H-XAI-Cervix: conditional hierarchical learning for cervical-cell classification on Herlev and SIPaKMeD
تُظهر دراسة H-XAI-Cervix أن نموذج EfficientNet-B3 الهرمي الشرطي يتفوق بشكل كبير على المصنفات المسطحة في التمييز بين فئات خلايا عنق الرحم على مجموعة بيانات Herlev، رغم أن هذه الميزة لم تُلاحظ في مجموعة بيانات SIPaKMeD حيث اقترب الأداء من مستوى السقف.
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
في كل عام، تخضع ملايين النساء لاختبار فحص بسيط للتحقق من العلامات المبكرة لسرطان عنق الرحم. يقوم فني بجمع عينة من الخلايا من عنق الرحم، ويصبغها بصبغة خاصة، ثم يضعها تحت المجهر. بعد ذلك، يقوم خبير بشري بفحص هذه الخلايا، بحثاً عن تغيرات دقيقة في شكلها وحجمها ولونها قد تشير إلى وجود مرض. هذه العملية، المعروفة باسم مسحة عنق الرحم (Pap smear)، هي حجر الزاوية في الطب الحديث، ومع ذلك فهي عملية بطيئة، وتتطلب جهداً بشرياً كبيراً، وتعتمد بشكل كبير على مهارة الشخص الذي ينظر عبر العدسة. ولمساعدة تسريع هذه العملية وتقليل الخطأ البشري، قضى العلماء سنوات في تعليم الحواسيب كيفية التعرف على هذه الأنماط الخلوية. والهدف هو بناء ذكاء اصطناعي يمكنه النظر إلى خلية واحدة وتحديد ما إذا كانت سليمة أو تظهر علامات اضطراب، ليعمل كعين ثانية لطبيب علم الأمراض.
يكمن التحدي في كيفية تنظيم هذه الخلايا. في العالم الحقيقي، ليست الملصقات الطبية مجرد قائمة مسطحة من الخيارات غير المرتبطة؛ بل تشكل شجرة عائلة طبيعية. هناك فئات عريضة، مثل "طبيعي" أو "غير طبيعي"، وداخل تلك المجموعات العريضة، توجد تفاصيل محددة وأكثر دقة. إن برنامج الكمبيوتر الذي يعامل كل فئة بمفردها كخيار متساوٍ وغير مرتبط غالباً ما يغفل الروابط المنطقية بينها. فقد يحدد الكمبيوتر بشكل صحيح أن الخلية غير طبيعية، لكنه يفشل في إدراك أنها تنتمي إلى نوع محدد أقل خطورة من حالات عدم الطبيعية، أو العكس. أراد الباحثون معرفة ما إذا كان تعليم الكمبيوتر احترام هيكل العائلة هذا — أي فهم أن نوعاً معيناً من الخلايا يجب أن ينتمي أولاً إلى مجموعة أوسع قبل أن يمكن تحديده كنوع محدد — سيجعله أداة تشخيصية أفضل.
قام باحث باختبار هذه الفكرة باستخدام مجموعتين شهيرتين من صور الخلايا. وبنى نموذجاً حاسوبياً مصمماً لمحاكاة هذا التفكير الهرمي. وبدلاً من مطالبة الكمبيوتر بالاختيار من بين جميع أنواع الخلايا في وقت واحد، أجبره على اتخاذ القرار في خطوات. أولاً، كان على النموذج أن يقرر ما إذا كانت الخلية طبيعية أم غير طبيعية. وفقط بعد اتخاذ هذا الخيار العريض، يمكنه المضي قدماً في تحديد النوع المحدد للخلية ضمن تلك المجموعة. تمت مقارنة هذا النهج، الذي يسميه المؤلف "الهرمية الشرطية"، بنموذج حاسوبي قياسي يحاول تخمين نوع الخلية المحدد مباشرة، دون تصنيفها أولاً في فئة عريضة. واختبر الباحث هذا على مجموعتين مختلفتين من البيانات: إحداهما تحتوي على 917 صورة للخلايا، والأخرى تحتوي على أكثر من 4,000 صورة.
أظهرت النتائج أن الطريقة التي تم بها تعليم الكمبيوتر كانت مهمة، لكن الفائدة اعتمدت كلياً على تعقيد المهمة. فعندما اختبر الباحث النموذج على مجموعة البيانات الأصغر، التي احتوت على خلايا مقسمة إلى سبع فئات مختلفة، أثبت النهج الهرمي أنه أفضل بشكل ملحوظ. فالنموذج الذي فهم شجرة العائلة حدد الفئات العريضة وأنواع الخلايا المحددة بشكل صحيح في كثير من الأحيان أكثر من النموذج القياسي. وفي هذا الاختبار المحدد، حسن النموذج الهرمي دقته بهامش ملحو de، حيث صنف بدقة ما يقرب من 93 بالمائة من الحالات الثنائية (طبيعي مقابل غير طبيعي) وحوالي 74 بالمائة من الأنواع السبعة المحددة. أما النموذج القياسي، الذي تجاهل الهيكل الهرمي، فقد قصر في كلا المجالين. وهذا يشير إلى أنه عندما تتضمن المهمة التمييز بين فئات عديدة متشابهة ومعقدة، فإن إجبار الكمبيوتر على اتباع مسار منطقي يساعده على تجنب الارتباك.
ومع ذلك، تغيرت القصة عندما طبق الباحث نفس الاختبار على مجموعة البيانات الأكبر. احتوت هذه المجموعة على أكثر من 4,000 صورة مع فئات أقل عدداً وأكثر وضوحاً. في هذا السيناريو، كان النموذج الحاسوبي القياسي يعمل بالفعل بمستوى عالٍ جداً، حيث كان يحدد الخلايا بشكل صحيح في معظم الأوقات تقريباً. وعندما أضاف الباحث الهيكل الهرمي إلى هذا النموذج، لم يؤدِ ذلك إلى تحسين النتائج. فالنموذج الذي اتبع شجرة العائلة كان يعمل بنفس كفاءة النموذج الذي لم يتبعها، لكنه لم يصبح أفضل منها. ووجد الباحث أن الطريقة الهرمية حافظت على الدقة العالية للنموذج القياسي، لكنها لم تضف أي قيمة إضافية عندما كانت المهمة سهلة بالنسبة للكمبيوتر.
كما بحثت الدراسة في مدى ثقة الكمبيوتر في إجاباته. في مجموعة البيانات الأصغر والأكثر صعوبة، صنع النموذج الهرمي تمييزات أفضل بين أنواع الخلايا، لكن درجات الثقة الخاصة به كانت أحياناً أقل توافقاً مع الواقع من النموذج القياسي. وفي مجموعة البيانات الأكبر، كان كلا النموذجين مضبوطين جيداً، مما يعني أن مستويات ثقتهما تطابقت مع دقتهما الفعلية. وأكد الباحث أنه بينما ساعد النهج الهرمي الكمبيوتر على التفكير بشكل أكثر منطقية فيما يتعلق بمجموعة الخلايا الأصغر والأكثر تعقيداً، فإنه ليس حلاً سحرياً يحسن تلقائياً كل أنظمة الذكاء الاصطناعي الطبية. لقد اعتمد نجاح الطريقة على الطبيعة المحددة للبيانات وصعوبة مهمة التصنيف.
في نهاية المطاف، يوضح هذا العمل أن هيكل عملية تعلم الكمبيوتر يمكن أن يكون بنفس أهمية البيانات التي يتعلم منها. فمن خلال إجبار الذكاء الاصطناعي على احترام العلاقات الطبيعية بين أنواع الخلايا المختلفة، يمكن للباحثين أحياناً بناء مصنف أكثر ذكاءً ودقة، لا سيما عند التعامل مع التمايزات الطبية الدقيقة والمعقدة. ومع ذلك، فإن هذا التحسن ليس عالمياً؛ فإذا كان الكمبيوتر بارعاً بالفعل في مهمة ما، فإن إضافة هيكل معقد قد لا يفيد. ويحذر المؤلف من أن هذه النتائج تستند إلى صور خلايا معزولة ولا تثبت بعد أن مثل هذا النظام يمكنه تشخيص السرطان لدى مريض حقيقي. وقبل أن يمكن استخدام هذه التكنولوجيا في العيادات، يجب اختبارها على عينات كاملة من الأنسجة وفي بيئات طبية واقعية. وفي الوقت الحالي، تقدم الدراسة درساً واضحاً: في السعي لتعليم الآلات كيف ترى مثل الأطباء، فإن الطريقة التي ننظم بها تفكيرها أمر مهم، ولكن الطريقة الصحيحة تعتمد كلياً على المشكلة التي نحاول حلها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.