💻 computer science

Label Cleaning in Multimodal Public Retinal Image Datasets

حددت هذه الدراسة وصححت بشكل منهجي الضوضاء في التصنيفات ضمن تسعة من مجموعات بيانات صور الشبكية متعددة الوسائط العامة من خلال الجمع بين الفحص الآلي والتحقق من قبل الخبراء، كاشفةً أن ما يقرب من 5.39% من الصور احتوت على أخطاء — بما في ذلك نسب كبيرة من الحالات الخارجة عن التوزيع والحالات متعددة التصنيفات التي تتحدى الأطر التقلية أحادية التصنيف — مع إثبات أن أدوات مثل Cleanlab تقلل بفعالية من أعباء المراجعة اليدوية.

المؤلفون الأصليون: Haoyu Chen, Yongleng Fang, tian lin, Tingkun Shi, Qi Zhang, Zhuangling Lin, Xixuan Ke, Guiqin He, CHAOXIN ZHENG

نُشر 2026-09-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Haoyu Chen, Yongleng Fang, tian lin, Tingkun Shi, Qi Zhang, Zhuangling Lin, Xixuan Ke, Guiqin He, CHAOXIN ZHENG

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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

تُعد العين البشرية نافذة على صحة الجسم، وتعتبر الشبكية في الجزء الخلفي من العين خريطة تترك فيها أمراض مثل السكري واعتلال البقعة الصفراء آثارها الأولى. ولفهم هذه الحالات، يلتقط الأطباء صوراً للشبكية باستخدام كاميرات متخصصة. وفي السنوات الأخيرة، علّم العلماء الحواسيب كيفية قراءة هذه الصور، آملين في بناء ذكاء اصطناعي يمكنه رصد الأمراض بشكل أسرع وأكثر دقة من العين البشرية المتعبة. ولكن لكي يتعلم الكمبيوتر، فإنه يحتاج إلى مكتبة ضخمة من الأمثلة، ويجب أن يأتي كل مثال مع تسمية (وسم) صحيحة، مثل علامة تقول "سليم" أو "مصاب". وإذا كانت التسميات خاطئة، فإن الكمبيوتر سيتعلم دروساً خاطئة. هذه المشكلة المتمثلة في التسميات غير الصحيحة، والمعروفة باسم "ضجيج التسميات" (label noise)، هي عيب خفي في العديد من المجموعات العامة لصور العين. فحتى عدد قليل من التسميات السيئة يمكن أن يضلل الكمبيوتر، مما يتسبب في تفويته لأمراض حقيقية أو اختراع مشكلات لا وجود لها. وقبل أن نتمكن من الوثوق بهؤلاء الأطباء الرقميين، يجب فحص الخرائط التي يدرسونها وتصحيحها.

لقد شرع فريق من الباحثين في تنظيف تسع مجموعات عامة كبيرة من صور الشبكية، والتي تضمنت أنواعاً مختلفة من الصور الفوتوغرافية: صور ملونة قياسية، ومقاطع عرضية، ومشاهد واسعة للغاية تلتقط الجزء الخلفي بأكمله من العين. لقد جمعوا ما يقرب من 35,000 صورة من هذه المصادر وأخضعوها لعملية فحص صارمة. أولاً، استخدموا برنامجاً حاسوبياً مصمماً لرصد الأنماط والتناقضات؛ حيث عمل هذا البرنامج كمرشح عالي الكفاءة، يقوم بمسح الصور للعثور على الصور المكررة، والأنماط الشاذة الغريبة، والصور التي يبدو فيها الوسم متناقضاً مع ما تظهره الصورة بالفعل. وقد حدد البرنامج أكثر من 4,400 صورة مشبوهة، وهي مهمة كانت ستستغرق من الخبراء البشريين أسابيع لإنجازها يدوياً.

بمجرد انتهاء المسح الأولي للكمبيوتر، بدأ العمل الحقيقي. فقد تم تمرير الصور التي تم تحديدها إلى فريق من أطباء العيون، الذين فحصوا كل صورة على حدى. لم تكن هذه نظرة عابرة؛ بل كانت عملية مراجعة منظمة مكونة من أربع مراحل، حيث قام عدة أطباء بتقييم كل صورة بشكل مستقل، وغالباً ما قارنوا ملاحظاتهم مع زملاء أقدم للوصول إلى تشخيص نهائي متفق عليه. كانت خطوة التحقق البشري هذه حاسمة لأنها حولت تخمينات الكمبيوتر إلى حقائق مؤكدة. وقد وجد الأطباء أن الكمبيوتر كان محقاً في شكوكه؛ فمن بين ما يقرب من 35,000 صورة، أكدوا أن 1,884 منها كانت تحمل تسميات غير صحيحة. وهذا يعني أن واحداً من كل 20 صورة تقريباً في هذه المجموعات من البيانات كان موسوماً بالمرض أو الحالة الخاطئة.

كشفت طبيعة هذه الأخطاء عن أمر مهم يتعلق بحدود البيانات الطبية الحالية. فكثير من الأخطاء كانت مجرد عمليات تبديل بسيطة، حيث يتم وضع تسمية مرض معين على صورة لمرض آخر. ومع ذلك، كان جزء كبير من الأخطاء أكثر تعقيداً؛ فقد أظهرت بعض الصور مرضى يعانون من أمراض متعددة في آن واحد، وهو ما لم يستطع نظام التسمية الفردي الأصلي استيعابه. كما أظهرت صور أخرى حالات نادرة لا تندرج تحت الفئات القياسية على الإطلاق، أو صوراً كانت ضبابية للغاية أو رديئة الجودة بحيث لا يمكن إجراء تشخيص موثوق لها. وفي الواقع، وقع ما يقرب من ربع الأخطاء المؤكدة ضمن هذه الفئات "خارج التوزيع" (out-of-distribution)، مما يعني أنها كانت حالات لم يصمم مجموعة البيانات الأصلية للتعامل معها. كما وجد الباحثون مئات الصور المكررة، حيث تظهر نفس الصورة عدة مرات بأسماء مختلفة، مما قد يخدع الكمبيوتر ويجعله يعتقد أنه رأى أدلة أكثر مما رآه في الواقع.

أظهرت الدراسة أن الجمع بين الفحص الآلي والتقدير البشري الخبير هو وسيلة قوية لإصلاح هذه المجموعات من البيانات. لقد نجح البرنامج الحاسوبي في تحديد الغالبية العظمى من الأخطاء، مما قلل من عبء العمل على الأطباء البشريين عبر تصفية الحالات الواضحة وتركيز انتباههم على الحالات الصعبة. وعندما اقترح الكمبيوتر تسمية جديدة لصورة موسومة بشكل خاطئ، كانت تسميته صحيحة في أكثر من نصف الحالات، وفي بعض مجموعات البيانات، كانت صحيحة في كل مرة تقريباً. وهذا يشير إلى أن مثل هذه الأدوات يمكن أن تعمل كخط دفاع أول موثوق، حيث توجه الخبراء إلى الصور التي تحتاج إلى الاهتمام الأكبر. وخلص الباحثون إلى أنه بينما يحمل الذكاء الاصطناعي وعوداً كبيرة لرعاية العيون، فإن البيانات التي يتعلم منها يجب أن تُحفظ وفق معايير عالية. ومن خلال تنظيف مكتبات الصور العامة هذه بشكل منهجي، قدم الفريق أساساً أكثر وضوحاً للأبحاث المستقبلية، مما يضمن أن الجيل القادم من الذكاء الاصطناعي الطبي سيُدرب على الحقيقة لا على الخطأ.

أبحاث مشابهة