BagShift: Measuring How Patch Selection Changes the Evidence Seen by Whole-Slide MIL
يقدم البحث بروتوكول BagShift، الذي يوضح أن التغيرات في استراتيجيات اختيار الرقع (patch selection) أثناء النشر تغير بشكل كبير الأدلة التي تلاحظها نماذج التعلم متعدد المثيلات للشرائح الكاملة (whole-slide multiple-instance learning models)، مما يؤدي إلى تدهور كبير في الأداء ويسلط الضوء على الحاجة الماسة لتقييم كل من طرق الحفاظ على المختار (selector preservation) وطرق التجميع (aggregation methods) بما يتجاوز مجرد أعداد الرقع.
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
في عالم علم الأمراض الرقمي، لا ينظر الأطباء إلى شريحة زجاجية كاملة تحت المجهر دفعة واحدة. بدلاً من ذلك، يعتمدون على أنظمة حاسوبية تفحص لقطات مربعة صغيرة، تُسمى "رقعاً" (patches)، مأخوذة من أماكن مختلفة من تلك الشريحة. هذه الأنظمة، المعروفة بنماذج "تعلم تعدد المثيلات للشرائح الكاملة" (whole-slide multiple-instance learning models)، تعمل مثل فريق من المحققين؛ فهي تجمع مجموعة من هذه اللقطات، وتحلل الأنسجة داخل كل منها، ثم تدمج نتائجها للوصول إلى تشخيص واحد للشريحة بأكملها. لسنوات طويلة، كان التركيز منصباً على عدد اللقطات التي يُسمح للحاسوب بالنظر إليها، بافتراض أنه إذا كان العدد متساوياً، فإن جودة التشخيص ستكون متساوية أيضاً. هذا الافتراض يعامل اختيار الصور كمسألة رياضية بسيطة تعتمد على العد، متجاهلاً حقيقة أن المكان الذي جاءت منه تلك الصور يهم بقدر أهمية عددها.
تتحدى دراسة جديدة هذا الاعتقاد السائد منذ فترة طويلة عبر تقديم طريقة تسمى "باغ-شيفت" (BagShift). أراد الباحثون معرفة ما يحدث عندما يُجبر الحاسوب على النظر إلى شريحة المريض نفسه ولكن مع تقييده برؤية مناطق مختلفة. لقد أبقوا كل شيء آخر كما هو تماماً: المريض، والوسم الطبي، والمعرفة الداخلية للحاسوب، وإجمالي عدد اللقطات المسموح بها، بل قاموا ببساطة بتغيير القاعدة الخاصة بكيفية اختيار اللقطات. في أحد السيناريوهات، سُمح للحاسوب باختيار 128 لقطة منتشرة على نطاق واسع عبر النسيج بأكمله. وفي سيناريو آخر، أُجبر على اختيار 128 لقطة متجمعة بكثافة في منطقة واحدة صغيرة. كانت النتائج مذهلة؛ فعندما نظر الحاسوب إلى اللقطات المنتشرة، ظل تشخيصه دقيقاً. ولكن عندما أُجبر على التركيز فقط على المنطقة المتجمعة، انخفض أداؤه بشكل كبير. ففي مجموعة بيانات لشرائح سرطان البروستاتا، انخفضت درجة الدقة بنحو 18 نقطة عندما كانت الرؤية موضعية، مقارنة بانخفاض قدره أقل من نقطتين عندما كانت الرؤية منتشرة.
اكتشف الباحثون أن المشكلة ليست مجرد فقدان القليل من المعلومات، بل هي فقدان الأدلة المحددة التي تثبت وجود المرض. في اختبار تضمن عقد ليمفاوية لسرطان نقلي، استخدم الفريق مجموعة خاصة من التوصيفات (annotations) التي كانت مخفية عن الحاسوب خلال مرحلة التدريب لتعمل كاختبار للتحقق من الحقيقة. ووجدوا أنه عندما نظر الحاسوب إلى منطقة واسعة، تمكن من رصد بقع السرطان الصغيرة في حوالي نصف الحالات الصعبة. ومع ذلك، عندما أُجبر على النظر إلى حي واحد محدد، فشل في رصد تلك البقع السرطانية نفسها في 90 بالمائة من الحالات. لم يكن الحاسوب يخطئ في التخمين فحسب، بل كان حرفياً "أعمى" عن الأدلة لأن قاعدة الاختيار أبعدته عن المكان الصحيح. يشير هذا إلى أن مجرد إخبار النظام بالنظر إلى عدد ثابت من الصور ليس كافياً لضمان تشخيص موثوق؛ فموقع تلك الصور هو ما يحدد ما إذا كان النظام سيرى الحقيقة أم سيبقى في الظلام.
كما استكشفت الدراسة ما إذا كان تدريب الحاسوب على توقع هذه الرؤى المقيدة يمكن أن يحل المشكلة. حاول الباحثون تعليم النموذج التعامل مع الرؤى الواسعة والضيقة في آن واحد، وبينما ساعد ذلك في تحسين الدرجات قليلاً، إلا أنه لم يمحُ الفجوة الهائلة بين رؤية الصورة الكاملة ورؤية جزء مجتزأ منها. يمكن للنموذج أن يتعلم أن يكون أكثر حذراً، لكنه لا يمكنه ابتكار أدلة لم تُعرض عليه أبداً بشكل سحري. هذه النتيجة حاسمة لكيفية نشر هذه الأنظمة في المستشفيات؛ فإذا فرض سير العمل في المستشفى أو حدود الحوسبة على النظام النظر إلى منطقة صغيرة ومحددة من الشريحة، فقد يفشل النظام في اكتشاف مرض موجود في مكان آخر، حتى لو كان إجمالي عدد الصور المعالجة مطابقاً لحالة ناجحة.
أخيراً، بحث الفريق فيما يحدث عندما يتمكن النظام من النظر إلى نفس الشريحة عدة مرات من زوايا أو مناطق مختلفة. وقارنوا بين طريقتين لدمج هذه النظرات المتعددة: الطريقة الأولى هي إجراء تشخيص منفصل لكل منطقة ثم حساب المتوسط للنتائج. أما الطريقة الثانية، فهي دمج جميع اللقطات من كل منطقة في كومة واحدة ضخمة قبل إجراء تشخيص واحد. وقد حقق النهج الثاني، الذي دمج فعلياً قطع الأدلة المبعثرة، نتائج أفضل بكثير مقارنة بمجرد حساب متوسط التخمينات المنفصلة. لقد حسن هذا النهج درجة الدقة بنحو 8 نقاط مقارنة بمتوسط الآراء المنفصلة. يشير هذا إلى أنه عندما يُجبر النظام على النظر إلى الشريحة في أجزاء، فإن أفضل طريقة لاستعادة الصورة الكاملة هي جمع كل القطع معاً قبل استخلاص الاستنتاج، بدلاً من محاولة حساب متوسط الآراء المأخوذة من أجزاء معزولة.
يخلص البحث إلى أن عدد الصور التي يعالجها الحاسوب هو مقياس لتكلفة الحوسبة، وليس مقياساً للأدلة التي يراها. يمكن لنظامين معالجة نفس العدد من الصور والوصول إلى مستويات مختلفة تماماً من اليقين لمجرد اختلاف الأماكن التي أُخذت منها تلك الصور. ولكي تكون هذه الأدوات آمنة وموثوقة في البيئات الطبية الواقعية، يجب على الأطباء والمهندسين عدم الاكتفاء بالإبلاغ عن عدد الصور التي تم تحليلها فحسب، بل يجب أيضاً توضيح الأجزاء التي غطتها تلك الصور وكيف تم دمج تلك الرؤى. تُظهر الدراسة أن طريق التشخيص الصحيح لا يقتصر فقط على عدّ الأدلة، بل يتعلق بضمان جمع تلك الأدلة من الأماكن الصحيحة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.