💻 computer science

Contrastive Learning under Noisy Temporal Self-Supervision for Colonoscopy Videos

تقترح هذه الورقة إطار عمل للتعلم التبايني المدرك للضجيج يستفيد من البنية الزمنية المتأصلة في فيديوهات تنظير القولون لتعلم تمثيلات قوية للزوائد اللحمية دون الحاجة إلى تعليقات يدوية مكلفة، محققةً أداءً رائدًا عبر مهام متعددة لاحقة باستخدام مشفر خفيف الوزن تم تدريبه على مجموعة بيانات صغيرة.

المؤلفون الأصليون: Luca Parolari, Pietro Gori, Lamberto Ballan, Carlo Biffi, Loic Le Folgoc

نُشر 2026-05-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Luca Parolari, Pietro Gori, Lamberto Ballan, Carlo Biffi, Loic Le Folgoc

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 تحاول تعليم حاسوب التعرف على أشخاص مختلفين في غرفة مزدحمة، لكن ليس لديك بطاقات أسماء، ولديك فقط فيديو مستمر للغرفة.

في عالم تنظير القولون (إجراء طبي بكاميرا للنظر داخل القولون)، "الأشخاص" هم السلائل (البوليبات) (وهي نموات صغيرة قد تتحول إلى سرطان)، و"الغرفة" هي داخل قولون المريض. الفيديو عبارة عن تدفق طويل وفوضوي حيث تتحرك الكاميرا، وتتغير الإضاءة، أو تتمايل السلائل أو تغطيها الفضلات.

إليك كيف حلت هذه الورقة البحثية مشكلة تعليم الحاسوب التعرف على هذه السلائل دون الحاجة إلى طبيب بشري لتسمية كل واحدة منها.

المشكلة: عقبة "التوسيم" (Labeling)

عادةً، لتعليم الحاسوب التعرف على الأشياء، تحتاج إلى معلم. في هذه الحالة، سيتعين على خبير بشري مشاهدة الفيديو بأكمله، والعثين على كل سليلة، ورسم مربع حولها، ثم القول: "هذا المربع عند الدقيقة 0:05 هو نفس السليلة الموجودة عند الدقيقة 0:15".

تجادل الورقة بأن هذا الأمر بطيء للغاية، ومكلف، ويتطلب الكثير من وقت الخبراء. الأمر يشبه محاولة تعليم طفل التعرف على أصدقائه من خلال جعل الوالدين يكتبون ملاحظة لكل صورة يلتقطها الطفل.

الحل: "الزمن هو المعلم"

أدرك المؤلفون أن فيديوهات تنظير القولون لها إيقاع طبيعي. الطبيب ينظر إلى سليلة ما، وربما يزيلها، ثم ينتقل إلى التالية. هم لا يقفزون ذهاباً وإياباً بشكل عشوائي.

القياس التشبيهي: تخيل أنك تشاهد فيلماً. إذا رأيت شخصية على الشاشة في الدقيقة 10، ثم رأيتها مرة أخرى في الدقيقة 10:05، فمن المؤكد تقريباً أنها نفس الشخصية. إذا رأيتها في الدقيقة 10 ثم رأيتها مرة أخرى في الدقيقة 45، فقد تكون هي نفسها، لكن اليقين أقل (ربما غادرت وعادت، أو ربما هو شخص آخر يشبهها).

تستخدم الورقة البحثية الفجوة الزمنية هذه كإشارة "إشراف ذاتي" (Self-supervision).

الرهان الآمن: إذا كانت مقطعتان من الفيديو متجاورتان تماماً في الزمن، فمن المرجح أنهما لنفس السليلة.
الرهان المحفوف بالمخاطر: إذا كانت المقطعتان متباعدتين في الزمن، فقد تكونان لنفس السليلة، لكن قد تكونان أيضاً لسليلتين مختلفتين تتشابهان في الشكل.

الابتكار: مرشح "الوعي بالضجيج" (Noise-Aware Filter)

هذا هو الجزء الصعب: "الرهان المحفوف بالمخاطر" غالباً ما يكون خاطئاً. إذا افترض الحاسوب أن مقطعين متباعدين هما لنفس السليلة بينما هما في الواقع سليلتان مختلفتان، فسيصاب بالارتباك ويتعلم أشياء خاطئة. وهذا ما يسمى "البيانات الضوضائية" (Noisy data).

ابتكر المؤلفون "خسارة واعية بالضجيج" (Noise-Aware Loss) (وهي قاعدة رياضية للتعلم).

القياس التشبيهي: تخيل معلماً يصحح واجبات الطالب. عادةً، إذا أخطأ الطالب في الإجابة، يقوم المعلم بخصم درجاته. لكن في هذا النظام الجديد، المعلم ذكي بما يكفي ليقول: "أنا أعلم أن هذا السؤال صعب وأن مفتاح الإجابة قد يكون خاطئاً. لن أعاقب الطالب بشدة على خطئه، لكني سأكافئه أيضاً على الأسئلة السهلة والواضحة".
كيف يعمل: يقوم النظام بإنشاء "حقائب" من مقاطع الفيديو. يبدأ بمقاطع قريبة جداً في الزمن (آمنة جداً). ومع استمرار التدريب، يبدأ ببطء في إضافة مقاطع أبعد في الزمن (أكثر خطورة). تخبر قاعدة "الوعي بالضوضي" الحاسوب: "ركز على أوجه التشابه القوية، ولكن لا تدع أوجه التشابه الضعلة والمحتمل الخطأ تفسد تعلمك".

النتائج: فريق صغير، انتصارات كبيرة

درب الفريق نظامهم باستخدام كمية صغيرة جداً من البيانات: 27 فيديو فقط.

المقارنة: قارنوا نظامهم بـ:
- الذكاء الاصطناعي الآخر الذي يحاول التعلم بدون تسميات (التعلم الذاتي - Self-Supervised).
- الذكاء الاصطناعي الذي تم تدريبه بتسميات بشرية كاملة (التعلم تحت الإشراف - Supervised).
- "نماذج التأسيس" الضخمة (أدمغة ذكاء اصطناعي ضخمة مدربة على ملايين الصور، مثل نماذج "Dino").
النتيجة: تفوق نظامهم الصغير والخفيف على طرق "التعلم بدون تسميات" الأخرى بفارق كبير. بل إنه عادل أو حتى تفوق على "نماذج التأسيس" الضخمة والثقيلة في مهام مثل:
- الاسترجاع (Retrieval): العثين على نفس السليلة مرة أخرى في جزء مختلف من الفيديو.
- إعادة التعرف (Re-identification): تحديد ما إذا كان مقطعان يظهران نفس السليلة.
- تقدير الحجم (Size Estimation): التخمين ما إذا كانت السليلة صغيرة أم كبيرة.
- علم الأنسجة (Histology): التخمين ما إذا كانت السليلة من المرجح أن تكون سرطانية (adenoma) أم لا.

لماذا يهم هذا؟

تدعي الورقة أن هذا حل "خفيف الوزن". إنه يشبه بناء محرك سيارة عالي الكفاءة وذكي يعمل بكمية ضئيلة جداً من الوقود (27 فيديو) ولكنه يؤدي بنفس مستوى المحركات الضخمة التي تستهلك الكثير من الوقود (نماذج التأسيس الضخمة). وهذا يعني أنه يمكن تشغيله على أجهزة أصغر أو استخدامه بسهء أكبر في المستشفيات الواقعية دون الحاجة إلى أجهزة كمبيوتر خارقة أو جيوش من الأطباء لتسمية البيانات.

باختة القول: لقد علموا الحاسوب كيفية التعرف على سلائل القولون من خلال استخدام تدفق الزمن كدليل، ولكنهم أضافوا مرشح سلامة حتى لا يرتبك الحاسوب عندما تكون الأدلة الزمنية مضللة. فعلوا ذلك باستخدام بيانات قليلة جداً وهزموا أنظمة أكثر ضخامة وتعقيداً.

ملخص تقني: التعلم التبايني تحت الإشراف الزمني الذاتي المشوب بالضجيج لفيديوهات تنظير القولون

بيان المشكلة

يعد تعلم التمثيل القوي لمسارات البوليبات (tracklets) (وهي تتابعات من الكشوفات المتتالية لنفس البوليب) أمراً ضرورياً لمختلف تطبيقات الذكاء الاصطناत्मक المساعدة في تنظير القولون، بما في ذلك توصيف البوليب، والتقارير المؤتمتة، واسترجاع الآفات. ورغم أن التعلم التبايني الخاضع للإشراف قد أثبت فاعليته، إلا أنه يعتمد على تسميات "كيان البوليب" (polyp entity)—وهي تسميات تربط الكشوفات بالبوليب نفسه طوال الفيديو. إن توليد هذه التسميات أمر مكلف، ويستغرق وقتاً طويلاً، ويتطلب خبرة سريرية متخصصة، مما يحد من قابلية توسع النهج الخاضع للإشراف.

تحاول الأساليب الحالية ذاتية الإشراف تجاوز ذلك عن طريق تقسيم مسارات البوليبات إلى أجزاء منفصلة أو تجميعها (clustering). ومع ذلك، غالباً ما تفشل هذه الأساليب في التقاط الاتساق الدلالي الكامل لكيان البوليب عبر الفيديو. وفي المقابل، تحقق الأساليب الخاضعة للإشراف مؤخراً، والتي تستخدم تسميات كيان صريحة، أداءً فائقاً، مما يسلط الضوء على فجوة كبيرة بين التعلم الخاضع للإشراف والتعلم ذاتي الإشراف. ويكمكن التحدي في تضييق هذه الفجوة دون الاعتماد على تسميات الكيان اليدوية، رغم البيئة البصرية شديدة التغير في تنظير القولون (التغير في زاوية الرؤية، والمقياس، والإضاءة، وضبابية الحركة، والانسداد).

المنهجية

يستفيد الإطار المقترح من سير العمل المتسلسل المتأصل في إجراءات تنظير القولون لاستخلاص ارتباطات ذاتية الإشراف من البنية الزمنية. الافتراض الجوهري هو أن الملاحظات التي يتم التقاطها في أوقات متقاربة زمنياً من المرجح أن تصور كيان البوليب نفسه.

1. البنية الزمنية كإشراف ذاتي

تقوم الطريقة ببناء مجموعة بيانات من مسارات البوليبات $\{x_i\}$ من كشوفات البوليب الحقيقية (ground-truth). لكل مسار مرجعي (anchor tracklet) $i$ ضمن فيديو $v_i$ ، يتم بناء "حقيبة" (bag) من المسارات المرشحة كإيجابيات من المسارات الأخرى في نفس الفيديو ( $v_j = v_i$ ).

الترتيب (Ranking): يتم ترتيب المسارات حسب مسافتها الزمنية من المسار المرجعي.
بناء الحقيبة: بدلاً من اختيار أقرب المسارات زمنياً فقط (مما ينتج رؤى مكررة)، تقوم الطريقة بأخذ عينات من $K$ رتب متميزة من توزيع أسي $P_\tau(r) \propto \exp(-r/\tau)$ . يتحكم معامل الحرارة $\tau$ في تنوع الحقيبة: $\tau$ المنخفض يختار الجيران الأقرب (تشابه عالٍ، ضجيج منخفض)، بينما $\tau$ العالي يختار جيراناً أبعد (تنوع عالٍ، خطر أكبر لحدوث ارتباطات غير صحيحة).
التعلم المنهجي (Curriculum Learning): لموازنة المقايضة بين تنوع الرؤية وصحة الارتباط، يتم إدخال متغير منهجي $c \in [0, 1]$ . يتم زيادة درجة الحرارة $\tau$ تدريجياً من قيمة دنيا إلى قيمة قصوى على مدار عملية التدريب باستخدام جدول جيب التمام (cosine schedule). يسمح هذا للنموذج بالبدء بارتباطات آمنة ومتشابهة للغاية، ثم التعلم تدريجياً من ارتباطات زمنية أكثر تنوعاً وربما أكثر ضجيجاً.

2. فقدان التباين المدرك للضجيج (Noise-Aware Contrastive Loss)

بما أن التقارب الزمني لا يضمن أن مسارين ينتميان إلى نفس البوليب (على سبيل المثال، ظهور بوليبين مختلفين في تتابع سريع)، فإن "الحقائب" الناتجة قد تحتوي على عينات "غير نقية" (مسارات من بوليبات مختلفة). إن معاملة جميع العينات في الحقيبة كإيجابيات يمكن أن يؤدي إلى تدهور تعلم التمثيل.

يقترح المؤلفون فقدان تباين مدرك للضجيج يعمل على تخفيف قيود التباين القياسية. بدلاً من اشتراط تشابه جميع العينات الإيجابية في الحقيبة مع المسار المرجعي، يفرض الفقدان أن يكون واحد على الأقل من المسارات في الحقيبة أكثر تشابهاً مع المسار المرجعي من أي مسار آخر في الحقيبة مع أي مسار مرجعي آخر.

الصياغة الرياضية: تستخدم دالة الفقد استخدام تقريب (log-sum-exp) لعملية الـ (max). فهي تعمل على تعظيم التشابه بين المسار المرجعي وأفضل عينة إيجابية مطابقة في الحقيبة، مع تقليل التشابه بين المسار المرجعي والسلبيات من المسارات المرجعية الأخرى.
الأثر: تسمح هذه الصيغة للنموذج بـ "تجاهل" الارتباطات الزمنية الضوضائية (غير الصحيحة) داخل الحقيبة بفعالية، مما يمنعها من إضعاف مساحة التضمين (embedding space) المتعلمة.

3. البنية (Architecture)

يستخدم الإطار مشفراً خفيف الوزن يتكون من شبكة ResNet-50 لاستخراج تضمين الإطارات، يليه مكدس من ثلاث طبقات من مشفرات المحولات (transformer encoder layers) لتجميع تمثيلات المسارات العالمية. يمكن تطبيق الفقد على تضمين المسار النهائي، أو تضمينات الإطارات، أو كليهما.

المساهمات الرئيسية

إطار عمل ذاتي الإشراف: نهج مبتكر يستغل سير العمل المتسلسل لتنظير القولون لبناء إشارات ذاتية الإشراف من البنية الزمنية، مما يلغي الحاجة إلى تسميات كيان البوليب اليدوية.
فقدان التباين المدرك للضجيج: دالة فقد مصممة للتخفيف من تأثير الارتباطات الزمنية الضوضائية من خلال ضمان أن العينات الإيجابية الأكثر اتساقاً فقط داخل الحقيبة هي التي تقود عملية التعلم.
تقييم شامل: تقييم واسع النطاق عبر أربع مجموعات بيانات عامة (REAL-Colon, SUN, PolypSize, PolypsSet) على مهام لاحقة متعددة، مما يثبت الأداء الذي يطابق أو يتجاوز النماذج التأسيسية الحديثة.

النتائج

تم تدريب الطريقة على 27 فيديو فقط (85 بوليب) من مجموعة بيانات REAL-Colon وتم تقييمها على أربع مهام لاحقة:

استرجاع البوليب (Polyp Retrieval): يُقاس بواسطة متوسط الدقة المتوسطة (mAP) ومعدل الإصابة (Hit Rate).
إعادة التعرف (Re-identification - ReID): يُقاس بواسطة AUROC و AUPR.
تقدير الحجم (Size Estimation): تصنيف ثنائي (صغير جداً مقابل غير صغير جداً) عبر اختبار غير خطي (non-linear probing).
تصنيف الأنسجة (Histology Classification): تصنيف ثنائي (ورمي غدي مقابل غير ورمي غدي) عبر اختبار غير خطي.

أبرز الأداء:

مقابل النماذج المرجعية ذاتية الإشراف: تفوقت الطريقة المقترحة على الأساليب السابقة ذاتية الإشراف (مثل TPC, MVE, SFE) بفوارق كبيرة، بما في ذلك تحسن نسبي قدره 23.69% في mAP للاسترجاع وتحسن بنسبة 24.4% في دقة الأنسجة.
مقابل النماذج المرجعية الخاضعة للإشراف بالكامل: حققت الطريقة باستمرار أداءً فائقاً أو مقارباً للنماذج الخاضعة للإشراف بالكامل (التي تعتمد على تسميات الكيان المكلفة). على سبيل المثال، حسنت AUPR بنسبة 18.56% فوق أفضل نموذج مرجعي خاضع للإشراف في مهمة ReID.
مقابل النماذج التأسيسية: طابق أو تجاوز المشفر خفيف الوزن (25.6 مليون معلمة) المدرب على 27 فيديو النماذج التأسيسية العامة الضخمة (مثل DinoV2-giant بـ 1136 مليون معلمة) والنماذج التأسيسية الخاصة بتنظير القولون في جميع المهام.
دراسات الاستئصال (Ablation Studies): أكدت الدراسة أن كلاً من أخذ العينات القائم على الرتب الأسي واستراتيجية التعلم المنهجي يساهمان في مكاسب الأداء. وقد أدى تطبيق الفقد على كل من تضمينات الإطار والمسارات إلى تحقيق أفضل النتائج الإجمالية.

الأهمية والادعاءات

يزعم البحث أن هذا العمل يتيح تعلم التمثيل القابل للتوسع في تنظير القولون من خلال تقليل الاعتماد بشكل كبير على التسميات اليدوية مع الحفاظ على الأداء العالي في التطبيقات السريرية. ومن خلال استغلال البنية الإجرائية لفيديوهات تنظير القولون وإدخال آلية للتعامل مع الضجيج المتأصل في الإشراف الزمني الذاتي، يوضح المؤلفون أنه يمكن تعلم تمثيلات قوية لمسارات البوليب بكفاءة. إن القدرة على مطابقة أو تجاوز أداء النماذج التأسيسية الضخمة باستخدام بنية خفيفة الوزن مدربة على مجموعة بيانات صغيرة تشير إلى مسار عملي لنشر أدوات الذكاء الاصطامي المساعدة في البيئات السريرية حيث تكون موارد تسمية البيانات محدودة.