Foundation Model-Enabled Efficient Data Sampling (FEEDS): A label-efficient training strategy for pan-cancer, multi-tracer PET/CT datasets
تقدم الورقة البحثية استراتيجية FEEDS، وهي استراتيجية تدريب فعالة من حيث التسمية والحوسبة تستفيد من تضمينات النماذج التأسيسية لاختيار حالات PET/CT غير المصنفة الأكثر إفادة للتعليق التوضيحي، محققةً أداءً بمستوى البيانات كاملة التسمية عبر أنواع مختلفة من السرطانات والمواد المشعة باستخدام جهد أقل في التعليق التوضيحي بنسبة 70%.
المؤلفون الأصليون:Biratal Raj Wagle, Bashirul Azam Biswas, Grant Chau, Matthew E. Maeder, Muhammad Azeem Arshad, Michael S. Leapman, James B. Yu, Indrani Bhattacharya
المؤلفون الأصليون: Biratal Raj Wagle, Bashirul Azam Biswas, Grant Chau, Matthew E. Maeder, Muhammad Azeem Arshad, Michael S. Leapman, James B. Yu, Indrani Bhattacharya
تخيل أنك تحاول تعليم روبوت كيفية رصد الكنوز المخفية في علية ضخمة وفوضوية. هذه ليست مجرد علية عادية؛ إنها علية طبية، مليئة بآلاف المسوحات ثلاثية الأبعاد لأجسام بشرية. "الكنوز" هي آفات السرطان، والتي قد تبدو كأنها نقاط صغيرة أو كتل ضخمة، وتختبئ في أعضاء مختلفة وتظهر بشكل مختلف اعتماداً على نوع المسح المستخدم. لتعليم الروبوت، يتعين عليك إظهار أمثلة لهذه الكنوز له. ولكن هنا تكمن العقبة: يجب على خبير بشري أن يرسم تحديداً دقيقاً حول كل كنز في كل مسح. هذا يشبه مطالبة فنان ماهر برسم خريطة تفصيلية لكل حبة رمل على الشاطئ. إن الأمر يستغرق وقتاً طويلاً للغاية، ويكلف ثروة، ولا يوجد عدد كافٍ من الفنانين المهرة للقيام بذلك.
لفترة طويلة، حاول العلماء حل هذه المشكلة إما عن طريق عرض كل صورة على الروبوت (وهو أمر مستحيل بسبب الوقت الذي يستغرقه رسم الخرائط) أو عن طريق ترك الروبوت يخمن في الصور التي لم يراها بعد ويأمل أن يتعلم من أخطائه (وهو ما يؤدي غالباً إلى ارتباك الروبوت وابتكاره لكنوز وهمية). السؤال الكبير في هذا الركن من العلم هو: كيف نعلم الروبوت ليكون صياد كنوز ماهراً دون جعل الخبراء البشريين يرسمون ملايين الخرائط؟ نحن بحاجة إلى طريقة لاختيار أفضل عدد قليل من الصور لعرضها على الإنسان، بحيث يتعلم الروبوت أكبر قدر ممكن من أقل قدر من العمل.
هنا تأتي استراتيجية جديدة تسمى FEEDS (أخذ عينات البيانات الفعالة المدعومة بالنماذج التأسيسية). فكر في FEEDS كأمين مكتبة ذكي للغاية قرأ كل كتاب في العالم ولكنه لم يرَ بعد "خرائط الكنوز" المحددة. وبدلاً من مطالبة أمين المكتبة بقراءة كل كتاب للعثور على أفضلها لعرضها على الروبوت، يستخدم FEEDS أداة "فحص الأجواء" (المعروفة بالنموذج التأسيسي) للنظر في المسوحات غير المحددة. يمكن لهذه الأداة أن تخبر فوراً بمدى اختلاف مسح عن آخر، مثل تمييز أن إحدى الصور هي "شاطئ مشمس" والأخرى هي "غابة عاصفة".
يشرح البحث أن FEEDS يعمل في ثلاث خطوات بسيطة. أولاً، يأخذ جميع المسوحات غير المحددة ويعطيها "درجة أجواء" بناءً على سماتها البصرية. ثانياً، ينظر إلى المجموعة الصغيرة من المسحات التي حددها الخبراء البشريون بالفعل (البيانات المصنفة الثابتة) ويسأل: "أي من المسحات غير المحددة هي الأكثر اختلافاً عما نعرفه بالفعل؟" إنه يبحث تحديداً عن الحالات الغريبة أو النادرة أو غير العادية التي لم يسبق للروبوت رؤيتها. ثالثاً، يطلب من الخبراء البشريين رسم الخرائط فقط لتلك الحالات الفريدة والمحددة. ثم تُضاف هذه الخرائط الجديدة إلى كومة التدريب الخاصة بالروبوت، ويتم تدريب الروبوت لمرة واحدة فقط.
اختبر الباحثون هذه الفكرة باستخدام مجموعة ضخمة من مسحات السرطان من مستشفيات مختلفة. ووجدوا أنه باستخدام FEEDS لاختيار الحالات الأكثر تنوعاً وإثارة للاهتمام، تمكنوا من تدريب روبوت يكاد يكون بجودة روبوت تم تدريبه على كل مسح في قاعدة البيانات، ولكنهم اضطروا فقط لطلب رسم الخرائط من الخبراء البشريين لـ 30% فقط من البيانات. في الواقع، كان الروبوت المدرب باستخدام FEEDS أفضل في العثور على بقع السرطان الحقيقية وأقل ارتكاباً للأخطاء (مثل الاعتقاد بأن الأنسجة السليمة هي سرطان) من الروبوتات التي تم تدريبها بمجرد اختيار صور عشوائية. وحتى عندما اختبروا الروبوت على بيانات جديدة من مستشفيات مختلفة لم يسبق له رؤيتها، ظل أداؤه ممتازاً للغاية، مما أثبت أنه تعلم "قواعد" اللعبة بدلاً من مجرد حفظ الصور التي عُرضت عليه.
يشير المؤلفون إلى أن هذه الطريقة تعد نقطة تحول لأنها توفر الكثير من الوقت والجهد. فبدلاً من العملية البطيئة والمكلفة لتصنيف كل شيء، أو العملية المربكة للسماح للروبوت بالتخمين وتصحيح نفسه مراراً وتكراراً، يوفر FEES مساراً فعالاً من خطوة واحدة. إنه يشير إلى أنه من خلال كوننا أذكياء بشأن أي البيانات نقوم بتصنيفها، يمكننا بناء أدوات طبية قوية دون إرهاق الأطباء. يوضح البحث أن هذا النهج يعمل عبر أنواع مختلفة من السرطان وآلات مسح مختلفة، مما يجعله أداة عملية لمستقبل التصوير الطبي.
بيان المشكلة يعد التجزئة الآلية للآفات في التصوير المقطعي بالإصدار البوزيتروني/التصوير المقطعي المحوسب (PET/CT) لكامل الجسم أمراً بالغ الأهمية للكشف عن السرطان، وتحديد مراحل المرض، وتخطيط العلاج. ومع ذلك، فإن تطوير نماذج قوية وشاملة لأنواع السرطان ومختلف أنواع الكواشف يتطلب مجموعات بيانات ضخمة وموسومة. إن إنشاء هذه المجموعات يستنزف الوقت والخبرة نظراً لتباين حجم الآفات، وتوزيعها، ومظهرها عبر أنواع السرطان المختلفة والكواشف الإشعاعية المختلفة (مثل FDG مقابل PSMA). وبناءً على ذلك، فإن النماذج التي يتم تدريبها على بيانات موسومة محدودة غالباً ما تفتقر إلى الدقة والقدرة على التعميم المطلوبة للاستخدام السريري. كما أن الأساليب الحالية للتخفيف من ندرة البيانات الملصقة (Labels)—مثل التدريب المسبق غير الخاضع للإشراف، أو التعلم شبه الخاضع للإشراف (SSL)، أو التعلم النشط—تتطلب عادةً دورات تدريبية تكرارية، أو موارد حوسبة كبيرة، أو تكون مقيدة بإعدادات نوع واحد من الكواشف أو مرض واحد. علاوة على ذلك، تعتمد العديد من الدراسات فقط على مقاييس مستوى الفوكسل (Voxel-level metrics) (مثل معامل Dice)، وتفشل في تقييم الفائدة السريرية على مستوى الآفة أو المنطقة التشريحية، وهو أمر ضروري لتخطيط العلاج.
المنهجية يقترح المؤلفون FE_EDS (أخذ العينات الفعال للبيانات المدعوم بنماذج التأسيس)، وهي استراتيجية تدريب فعالة من حيث التسميات والحوسبة مصممت لاختيار الحالات غير الموسومة الأكثر إخباراً وتنوعاً لغرض التوسيم من قبل الخبراء قبل تدريب النموذج. تعمل الطريقة في ثلاث خطوات متميزة:
استخراج الميزات باستخدام نموذج التأسيس: لكل صورة PET ثلاثية الأبعاد، يتم إنشاء إسقاط أقصى شدة (MIP) ومعالجته طبيعياً. يتم تمرير هذه الصور (MIPs) عبر نموذج رؤية تأسيسي مسبق التدريب DinoV2 (المدرب على 142 مليون صورة طبيعية) لاستخراج تمثيلات رمزية (Token representations) بمستوى الصورة ذات 768 بُعداً.
الاختيار القائم على التنوع: تحسب الطريقة مسافة جيب التمام (Cosine distance) بين مجموعة التسميات الصغيرة والثابتة (NL) والمجموعة غير الموسومة (NU) لكل نوع محدد من الكواشف (FDG أو PSMA). لكل حالة غير موسومة، يتم حساب الحد الأدنى للمسافة إلى المجموعة الموسومة. ويتم اختيار الحالات ذات المسافات الأكبر (أي تلك الأقل تمثيلاً في المجموعة الموسومة الحالية) لغرض التوسيم. تُجرى هذه العملية بشكل مستقل لكل كاشف للحفاظ على نسبة FDG:PSMA مع إعطاء الأولوية لأنماط المسح غير الممثلة، مثل أنواع السرطان النادرة أو توزيعات الامتصاص غير العادية.
تدريب نموذج التجزئة: يتم دمج الحالات المتنوعة الموسومة حديثاً مع مجموعة التسميات الأصلية الثابتة لتدريب نموذج nnU-Net واحد لتجزئة آفات كامل الجسم. يشكل هذا نموذج تدريب بـ "خطوة واحدة"، مما يتجنب الدورات التكرارية المطلوبة في التعلم النشط أو التعلم شبه الخاضع للإشراف (SSL).
المساهمات الرئيسية
نموذج تدريب الخطوة الواحدة: على عكس أساليب التعلم النشط أو SSL التي تتطلب إعادة تدريب تكرارية أو تدريباً مسبقاً، يقوم FEEDS باختيار عينات مسبق لمرة واحدة متبوعاً بمرحلة تدريب خاضعة للإشراف واحدة، مما يقلل التكاليف الحوسبية بشكل كبير.
الاستقلالية عن الكاشف والمرض: صُممت الاستراتيجية لمجموعات البيانات متعددة الكواشف ومتعددة السرطانات دون الحاجة إلى تكييف خاص بالمهمة لمستخرج الميزات.
التقييم الشامل: تتجاوز الدراسة المقاييس القياسية لمستوى الفوكسل لتشمل التقييمات على مستوى الآفة (العد والكشف) ومستوى المنطقة التشريحية (الكبد، الرئة، العظام عالية الخطورة)، وهي مقاييس ذات صلة مباشرة بالتخطيط العلاجي السريري.
التوفر العام: الكود متاح للجمهور على GitHub.
النتائج التجريبية قام المؤلفون بتدريب والتحقق من صحة FEEDS باستخدام مجموعة بيانات AutoPET-III (1,043 مسحاً تدريبياً) وتم تقييم الأداء على ثلاث مجموعات مستبعدة: AutoPET-III، وDeep-PSMA، ومجموعة بيانات داخلية من مركز دارتموث-هيتشوك الطبي (DHMC).
الأداء مقابل أخذ العينات العشوائي: تفوق FEEDS باستمرار على استراتيجيات أخذ العينات العشوائية عبر جميع المقاييس. عند ميزانية تسمية بنسبة 30% (10% ثابتة + 20% مختارة بواسطة FEEDS)، حقق FEEDS معامل Dice مقارباً للنماذج المدربة على 100% من البيانات الموسومة (على سبيل المثال، 0.645 مقابل 0.655 في التحقق من AutoPET-III) مع تقليل حجم السلبيات الكاذبة (FNVol) بشكل كبير مقارنة بأخذ العينات العشوائي.
القدرة على التعميم: عمم FEEDS بفعالية عبر جميع مجموعات الاختبار الثلاث وكلا الكاشفين FDG وPSMA. ومن الجدير بالذكر أنه في مجموعة بيانات DHMC (التي استخدمت ماسحاً ضوئياً أحدث ومختلفاً)، كان أداء النموذج المدرب بـ 100% من بيانات AutoPET-III أسوأ من خط الأساس بنسبة 10%، بينما حقق FEEDS (بميزانية 30%) درجة Dice أعلى وحجم إيجابيات كاذبة أقل، مما يشير إلى قدرة أفضل على الصمود أمام انزياح النطاق (Domain shift).
الفائدة السريرية:
مستوى الآفة: حقق FEEDS حساسية أعلى للآفات (0.743) وقيمة تنبؤية موجبة (PPV) (0.821) مقارنة بأخذ العينات العشوائي، بل وتفوق حتى على نموذج الـ 100% في قيمة PPV.
مستوى المنطقة: أظهر FEEDS أداءً فائقاً في المناطق التشريحية عالية الخطورة (الكبد، الرئة، العظام عالية الخطة)، محققاً أحجام سلبية كاذبة أقل، وهو أمر بالغ الأهمية لتجنب تفويت الآفات عالية الخطورة.
الإيجابيات الكاذبة: قلل FEEDS بشكل كبير من حجم الإيجابيات الكاذبة (FPVol) مقارنة بأخذ العينات العشوائي، خاصة في الحالات السلبية للمرض، مما يشير إلى دقة أفضل.
المقارنة مع الطرق الأخرى: تفوق FEEDS على أخذ عينات العمليات النقطية المحددة (DPP) والتعلم شبه الخاضع للإشراف القائم على التسميات الزائفة (والذي كان أداؤه أسوأ من خط الأساس بنسبة 10%، ويرجع ذلك على الأرجح إلى التسميات الزائفة المشوشة).
الأهمية والادعاءات يدعي البحث أن FE_EDS يعالج تحدي ندرة التسميات من خلال توفير نهج عملي لبناء قوائم تسمية ممثلة ومتنوعة من المستودعات السريرية غير الموسومة الضخمة. ومن خلال الاستفادة من تضمينات (Embeddings) نماذج التأسيس لتحديد "الفجوات" في توزيع التدريب، يتيح FEEDS بناء نماذج تجزئة عالية الأداء بجهد تسمية أقل بنسبة 70% من التدريب الخاضع للإشراف الكامل.
يؤكد المؤلفون أن FEEDS مصمم للنشر السريري العملي؛ فهو يسمح لأطباء الأشعة بالتركيز على تسمية الحالات الأكثر إخباراً بدلاً من العينات العشوائية، مما يحسن استغلال وقت الخبراء المحدود. تُقدم الطراف كحل قابل للتوسع لمستودعات الصور الطبية الكبيرة غير الموسومة، دون الحاجة إلى تدريب تكراري، وتوفر قدرة قوية على التعميم عبر مختلف الماسحات الضوئية، والكواشف، وأنواع السرطان. وتخلص الدراسة إلى أن FEEDS يضاهي أداء التدريب الموسوم بالكامل (100%) بجزء بسيط من البيانات، مما يجعله استراتيجية قابلة للتطبيق لتسريع تطوير أدوات الذكاء الاصطنا_ي السريرية في مجال الأورام.