💻 computer science

SCKAN: Structural Consensus-based KAN Prototype Learning for Semi-Supervised Pancreas Segmentation

تقترح الورقة البحثية SCKAN، وهو إطار عمل جديد للتعلم شبه المُشرف يدمج شبكات كولموغوروف-أرنولد مع آليات الإجماع الهيكلي للتغلب على انحياز الإشراف وتحسين القدرة على التعميم في تقسيم البنكرياس في ظل ظروف التوسيم الشحيحة.

المؤلفون الأصليون: Yuqi Liu, Yufei Chen, Wei Fu, Xiaodong Yue, Shuo Li

نُشر 2026-05-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yuqi Liu, Yufei Chen, Wei Fu, Xiaodong Yue, Shuo Li

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

الصورة الكبيرة: البحث عن البنكرياس وسط الزحام

تخيل أنك تحاول تعليم كمبيوتر كيفية العثور على البنكرياس (وهو عضو صغير وصعب التحديد) داخل آلاف الصور ثلاثية الأبعاد من الأشعة المقطعية (CT). هذا الأمر بالغ الأهمية لرصد السرطان في وقت مبكر.

المشكلة:
لديك كومة ضخمة من الصور، ولكن عددًا قليلًا جدًا منها فقط يمتلك "مفاتيح الإجابة" (أي أن الأطباء قاموا برسم حدود البنكرياس عليها). أما بقية الصور فهي فارغة. وهذا ما يسمى التعلم شبه المشرف (Semi-Supervised Learning).

البنكرياس هو "متحول للشكل". ففي شخص ما، قد يبدو مثل ثعبان طويل؛ وفي شخص آخر، قد يبدو مثل كتلة قصيرة وسمينة. ولأن هذه الأشكال تتفاوت كثيرًا، يصاب الكمبيوتر بالارتباك. وعندما يمتلك مفاتيح إجابة قليلة فقط ليتعلم منها، فإنه يكتسب عادة سيئة تسمى "تحيز الإشراف" (Supervision Bias).

التشبيه: تخيل طالبًا يدرس ثلاثة امتحانات تجريبية محددة فقط. إذا جاء الامتحان الحقيقي بشكل مختلف قليلًا، يصاب الطالب بالذعر ويخمن بشكل خاطئ. لقد حفظ الأمثلة بدلاً من فهم المفهوم. وينتهي الأمر بالكمبيوتر إما بقطع أجزاء من البنكرياس (نقص في التحديد) أو بأخذ أنسجة محيطة زائدة عن الحاجة (زيادة في التحديد).

الحل: SCKAN (طريقة "الدراسة الجماعية الذكية")

يقترح المؤلفون طريقة جديدة تسمى SCKAN. فكر في الأمر كأنه تنظيم لـ "جلسة دراسة جماعية" حيث لا يتعلم الكمبيوتر فقط من مفاتيح الإجابة القليلة، بل من خلال إيجاد القواعد الهيكلية المشتركة التي تنطبق على الجميع، بغض النظر عن شكل بنكرياس كل فرد.

إنهم يستخدمون نوعًا جديدًا من المحركات الرياضية يسمى KAN (شبكة كولموغوروف-أرنولد).

التشبيه: الذكاء الاصطناعي التقليدي يشبه المسطرة الصلبة؛ فهو يحاول إجبار كل شكل على التوافق مع خط مستقيم. أما الـ KAN فهو يشبه الشريط المطاطي المرن والقابل للتمدد؛ يمكنه الانحناء والالتواء ليتناسب مع الأشكال المعقدة والمتعرجة تمامًا، مما يساعد في تصفية "الضجيج" (الاختلافات العشوائية) للعثور على "الإشارة" (الشكل الحقيقي).

يعمل SCKAN عبر خطوتين رئيسيتين:

1. SPCL: "خريطة التشريح" (تعلم النموذج القائم على الهيكل)

بدلاً من النظر إلى البنكرياس بأكمله ككتلة واحدة كبيرة ومربكة، يقوم SCKAN بتفكيكه إلى ثلاثة أجزاء منطقية: الرأس (Head)، الجسم (Body)، والذيل (Tail).

كيف يعمل: على الرغم من أن كل بنكرياس له شكل مختلف، إلا أن جميعها تمتلك رأسًا وجسمًا وذيلًا بنفس الترتيب تقريبًا.
التشبيه: تخيل أنك تحاول التعرف على صديق لك وسط زحام. بدلاً من حفظ ملامح وجهه بدقة (والتي قد تتغير بوضع قبعة أو نظارات)، أنت تركز على الهيكل: "لديه رأس في الأعلى، وجسم في المنت المنتصف، وأرجل في الأسفل".
السحر الكامن: يجبر النظام الكمبيوتر على تعلم أن "رأس" الشخص (أ) يجب أن يشبه "رأس" الشخص (ب)، حتى لو كان الشخص (أ) طويلاً والشخص (ب) قصيرًا. هذا يخلق "إجماعًا هيكليًا" (اتفاقًا على القواعد) عبر جميع الصور، مما يمنع الكمبيوتر من التحيز لمجرد الأمثلة المحدودة المتاحة.

2. CKaF: "فلتر الضجيج" (دمج KAN القائم على الإجماع)

بمجرد أن يحدد الكمبيوتر هذه الأجزاء (الرأس/الجسم/الذيل)، فإنه يحتاج إلى دمج المعلومات من الصور "الموسومة" (التي تحتوي على إجابات) مع الصور "غير الموسومة" (الكثيرة).

كيف يعمل: الصور غير الموسومة مليئة بالضجيج والارتباك. وهنا يعمل الـ KAN كفلتر فائق الذكاء.
التشبيه: تخيل فصلًا دراسيًا صاخبًا حيث يهمس 99 طالبًا بأشياء عشوائية، بينما يمتلك طالب واحد فقط الإجابة الصحيحة. المعلم العادي قد يتشتت بالضجيج. أما الـ KAN فهو بمثابة معلم خارق يمكنه فورًا تجاهل همسات الـ 99 طالبًا، وإيجاد الخيط المشترك للحقيقة بينهم، ودمجه مع الإجابة الصحيحة الوحلة لتقديم درس واضح ومثالي.
النتيجة: يقوم بتصفية الأشكال "الغريبة" للعينات الفردية ويحتفظ فقط بالمعرفة المستقرة والمشتركة.

لماذا هذا مهم (وفقًا للورقة البحثية)

اختبر المؤلفون هذا النظام على مجموعتين عامتين من صور الأشعة المقطعية للبنكرياس.

النتيجة: عندما أعطوا الكمبيوتر عددًا قليلًا جدًا من "مفاتيح الإجابة" (بنسبة ضئيلة تصل إلى 3% أو 5% فقط من البيانات)، كان أداء SCKAN أفضل بكثير من جميع الطرق السابقة.
الدليل: في عمليات التصور البصري، تركت الطرق الأخرى فجوات في البنكرياس أو أخذت الكثير من الخلفية. أما SCKAN فقد أنتج حدودًا نظيفة وكاملة تبدو قريبة جدًا من رسومات الأطباء.

الملخص

SCKAN هو طريقة جديدة لتعليم الحواسيب كيفية العثور على البنكرياس في الصور الطبية عندما تتوفر أمثلة قليلة جدًا للتعلم منها.

يمنع الكمبيوتر من مجرد حفظ أمثلة محددة (مما يسبب أخطاءً).
يفكك العضو إلى أجزاء منطقية (رأس، جسم، ذيل) لإيجاد القواعد المشتركة.
يستخدم أداة رياضية مرنة وذكية (KAN) لتصفية الضجيج ودمج ما يتعلمه من الجميع.

النتيجة هي كمبيوتر يفهم هيكل البنكرياس، وليس فقط الصور التي عُرضت عليه، مما يؤدي إلى تشخيصات طبية أكثر دقة بكثير.

ملخص تقني: SCKAN – تعلم النموذج الأولي لـ KAN القائم على التوافق الهيكلي للتعلم شبه الموجه لتجزئة البنكرياس

بيان المشكلة
تعد تجزئة البنكرياس الدقيقة أمراً حيوياً للتشخيص المبكر للسرطان، ولكنها تعوقها ندرة البيانات الطبية المشروحة، مما يستلي زاما إلى التعلم شبه الموجه (SSL). تواجه طرق التعلم شبه الموجه الحالية، وخاصة تلك التي تعتمد على تنظيم الاتساق (CR) أو تعلم النموذج الأولي (PL)، قيوداً شديدة في القدرة على التعميم عند تطبيقها على بيانات البنكرياس. ويعود ذلك إلى التباين المورفولوجي الكبير بين العينات (الاختلافات في الشكل والحجم بين المرضى). تؤدي هذه القيود إلى مشكلة "تحيز الإشراف": حيث تفشل النماذج في التعميم خارج التوجيه المحدود المتاح، مما يؤدي إلى نقص أو زيادة في التجزئة. تفتقر الطرق الحالية إلى المعرفة الهيكلية المشتركة عبر العينات؛ فهي تعامل العينات بشكل منعزل أو تعتمد على نماذج أولية مقيدة بإشراف شحيح، وتفشل في التقاط الدلالات الهيكلية المتناظرة (الرأس، الجسم، الذيل) التي توجد عبر المورفولوجيات المتنوعة.

المنهجية: SCKAN
يقترح المؤلفون SCKAN (تعلم النموذج الأولي لـ KAN القائم على التوافق الهيكلي)، وهو الإطار الأول الذي يدمج شبكات كولموغوروف-أرنولد (KANs) مع تعلم التوافق الهيكلي عبر العينات لتجزئة البنكرياس شبه الموجه (SSPS). بناءً على إطار عمل "المعلم-المتوسط" (Mean-Teacher)، يستخدم SCKAN مكونين أساسيين لمعالجة تحيز الإشراف:

تعلم اتساق النموذج الأولي المقيد بالهيكل (SPCL):
- التفكك المكاني المدرك للهيكل (SSD): يقوم هذا المكون بتفكيك البنكرياس إلى مناطق فرعية متماسكة مكانياً (الرأس، الجسم، الذيل) باستخدام تجميع (K-means) الموجه تشريحياً للإحداثيات المكانية. يؤسس هذا توافقاً هيكلياً موثوقاً عبر العينات، مما يضمن أن النماذج الأولية من عينات مختلفة تمثل أجزاء تشريحية متناظرة.
- معايرة الاتساق الموضعي (PCC): لتنقية هذه النماذج الأولية، يقدم PCC آليتين:
  - التعلم التبايني الموزون موضعياً: يخصص أوزاناً محددة لأزواج النماذج الأولية بناءً على ما إذا كانت تشترك في نفس الفئة والمنطقة، مما يحسن المحاذاة عبر العينات والتمييز بين الفئات.
  - تنظيم إلغاء الارتباط الموضعي: يفرض عقوبة على النماذج الأولية داخل العينة الواحدة لضمان التنوع بين المناطق الفرعية (على سبيل المثال، ضمان بقاء نموذج الرأس الأولي متميزاً عن نموذج الذيل داخل نفس العينة).
دمج كولموغوروف-أرنولد القائم على التوافق (CKaF):
- يستفيد هذا المكون من قدرات الملاءمة غير الخطية الفائقة لشبكات KAN لتجميع التوافق الهيكلي المستقر مع تصفية الضجيج الخاص بكل عينة.
- يستخدم وظائف B-spline التكيفية ذات الدعم المحلي لنمذجة العلاقات المعقدة وغير الخطية عبر العينات. ومن خلال معالجة النماذج الأولية الموسومة وغير الموسومة عبر طبقات KAN وإجراء المتوسط على مستوى الدفعة، يقوم CKaF بتخليق "نموذج أولي للتوافق الهيكلي". تعمل هذه العملية بفعالية على تصفية الضجيج المورفولوجي وتجميع المعرفة المستقرة المشتركة عبر العينات عالية التباين، مما يقلل من التحيز.
التعلم التآزري الموجه بالتوافق:
- يتم ربط شبكة التجزئة وفضاء النموذج الأولي عبر تنظيم الاتساق. يتم تطبيق فقدان هجين (يجمع بين Dice وCross-Entropy) على كل من تنبؤات التجزئة والتنبؤات القائمة على النموذج الأولي. تقوم دالة تسخين غاوسية تعتمد على الوقت بزيادة مساهمة تعلم التوافق تدريجياً أثناء التدريب.

المساهمات الرئيسية

أول توافق هيكلي عبر العينات باستخدام KANs: يقدم البحث أول تطبيق لشبكات KAN لبناء تعلم التوافق الهيكلي عبر العينات في سياق SSPS، مستهدفاً تحديداً تحيز الإشراف الناتج عن التنوع المورفولوجي للبنكرياس.
آلية SPCL المبتكرة: صمم المؤلفون آلية اتساق على مستوى النموذج الأولي موجهة تشريحياً تعزز التمثيلات الهيكلية غير المنحازة من خلال فرض المحاذاة عبر العينات على مستوى المنطقة الفرعية (الرأس، الجسم، الذيل).
استراتيجية CKaF المبتكرة: تم اقتراح استراتيجية دمج عبر العينات معززة بـ KAN لتجميع التوافق المستقر وتصفية الضجيج الخاص بالعينة، مما يقلل من التحيز المورفولوجي.

النتائج التجريبية
تم تقييم الطريقة على مجموعتي بيانات عامتين: NIH-PAN (80 صورة مقطعية) و MSD-PAN (281 حالة مشروحة).

الأداء: حقق SCKAN نتائج هي الأفضل في حالته (state-of-the-art) على كلتا المجموعتين. في مجموعة بيانات NIH-PAN مع 5% فقط من البيانات الموسومة (3 عينات)، حقق SCKAN درجة Dice بلغت 78.91%، متفوقاً بشكل كبير على طرق SSL السابقة مثل BCP (74.90%) و MPER (74.88%).
المتانة: في مجموعة بيانات MSD-PAN الأكثر تحدياً، حافظ SCAN على أداء تنافسي مع تباين منخفض باستمرار، محققاً درجة Dice بلغت 63.72% عند إشراف بنسبة 20%.
الجودة البصرية: أظهرت النتائج النوعية أن SCKAN يحافظ بفعالية على الاكتمال الهيكلي ويقلل من الثقوب أو التجزئة الزائدة الشائعة في الطرق الأخرى.
دراسات الاستئصال (Ablation Studies):
- أدى إزالة مكونات SPCL (SSD و PCC) إلى انخفاض في درجة Dice، مما يؤكد ضرورة التوافق الهيكلي الموجه تشريحياً.
- استبدال دمج KAN (CKaF) باستراتيجيات MLP القياسية أو دمج المتوسط أدى إلى زيادة الفجوة بين أداء البيانات الموسومة وغير الموسومة، مما يثبت تفوق KAN في تصفية الضجيج وتجميع التوافق.
- وُجد أن معامل فقد التنوع ( $\lambda_{div}$ ) يكون مثالياً عند 0.5، مما يوازن بين المحاذاة عبر العينات والتنوع داخل العينة الواحدة.

الأهمية والادعاءات
يدعي البحث أن SCKAN يعالج بشكل جوهري مشكلة "تحيز الإشراف" في تجزئة البنكرياس شبه الموجهة. ومن خلال الانتقال من الاتساق لكل عينة على حدة إلى التوافق الهيكلي عبر العينات، تمكنت الطريقة من تعلم المعرفة التشريحية المشتركة رغم التباين المورفولوجي الكبير. ويبرز دمج KAN كابتكار حاسم، حيث توفر وظيفة B-spline التكيفية غير الخطية أساساً قوياً لنمذجة العلاقات المعقدة عبر العينات وتصفية الضجيج المحلي. ويؤكد المؤلفون أن هذا النهج يؤدي إلى تجزئة أكثر دقة وقدرة على التعميم، لا سي_ما في سيناريوهات الندرة الشديدة في التوصيف (Annotation). الكود متاح للجمهور لتسهيل المزيد من الأبحاث.