ADMIL: Attention-Distilled Multiple Instance Learning for Selective Foundation Model Inference in Pathology
تقدم الورقة البحثية ADMIL، وهو إطار عمل للحوسبة الانتقائية يقوم بتقطير انتباه نموذج معلم يعتمد على التعلم متعدد الأمثلة القائم على الانتباه إلى نموذج PriorNet خفيف الوزن لاختيار البلاطات الأكثر إفادة فقط لاستنتاج النموذج التأسيسي المكلف، مما يحقق أداء المعلم الكامل مع تقليل التكاليف الحسابية بنسبة تزيد عن 98% في تحليل شرائح علم الأمراض.
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 الطب الحديث، أحدث علم الأمراض الرقمي تحولاً في كيفية فحص الأطباء للأنسجة. فبدلاً من النظر عبر مجهر إلى شريحة زجاجية واحدة، يعمل أخصائيو الأمراض الآن مع صور رقمية ضخمة تُسمى صور الشريحة الكاملة. هذه الصور كبيرة ومفصلة للغاية لدرجة أنها تُجزأ إلى آلاف القطع المربعة الصغيرة، المعروفة باسم "البلاطات" (tiles)، والتي تحتوي كل منها على عرض صغير للنسيج. ولفهم ما يحدث في جسم المريض، يجب على أنظمة الكمبيوتر تحليل هذه البلاطات للعثين على علامات المرض، مثل السرطان. وفي السنوات الأخيرة، تم تدريب نماذج ذكاء اصطناعي قوية، تُسمى غالباً النماذج التأسيسية، على التعرف على الأنماط المعقدة في هذه البلاطات بدقة مذهلة. تعمل هذه النماذج كعيون خبيرة، قادرة على رصد الاختلافات الدقيقة بين الأنسجة السليمة والمصابة. ومع ذلك، هناك مشكلة كبيرة في استخدام هذه النماذج في مستشفى حقيقي: فهي بطيئة للغاية ومكلفة للغاية في التشغيل. ولأن الشريحة النسيجية الواحدة يمكن أن تحتوي على عشرات الآلاف من البلاطات، يجب على الكمبيوتر معالجة كل واحدة منها لإجراء التشخيص. هذا النهج الشامل يخلق عنق زجاجة، مما يجعل من الصعب استخدام هذه الأدوات المتقدمة بالسرعة الكافية لرعاية المرضى اليومية.
لقد طور باحثون في معهد دانا فاربر للسرطان وكلية هارفارد الطبية طريقة جديدة لحل هذه المشكلة دون التضحية بالدقة. لقد أنشأوا نظاماً يسمى ADMIL، وهو اختصار لـ "تعلم تعدد الحالات القائم على استخلاص الانتباه" (Attention-Distilled Multiple Instance Learning). الفكرة الجوهرية بسيطة ولكنها قوية: ليست كل بلاطة في الشريحة متساوية في الأهمية. فعندما ينظر نموذج ذكاء اصطناعي مدرب إلى شريحة ما، فإنه يركز انتباهه بشكل طبيعي على عدد صغير جداً من المناطق التي تحمل المعلومات الأكثر أهمية، بينما يتجاهل بقية الأجزاء إلى حد كبير. ويتعلم النظام الجديد محاكاة هذا السلوك؛ حيث يستخدم برنامج كمبيوتر خفيف وسريع لمسح الشريحة بأكملة أولاً والتنبؤ بالبلاطات القليلة التي تعد الأكثر أهمية. وبعد ذلك، يتم إرسال تلك البلاطات المختارة فقط إلى النموذج الخبير البطيء والمكلف لإجراء تحليل مفصل. ومن خلال تخطي الغالبية العظمى من البلاطات غير المهمة، يسرع النظام العملية بشكل كبير.
اختبر الباحثون هذا النهج في ثلاثة تحديات طبية مختلفة تتعلق بسرطان الثدي، وسرطان البروستاتا، وانتقال سرطان الغدد اللمفاوية. وفي كل حالة، بدأوا بنموذج خبير مدرب بالكامل تعلم بالفعل تشخيص المرض من خلال النظر في كل بلاطة على حدة. ثم قاموا بتدريب متنبئهم الجديد والسريع لتخمين البلاطات التي كان النموذج الخبير سيعير انتباهه لها. وبمجرد أن تعلم المتنبئ هذه المهارة، قاموا ببناء نسخة ثانية من نظام التشخيص التي تنظر فقط إلى البلاطات القليلة العليا التي اختارها المتنبئ. كانت النتائج مذهلة؛ فبالنسبة لشرائح سرطان الثدي، حقق النظام نفس المستوى العالي من الدقة مثل النموذج الخبير الكامل من خلال تحليل أربع بلاطات فقط من بين الآلاف. وبالنسبة لسرطان البروستاتا، احتاج النظام إلى ثماني بلاطات فقط. وحتى بالنسبة لمهمة الغدد اللمفاوية الأكثر تعقيداً، تطلب الأمر 128 بلاطة فقط لمطابقة أداء النظام الشامل. وهذا يعني أن الطريقة الجديدة تتجنب تشغيل نموذج الكمبيوتر المكلف على أكثر من 98 في المئة من البلاطات، مما يوفر كمية هائلة من قوة الحوسبة والوقت.
ولضمان أن هذه السرعة لم تأتِ من مجرد التخمين أو الحظ، قارن الباحثون طريقتهم بعدة بدائل. فقد اختبروا ما سيحدث إذا اختاروا بلاطات عشوائية لتحليلها فقط، ووجدوا أن هذا النهج كان أداؤه أسوأ بكتمال، خاصة عندما يكون عدد البلاطات صغيراً. كما قارنوا نظامهم بنسخة "مثالية" نظرية تعرف بالضبط أي البلاطات سيختارها النموذج الخبير. وقد اقتربت طريقتهم الجديدة جداً من هذا السيناريو المثالي، مما أثبت أنها كانت تتعلم بنجاح الأنماط المحددة التي استخدمها النموذج الخبير لاتخاذ القرارات. كما أظهرت الدراسة أن المتنبئ السريع لم يكن يختار البلاطات عشوائياً؛ بل كان يحدد بشكل صحيح الأشكال والهياكل المحددة في الأنسجة التي تهم للتشخيص. وعندما نظر الباحثون في الصور، رأوا أن البلاطات التي اختارها النظام الجديد تحتوي على نفس السمات السرطانية التي سلط النموذج الخبير الضوء عليها.
تشير الدراسة إلى أن التكلفة الحوسبية العالية لنماذج الذكاء الاصطناعي الحالية في علم الأمراض غالباً ما تكون غير ضرورية. فالنماذج الخبيرة قادرة على إيجاد الإجابة الصحيحة، لكنها تهدر الطاقة في معالجة المعلومات الخلفية التي لا تغير النتيجة النهائية. ومن خلال تعليم نموذج أصغر وأسرع للعمل كحارس بوابة، يمكن للنظام تصفية الضوضاء والتركيز فقط على الإشارة. هذا النهج لا يستبدل النماذج الخبيرة القوية، بل يسمح باستخدامها بكفاءة أكبر. ووجد الباحثون أن الطريقة عملت باستمرار عبر أنواع مختلفة من السرطان وأحجام مختلفة من عينات الأنسجة. كما اختبروا ما إذا كان النظام حساساً لكمية البيانات التي تدرب عليها، ووجدوا أنه ظل قوياً حتى عند التدريب بمعلومات أقل. وبينما يضيف النظام قدراً صغيراً من العمل الإضافي أثناء مرحلة التدريب، فإن المدخرات أثناء الاستخدام الفعلي هائلة. يقدم هذا العمل مساراً عملياً لجلب الذكاء الاصطناعي المتقدم عالي الدقة إلى البيئات السريرية حيث تعد السرعة والتكلفة عوامل حاسمة، مما يضمن حصول المرضى على فوائد هذه الأدوات القوية دون انتظار المعالجة الحاسوبية البطيئة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.