ملخص تقني: MPD2-Router

بيان المشكلة

تتناول الورقة البحثية أوجه القصور في أنظمة التنبؤ بالذكاء الاصطناي "أحادية الخطوة" (one-shot) القياسية في فحص المياه الزرقاء (الجلوكوما) في طب العيون. تُخرج الأنظمة الحالية عادةً تسمية واحدة فقط دون مراعاة الطبيعة المتسلسلة وغير اليقينية لاتخاذ القرار السريري. حدد المؤلفون عدة فجوات حرجة في صياغات "التعلم من أجل التأجيل" (Learning-to-Defer - L2D) الحالية عند تطبيقها على سير العمل السريري في العالم الحقيقي:

1. تباين الخبراء: الخبراء البشريون (أطباء العيون، المتدربون، المصنفون) ليسوا "أوراكل" (أدوات معرفة مطلقة) قابلين للتبادل؛ فهم يتفاوتون في الخبرة، والمعرفة بالتخصصات الفرعية، وعتبات اتخاذ القرار.
2. قيود التوافر: في الممارسة العملية، لا يتوفر جميع الخبراء لكل حالة، ومع ذلك تفترض معظم نماذج L2D التقليدية وجود مجموعة ثابتة ومتاحة بالكامل من الخبراء.
3. الضرر غير المتماثل: الأخطاء التشخيصية لها تكاليف غير متماثلة (على سبيل المثال، تفويت حالة جلوكوما أكثر ضرراً من الإحالة الخاطئة)، وهو ما تتجاهله صياغات L2D القياسية غالباً.
4. انزياح التوزيع والمورفولوجيا: تضعف موثوقية الذكاء الاصطناعي في ظل ظروف التوزيع خارج النطاق (OOD)، وجودة الصور المنخفضة، والصعوبات المورفولوجية المحددة (مثل اختلافات نسبة الكوب إلى القرص)، ومع ذلك تعتمد النماذج القياسية غالباً على درجات الثقة فقط.
5. انهيار الخبير: تفشل طرق توجيه الخبراء المتعددين الموجودة غالباً في توزيع عبء العمل بشكل متساوٍ، مما يسبب "انهيار الخبير" حيث يتم توجيه الحالات الصعبة إلى خبير مهيمن واحد، مما يؤدي إلى إثقال كاهله.

تمت إعادة صياغة المشكلة الجوهرية كـ مشكلة توجيه بشرية-ذكاء اصطناعي مقيدة: تحديد ليس فقط ما إذا كان يجب تأجيل الحالة إلى بشري، ولكن أيضاً أي خبير متاح هو الأكثر ملاءمة، مع إدارة عبء العمل والتكلفة والسلامة السريرية.

المنهجية: MPD2-Router

يقترح المؤلفون MPD2-Router (الموجه ذو الرأس المزدوج المعتمد على القناع والمنظم مسبقاً لمتعدد الخبراء)، وهو إطار عمل يربط بين سياسة ثنائية الرأس وبوابة مدركة للقناع وتنظيم متخصص.

1. تمثيل الموجه (Router Representation)

يستقبل الموجه تمثيلاً مدمجاً ($h_i$) مستمداً من ثلاثة مصادر متكاملة:

• مخرجات الذكاء الاصطناعي المجمدة: مخرجات مصنف SwinV2 مدرب مسبقاً ومجمد.
• إشارات المخاطر: متجه يجمع بين درجات مطابقة اللوجيت الافتراضي (VIM)، ومخاطر جودة الصورة، وعدم اليقين لأقصى احتمال.
• الميزات المورفولوجية: الميزات الهيكلية المستمدة من تجزئة القرص البصري والكوب البصري (نسبة الكوب إلى القرص الرأسية والمساحية)، بما في ذلك تقدير المخاطر الهيكلية ومقياس عدم الاتفاق بين الذكاء الاصطناعي والهيكل.

2. السياسة ثنائية الرأس (Dual-Head Policy)

يتم تحليل السياسة $\pi_\theta$ إلى قرارين مقترنين:

• رأس التأجيل (Deferral Head): يقدر كتلة التأجيل الناعمة $d_i$ (احتمالية التأجيل إلى بشري). وهو يفرض التنبؤ الذاتي إذا لم يكن أي خبير متاحاً لعينة معينة.
• رأس تخصيص الخبراء (Expert Allocation Head): يحدد إلى من يتم التأجيل. يستخدم هذا الرأس آلية بوابة Gumbel–sigmoid مدركة للقناع:
  • المرحلة الأولى (اختيار الدعم): تستخدم خريطة قناع ممتدة للقيم الحقيقية لفرض الجدوى بصرامة. يتم حجب الخبراء غير المتاحين إلى $-\infty$ قبل استرخاء Gumbel-softmax، مما يضمن أن احتمال اختيار خبير غير متاح هو صفر تماماً.
  • المرحلة الثانية (التخصيص): يخصص كتلة الاحتمالية فقط على مجموعة الخبراء المتاحين الذين تم اختيارهم في المرحلة الأولى، عبر عملية softmax مقنعة.
  • آلية الإصلاح: إذا أدى اختيار الدعم العشوائي إلى مجموعة فارغة، فإن السياسة تعود إلى القناع المتاح الكامل لضمان إجراء صالح.

3. التنظيم والأهداف (Regularization and Objectives)

لمنع انهيار الخبير وضمان توازن عبء العمل، يتضمن هدف التدريب ما يلي:

• المنور الموزعي الخاص بالمجموعة (GSDP): منظور هرمي بأسلوب بايز التجريبي يعمل على تقليص توزيعات التخصيص على مستوى المجموعة نحو تقديرات مرجحة بالموثوقية مستمدة من إحصائيات المجموعة العالمية. هذا يمنع حالات معينة من التركز على خبير واحد.
• منظم Jensen–Shannon لترتيب الأولوية (Rank-Majorization JS): يعاقب ملف ترتيب التوزيع المرتّب. يتم تفعيله فقط عندما يخصص الموجه كتلة تراكمية زائدة للخبراء ذوي التصنيف الأعلى بالنسبة لمرجع هندسي، مما يمنع التركز على مستوى العينة دون فرض التوحيد.
• هدف حساس للتكلفة غير المتماثلة: يقلل من دالة المخاطر السريرية-العملياتية التي تأخذ في الاعتبار تكاليف الخطأ السلبي/الإيجابي ($c_{fn}, c_{fp}$) وتكاليف الخبراء التشغيلية ($\kappa_j$).
• التحكم في التأجيل باستخدام Lagrangian المعزز: يفرض ميزانية تأجيل ناعمة ($\bar{d} \le \rho_{def}$) باستخدام مضاعف Lagrangian المعزز، مما يسمح للنموذج بتعلم معدل تأجيل محكوم بدلاً من كونه نتاجاً غير منضبط.

المساهمات الرئيسية

1. الصياغة: إعادة صياغة فرز الجلوكوما كمسألة توجيه مقيدة تنمذج صراحةً توافر الخبراء لكل عينة، وسلوك الخبراء المتباين، والضرر التشخيصي غير المتماثل.
2. البنية: تقديم موجه ثنائي الرأس مع بوابة Gumbel–sigmoid مدركة للقناع تفرض قيود الجدوى بصرامة أثناء التدريب والاستدلال، وتفصل بين قرار "هل يتم التأجيل" وقرار "إلى من يتم التأجيل".
3. التنظيم: اقتراح مزيج مبتكر من منظمات GSDP و Rank-Majorization JS للتخفيف من انهيار الخبير (تركيز الحالات المؤجلة على عدد قليل من الخبراء) مع الحفاظ على التخصيص الواعي بالتكلفة.
4. استراتيجية التدريب: استخدام هدف حساس للتكلفة غير المتماثلة مع متحكم Augmented-Lagrangian لتقديم قرارات متوافقة سريرياً تحت ميزانية التأجيل.

النتائج التجريبية

تم تقييم الطريقة على ثلاث مجموعات جلوكوما عابرة للدول: REFUGE، و CHAKSU، و ORIGA. تم استخدام عمود فقري للذكاء الاصطناعي مجمد ومدرب على REFUGE لمحاكاة انزياحات النشر عبر النطاقات.

• الأداء: حقق MPD2-Router أقوى أداء إجمالي، حيث رفع الدقة من 0.755 (الذكاء الاصطناعي فقط) إلى 0.960، و F1 من 0.530 إلى 0.868، و MCC من 0.482 إلى 0.844.
• كفاءة التكلفة: قلل بشكل كبير من التكلفة السريرية (من 0.372 إلى 0.068) والتكلفة الإجمالية مقارنة بالذكاء الاصطناعي فقط والنماذج المرجعية الأخرى (مثل Verma-OvA و Hemmer-MoE).
• أمثلية باريتو (Pareto Optimality): يشغل المنهج منطقة مفضلة في مساحة المقايضة بين F1–MCC–التكلفة، محققاً فائدة تنبؤية عالية دون تكبد تكاليف التأجيل المفرطة التي تشهدها الطرق الأخرى.
• المتانة: تحت انزياح التوزيع (تحديداً في مجموعة بيانات ORIGA حيث انخفضت دقة الذكاء الاصطناعي فقط إلى 0.491)، استعاد MPD2-Router الأداء إلى دقة 0.926 و MCC قدره 0.820 مع الحفاظ على أدنى تكلفة إجمالية.
• استخدام الخبراء: أظهر المنهج استخداماً متوازناً للخبراء، حيث حقق أدنى حصة للمركز الأول (24.7%) وحصة للمركز الثاني (44.0%) بين الطرق المقارنة، مما يشير إلى تجنبه لتوجيه الحالات نحو خبير مهيمن واحد.
• تصنيف المخاطر: أظهر الموجه نمواً أبطأ في التكلفة تحت مخاطر الهيكل والموثوقية العالية للنموذج مقارنة بالنماذج المرجعية، وظل أقل بكثير من أداء الذكاء الاصطناني فقط في الطبقات ذات المخاطر العالية.

الأهمية والادعاءات

تدعي الورقة أن MPD2-Router يوفر إطار عمل راسخ سريرياً لتحليل متى يكون الذكاء الاصطناعي المستقل مناسباً وكيف ينبغي تخصيص اهتمام الخبراء النادر بأمان تحت ظروف انزياح التوزيع.

• السلامة والانتقائية: النظام انتقائي وليس عشوائياً، حيث يوجه الحالات بناءً على دمج عدم اليقين، والمورفولوجيا، وجودة الصورة، وإشارات التوزيع خارج النطاق (OOD)، بدلاً من الاعتماد على الثقة فقط.
• النشر العملي: من خلال فرض توافر الخبراء لكل عينة ومنع انهيار الخبير، يعالج المنهج إخفاقات النشر الرئيسية لنماذج L2D القياسية، مثل إثقال كاهل متخصصين معينين أو تجاهل قيود التوافر.
• القيود: يشير المؤلفون بتواضع إلى أن التقييم يعتمد على مجموعات بيانات تاريخية عابرة للبلدان ذات تسميات خبراء متباينة ومراقبة جزئياً (باستخدام تسميات شبه اصطناعية لـ REFUGE وتسميات زائفة لـ ORIGA). ويذكرون أن التحقق السريري المستقبلي والمراجعة التنظيمية ضروريان قبل النشر الفعلي، لكن نتائج المجموعات العابرة للدول تشير إلى أن المنهج يظل فعالاً تحت الإشراف المتفرق وغير المتجانس.

يضع هذا العمل "التوجيه المهيكل بين البشر والذكاء الاصطناعي" كاتجاه عملي لدعم اتخاذ القرار في مجال طب العيون يكون أكثر أماناً، متجاوزاً مجرد التصنيف البسيط إلى دعم قرار مدروس لكل حالة، وواعٍ بالتكلفة، وواعٍ بالتوافر.