التنافسية للمهام، متجنباً هشاشة تقسيم المعلمات الصلب.
3. القوة أمام التباين: أثبت قدرته على إدارة التنافس على التدرجات عبر RLAR، مما أدى إلى استقرار التدريب تحت الإشراف غير المتسق من المُقيِّمين وتحسين التعميم على مجموعات البيانات الخارجية (مقاطع الفيديو/cine-loop).

4. النتائج التجريبية

تم تقييم النموذج على مجموعتي بيانات عامتين: ThyroidXL (صور ثابتة B-mode، مصنفة من قبل خبراء) و AIMI (مقاطع فيديو/cine-loop، مؤكدة بالخزعة).

• أداء التصنيف (TI-RADS):

  • في ThyroidXL، حقق النموذج الموجه سريرياً أفضل درجة F1 بلغت (0.6267).
  • في AIMI (الخارجية)، حقق RLAR أعلى معدل استدعاء (Recall) بلغ (0.4033) بين جميع متغيرات تعدد المهام. ويعد معدل الاستدعاء العالي أمراً حيوياً سريرياً لتجنب تفويت العقد عالية الخطورة.
  • عانت النماذج أحادية المهمة (EfficientNet, ConvNeXt) من انخفاض كبير في الأداء على AIMI بسبب انزياح النطاق.

• أداء التجزئة:

  • حافظ RLAR على جودة تجزئة مقاربة لأفضل النماذج المرجعية (Dice ~0.856 في ThyroidXL) ولكن مع تباين أقل بكثير عبر جولات التحقق المتقاطع، مما يشير إلى تدريب أكثر استقراراً.
  • في AIMI، حقق RLAR أفضل مسافة HD95 (مسافة Hausdorff) بين نماذج تعدد المهام، مما يشير إلى قوة أفضل في تحديد الحدود.

• دراسات الاستئصال (Ablation Studies):

  • الموضع: كان تطبيق RLAR عند طبقة عنق الزجاجة (bottleneck) هو الأكثر فعالية للبيانات داخل النطاق، بينما كان العمل في منتصف المشفر (mid-encoder) هو الأفضل لمجموعة بيانات cine-loop الخارجية.
  • أهمية السمات: أدى إزالة سمات راديوميكس فردية إلى تأثير ضئيل على الأداء داخل النطاق، ولكنه تسبب في انخفاض كبير في معدل الاستدعاء في مجموعة بيانات AIMI الخارجية، مما يؤكد أن إشارات الملمس والشكل حيوية للتعميم عبر النطاقات.

5. الأهمية والخاتمة

• الأهمية السريرية: يسد هذا النهج الفجوة بين التعلم العميق وسير العمل السريري من خلال ضمان أن تنبؤات المخاطر مرتكزة على سمات راديوميكس قابلة للتفسير دون إضافة عبء حسابي أثناء وقت الاستنتاج.
• الابتكار التقني: يقدم RLAR بديلاً مرناً لـ "جراحة التدرجات" أو الفصل الصلب للمعلمات. فهو يسم يسمح للمهام بمشاركة المعلومات حيثما كان ذلك مفيداً مع منعها من التنافس على نفس سمات التمثيل.
• التعميم: يحسن الأسلوب بشكل كبير من القوة تجاه انزياح النطاق (من الصور الثابتة إلى مقاطع الفيديو) وتباين المُقيِّمين، مما يجعله أداة واعدة لأنظمة تقييم عقد الغدة الدرقية في العالم الحقيقي.

باختة، تقدم الورقة إطار عمل قوياً ومتعدد المهام، متوافقاً سريرياً، يستفيد من تقطير الراديوميكس والتنظيم التنافسي الهندسي لحل تحديات الإشراف غير المتسق وانزياح النطاق في تحليل الموجات فوق الصوتية للغدة الدرقية.