💻 computer science

Ranking-Guided Semi-Supervised Domain Adaptation for Severity Classification

تقترح هذه الورقة طريقة جديدة للتكيف مع النطاق شبه الموجه بتوجيه من الترتيب، والتي تستفيد من الترتيب عبر النطاقات ومحاذاة التوزيع المستمر لدرجات الترتيب لمعالادة تحديات تصنيف الشدة في تحليل الصور الطبية بفعالية من خلال مراعاة تسميات الفئات المرتبة طبيعيًا.

المؤلفون الأصليون: Shota Harada, Ryoma Bise, Kiyohito Tanaka, Seiichi Uchida

نُشر 2026-04-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Shota Harada, Ryoma Bise, Kiyohito Tanaka, Seiichi Uchida

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك طبيب يحاول تعليم كمبيوتر كيفية تمييز شدة مرض ما، مثل مدى سوء قرحة المعدة أو مدى تقدم تلف العين الناتج عن السكري.

في العالم الحقيقي، لا توجد هذه الأمراض مجرد "جيد" أو "سيئ". بل توجد على مقياس متدرج: خفيف ← متوسط ← شديد ← حرج. وهذا ما يسمى تصنيف الشدة (Severity Classification).

المشكلة هي أن الكمبيوتر يتعلم من بيانات من المستشفى (أ) (المصدر)، ولكن عندما ترسله إلى المستشفى (ب) (الهدف)، فإنه يصاب بالارتباك. لماذا؟ لأن المستشفى (ب) يستخدم كاميرات مختلفة، وإضاءة مختلفة، وبروتوكولات مختلفة. يرى الكمبيوتر حالات "متوسطة" من المستشفى (ب) ويظن أنها حالات "شديدة" من المستشفى (أ). وهذا ما يسمى انزياح النطاق (Domain Shift).

عادةً، نقوم بإصلاح ذلك عبر إعطاء الكمبيوتر بعض الأمثلة المصنفة من المستشفى (ب). لكن هنا تكمن المشكلة: في تصنيف الشدة، تكون الخطوط الفاصلة بين "خفيف" و"متوسط" ضبابية. ومن الصعب رسم خط حاد. تحاول طرق الكمبيوتر التقليدية فرض هذه الفئات الضبابية داخل صناديق منفصلة ومرتبة بدقة، وهو ما يفشل فشلاً ذريعاً.

الحل: نهج "الترتيب" (Ranking Approach)

يقترح مؤلفو هذه الورقة طريقة جديدة وذكية لتعليم الكمبيوتر. فبدلاً من سؤاله: "هل هذا خفيف أم متوسط؟"، يسألونه: "أي من هذين المريضين أكثر مرضاً؟"

لقد استخدموا خدعتين رئيسيتين لجعل الكمبيوتر يفهم مقياس التدرج عبر المستشفيات المختلفة:

1. خدعة "المقارنة عبر النطاقات" (Cross-Domain Ranking)

تخيل أنك تحاول تعليم طالب من نيويورك (المستشفى أ) وطالب من طوكيو (المستشفى ب) كيفية الحكم على "درجة حرارة الفلفل".

الطريقة القديمة: تعرض على طالب نيويورك صورة لفلفل خفيف وصورة لفلفل حار. وتعرض على طالب طوكيو صورة لفلفل خفيف وصورة لفلفل حار. يتعلمان بشكل منفصل. ولكن "الفلفل الحار" في طوكيو قد يبدو مختلفاً عن الفلفل الحار في نيويورك، لذا يرتبكان عند مقارنة ملاحظاتهما.
طريقة الورقة البحثية: تأخذ صورة لفلفل "خفيف" من نيويورك وصورة لفلفل "حار" من طوكيو. ثم تسأل الكمبيوتر: "أيهما أكثر حرارة؟"
- على الرغم من أن الصور تبدو مختلفة، إلا أن الكمبيوتر يتعلم أن الفلفل "الحار" في طوكيو هو بالتأكيد أكثر حرارة من الفلفل "الخفيف" في نيويورك.
- من خلال مقارنة العينات عبر المستشفيات باستمرار، يبني الكمبيوتر "مقياس حرارة" واحداً وعالمياً يعمل لكلتا الحالتين. يتوقف عن القلق بشأن اختلافات الكاميرا ويركز على الترتيب النسبي للشدة.

2. خدعة "الهبوط الناعم" (Continuous Distribution Alignment)

بمجرد أن يمتلك الكمبيوتر هذا المقياس العالمي، يحتاج للتأكد من أن المرضى "الخفيفين" من طوكيو يستقرون في نفس المكان على المقياس الذي يستقر فيه المرضى "الخفيفون" من نيويورك.

المشكلة: في العالم الحقيقي، الحالة "الخفيفة" ليست نقطة واحدة؛ بل هي سحابة من الاحتمالات. بعض الحالات "الخفيفة" تقترب من أن تكون "متوسطة"، وبعضها يقترب من أن تكون "طبيعية".
الحل: بدلاً من إجبار كل مريض على الدخول في صندوق جامد يحمل تسمية "خفيف"، يمنح الكمبيوتر درجة احتمالية (تسمية ناعمة/مرنة).
- يقول الكمبيوتر: "هذا المريض من طوكيو لديه احتمال بنسبة 80% أن يكون ضمن سحابة 'خفيف' و20% احتمال أن يكون ضمن سحابة 'متوسط'".
- يقوم الكمبيوتر بعد ذلك بدفع "سحابة طوكيو" بألفة لتتطابق في الشكل والموقع مع "سحابة نيويورك".
- هذا يحترم حقيقة أن الشدة هي تدفق مستمر، وليست مجموعة من السلالم.

لماذا يهم هذا الأمر؟

اختبر الباحثون هذه الطريقة على مشكلتين طبيتين حقيقيتين:

التهاب القولون التقرحي: تحديد درجة الالتهاب في القولون باستخدام صور التنظير الداخلي.
اعتلال الشبكية السكري: تحديد درجة تلف العين باستخدام صور قاع العين.

النتائج:
كانت طريقتهم الجديدة أفضل بكثير من التقنيات السابقة. لم يكتفوا بمجرد تخمين الفئة الصحيحة، بل فهموا ترتيب الشدة. لقد نجحوا في محاذاة البيانات من المستشفيات المختلفة بحيث يتم التعرف على الحالة "الشديدة" في مستشفى ما كحالة "شديدة" في المستشفى الآخر، حتى لو كانت الصور تبدو مختلفة تماماً.

الصورة الكبيرة

فكر في هذه الطريقة كتعليم مترجم ليس فقط فهم الكلمات (تسميات الأمراض)، بل فهم النبرة والفروق الدقيقة (الشدة) بين لغتين مختلفتين (مستشفيين مختلفين). من خلال التركيز على الترتيب النسبي ("من هو الأكثر مرضاً؟") والاحتمالات الناعمة ("ما مدى احتمالية هذا؟")، يتعلم الكمبيوتر التكيف مع البيئات الجديدة دون الحاجة إلى كمية هائلة من البيانات الجديدة.

هذه خطوة كبيرة للأمام في مجال الذكاء الاصطناعي الطبي، مما يجعل من السهل نشر أدوات التشخيص في مستشفيات جديدة دون الحاجة إلى إعادة تدريبها من الصفر.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "الترتيب الموجه في التكيف مع النطاق شبه المنظم لتصنيف الشدة" (Ranking-Guided Semi-Supervised Domain Adaptation for Severity Classification).

1. بيان المشكلة

تتناول الورقة تحدي انزياح النطاق (Domain Shift) في تحليل الصور الطبية، وتحديداً في تصنيف الشدة (التصنيف الترتيبي).

السياق: في الإعدادات الطبية (مثل التهاب القولون التقرحي أو اعتلال الشبكية السكري)، غالباً ما تفشل المصنفات التي تم تدريبها على بيانات مصنفة من مستشفى مصدر عند تطبيقها على مستشفى هدف بسبب الاختلافات في معدات التصوير، والبروتوكولات، والظروف.
التحدي المحدد: على عكس التصنيف القياسي حيث تكون الفئات عبارة عن مجموعات متميزة، يتضمن تصنيف الشدة تسميات فئات مرتبة ومستمرة (مثل: خفيف، متوسط، شديد). وتكون الحدود بين هذه الفئات غامضة بطبيعتها.
قصور الطرق الحالية: تفترض طرق التكيف مع النطاق شبه المنظم (SSDA) التقليدية وجود مجموعات فئات متميزة في مساحة السمات. وعند تطبيقها على تصنيف الشدة، تفشل هذه الطرق لأنها لا تستطيع استيعاب الطبيعة الترتيبية للبيانات، مما يؤدي إلى عدم محاذاة توزيعات السمات وتحقيق أداء دون المستوى.

2. المنهجية

يقترح المؤلفون إطار عمل مبتكر يعمل على محاذاة النطاق المصدر والنطاق الهدف من خلال تعلم درجة ترتيب مستمرة بدلاً من معاملة الفئات كفئات منفصلة ومستقلة. تتكون بنية الشبكة من مستخرج سمات ( $F_e$ ) يتفرع إلى مصنف ( $F_c$ ) ودالة ترتيب ( $F_r$ ).

يتم تحسين الطريقة في مرحلتين رئيسيتين باستخدام مكونين أساسيين:

أ. الترتيب عبر النطاقات (Cross-Domain Ranking - CDR)

الهدف: إنشاء مقياس شدة متسق عبر النطاقات من خلال تعلم الترتيب النسبي بين عينات المصدر والهدف.
الآلية: بدلاً من الترتيب داخل نطاق واحد فقط، يقوم CDR بتكوين أزواج من العينات المصنفة من كل من المصدر ( $D_s$ ) والهدف ( $D_t$ ).
دالة الخسارة: تعمل على تقليل خسارة الترتيب الزوجي حيث يتم تحديد الترتيب النسبي للزوج بناءً على تسميات الفئات الحقيقية ( $y_i > y_j$ ).
الأثر: هذا يجبر النموذج على تعلم دالة ترتيب $r(x)$ تنتج درجات ترتيب متسقة للعينات ذات الشدة النسبية المتماثلة، بغض النظر عن النطاق الذي تنتمي إليه. وهذا يؤدي إلى محاذاة التوزيع العالمي لمستويات الشدة عبر النطاقات.

ب. محاذاة التوزيع المستمر (Continuous Distribution Alignment - CDA)

الهدف: محاذاة توزيع درجات الترتيب لنطاقات المصدر والهدف، وتحديداً التعامل مع عينات الهدف غير المصنفة ( $D_u$ ).
الآلية:
1. التوسيم الناعم (Soft Labeling): بالنسبة لعينات الهدف غير المصنفة، تقوم الطريقة بتقدير احتمالية الانتماء إلى كل فئة باستخدام نموذج الخليط الغاوسي (GMM) بناءً على توزيع درجة الترتيب الحالي. وهذا ينشئ تسميات ناعمة قائمة على الترتيب ( $w_{i,k}$ ) بدلاً من التسميات الوهمية الصلبة.
2. المحاذاة: تقوم الطريقة بتقليل المسافة بين درجة ترتيب العينة ومتوسط درجة الترتيب (النموذج الأولي $\mu_k$ ) للفئة المقابلة في نطاق المصدر.
الأثر: من خلال معاملة الفئات كتوزيعات مستمرة بدلاً من نقاط منفصلة، تخفف CDA من مشكلة الحدود الغامضة للفئات. وهي تضمن محاذاة توزيع سمات النطاق الهدف مع البنية الترتيبية لنطاق المصدر.

الهدف العام

تجمع دالة الخسارة الإجمالية بين:

خسارة التصنيف ( $L_c$ ) على البيانات المصنفة.
خسارة الترتيب الزوجي ( $L_r$ ) على البيانات المصنفة (داخل النطاق وعبر النطاقات).
خسارة محاذاة التوزيع المستمر ( $L_a$ ) على جميع البيانات (المصنفة وغير المصنفة).

3. المساهمات الرئيسية

إطار عمل SSDA الموجه بالترتيب: نهج جديد لتصنيف الشدة يستفيد من "التعلم للترتيب" للتعامل مع حدود الفئات المستمرة، مبتعداً عن افتراض المجموعات المتميزة.
الترتيب عبر النطاقات (CDR): آلية تتعلم الترتيب من أزواج العينات عبر النطاقات المختلفة لضمان تفسير متسق للشدة ومحاذاة توزيعات درجات الترتيب.
محاذاة التوزيع المستمر (CDA): دالة خسارة تستخدم تسميات ناعمة قائمة على الترتيب لمحاذاة توزيعات الشدة المستمرة لعينات الهدف غير المصنفة مع نطاق المصدر، مما يعالج بفعالية غموض الفئات.

4. النتائج التجريبية

تم تقييم الطريقة في مهمتين من مهام التصوير الطبي:

التهاب القولون التقرحي (UC): صور تنظيرية (مجموعة بيانات LIMUC $\leftarrow$ مجموعة بيانات مستشفى خاص).
اعتلال الشبكية السكري (DR): صور قاع العين (مجموعة بيانات DDR $\leftarrow$ مجموعة بيانات FGADR).
الإعداد: إعداد شبه منظم مع وجود 10 عينات مصنفة فقط لكل فئة من عينات الهدف.

أبرز النتائج:

التفوق: تفوقت الط المقترحة على أفضل الطرق المتاحة (بما في ذلك MME و CDAC و SLA و ORUDA) من حيث متوسط الدقة الكلية (mP) و متوسط F1 الكلي (mF1).
دراسة الاستئصال (Ablation Study):
- إضافة CDR حسنت الدقة (Precision) بشكل كبير (تمييز أفضل للفئات).
- إضافة CDA حسنت الاستدعاء (Recall) بشكل كبير (تغطية أفضل للتوزيع).
- استخدام كلا المكونين معاً حقق أفضل أداء إجمالي، مما يثبت طبيعتهما التكاملية.
التصور (Visualization): أكدت مخططات t-SNE ومخططات توزيع الترتيب أن الطريقة نجحت في محاذاة توزيعات درجات الترتيب بين نطاق المصدر ونطاق الهدف لكل فئة شدة، بينما أظهرت الطرق المرجعية عدم محاذاة.

5. الأهمية

الأهمية الطبية: يوفر هذا العمل حلاً قوياً لنشر الذكاء الاصطناعي التشخيصي في مستشفيات جديدة حيث تكون البيانات المصنفة شحيحة. وهو يعالج تحديداً تفاصيل تطور المرض، والتي غالباً ما تكون مستمرة وليست فئوية.
التقدم النظري: يتحدى هذا العمل الافتراض القياسي للتكيف مع النطاق القائم على "المجموعات المتميزة"، ويقترح بدلاً من ذلك ضر إبقاء البنية الترتيبية وحفظها عبر محاذاة درجات الترتيب.
الأثر العملي: من خلال الاستخدام الفعال لعدد قليل من العينات المصنفة للهدف والعديد من العينات غير المصنفة، تقلل الطريقة من عبء التوسيم على الخبراء الطبيين مع الحفاظ على دقة تشخيصية عالية عبر بيئات التصوير المختلفة.