← أحدث الأبحاث
💻 علوم الحاسوب

A candidate-centred heterogeneous model ensemble improves semi-supervised segmentation of 3–<6 mm pulmonary nodules over a single enhanced Mean Teacher: internal and external testing

تُظهر هذه الدراسة أن نموذجاً تجميعياً غير متجانس ومقيداً بالتطوير يحسن التجزئة شبه المُشرفة للعقيدات الرئوية الصغيرة (3 إلى <6 ملم) مقارنة بنموذج "المعلم المتوسط" (Mean Teacher) المعزز المنفرد في كل من الاختبارات الداخلية والخارجية، رغم أن المكاسب المتواضعة لا تثبت بشكل قاطع أن الأهداف غير المتجانسة تقدم فوائد تتجاوز تأثيرات التجميع العامة.

المؤلفون الأصليون: Hao Li, Zhenhua Zhu, Xiaoxiao Wang, Yong Cheng, Fang Li

نُشر 2026-10-19
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Hao Li, Zhenhua Zhu, Xiaoxiao Wang, Yong Cheng, Fang Li

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 عالم التصوير الطبي، أصبحت الحواسيب تكتسب مهارة متزايدة في قراءة التضاريس المعقدة داخل جسم الإنسان. وتعد إحدى مهامها الأكثر حيوية هي العثور على نموات صغيرة في الرئتين وتحديد حدودها، وهي ما تُعرف بالعقيدات الرئوية. هذه البقع الصغيرة، التي غالباً ما تكون كروية الشكل، يمكن أن تكون علامات مبكرة لأمراض خطيرة، ويحتاج الأطباء إلى معرفة حجمها وشكلها وحجمها بدقة لاتخاذ قرار بشأن أفضل علاج. ومع ذلك، فإن تعليم الكمبيوتر القيام بذلك أمر صعب لأنه يتطلب كمية هائلة من بيانات التدريب حيث قام خبير بشري برسم حدود كل عقيدة بدقة وعناية. هذه العملية بطيئة للغاية ومكلفة، لذا يضطر الباحثون غالباً إلى الاعتماد على التعلم شبه الموجه. يسمح هذا النهج للحواسيب بالتعلم من عدد قليل من الأمثلة المصنفة بدقة، بينما تدرس أيضاً آلاف الصور غير المصنفة لفهم الأنماط العامة لما يبدو عليه الرئة. والهدف هو إنشاء ذكاء اصطناعي يمكنه رؤية هذه البقع الصغيرة والخطيرة بنفس دقة أخصائي الأشعة المتمرس، حتى عندما تكون البيانات التي يتعلم منها غير مكتملة.

لقد عالج فريق من الباحثين في جامعة بكين للعلوم الكيميائية مشكلة محددة ومستعصية في هذا المجال: وهي كيفية تقسيم العقيدات الصغيرة بدقة، وتحديداً تلك التي يتراوح قياسها بين ثلاثة وستة مليمترات. هذه النموات الصغيرة صعبة للغاية لأنها تشغل عدداً قليلاً جداً من البكسلات في المسح الضوئي، بحيث يمكن لخطأ طفيف في رسم حوافها أن يغير الحجم المحسوب بشكل جذري. بدأ الباحثون بطريقة قوية قياسية تُعرف باسم "المعلم المتوسط" (Mean Teacher)، والتي تستخدم نموذج "معلم" لتوجيه نموذج "طالب"، مما يساعد الطالب على التعلم من البيانات المصنفة وغير المصنفة على حد سواء. ومع ذلك، فقد اكتشفوا أن نموذجاً واحداً غالباً ما يعاني من معضلة محددة: فهو يميل إما إلى إغفال أجزاء من العقيدة تماماً أو توسيع الحدود بشكل مفرط لتشمل الأنسجة السليمة المحيطة بها. ولحل هذه المشكلة، قاموا ببناء فريق من أربعة نماذج حاسوبية مختلفة بدلاً من الاعتماد على نموذج واحد فقط. تم تدريب كل نموذج في هذا الفريق بهدف مختلف قليلاً: فبعضها عُلّم أن يكون حذراً جداً لعدم تفويت أي جزء من العقيدة، بينما عُلّمت نماذج أخرى أن تكون صارمة جداً في عدم تضمين الأنسجة السليمة.

لم يكتفِ الباحثون بجعل هذه النماذج تصوت على الإجابة، بل طوروا نظاماً لتثبيت أفضل تركيبة من هذه النماذج الأربعة باستخدام مجموعة صغيرة منفصلة من البيانات لم تُستخدم أبداً في التدريب. تم بعد ذلك اختبار هذا "الاندماج المثبت بالتطوير" (development-locked ensemble) على مجموعتين مختلفتين من المرضى: مجموعة من قاعدة بيانات داخلية، وأخرى من قاعدة بيانات خارجية مختلفة تماماً تسمى (LNDb). ومن الأهمية بمكان أن الفريق لم يقم بتعديل أو إعادة تدريب النماذج لهذه المجموعة الثانية، وهو اختبار صارم لما إذا كان النظام يفهم المهمة حقاً أم أنه قام فقط بحفظ مجموعة المرضى الأولى. أظهرت النتائج أن هذا الفريق من النماذج المتنوعة تفوق باستمرار على النموذج الفردي القياسي. وفي الاختبار الداخلي، نجح الفريق في تحسين دقة الحدود بمقدار صغير ولكن قابل للقياس، وفي الاختبار الخاري، ظل هذا التحسن ثابتاً. لقد عمل النظام بشكل أفضل لأنه وازن بين نقاط القوة المختلفة لأعضائه، حيث استعاد بفعالية أجزاء العقيدة التي فاتتها النماذج الفردية دون السماح بتراكم الأخطاء.

ومع ذلك، كشفت الدراسة أيضاً عن حدود مهمة لهذا النجاح. فبينما كان فريق النماذج أفضل في العث প على العقيدة، فقد فعل ذلك من خلال تحويل سلوكه قليلاً نحو كونه أكثر شمولاً، مما يعني أنه تضمن أحياناً المزيد من الأنسجة السليمة مقارنة بالنموذج الفردي. يشير هذا التنازل إلى أن التحسن جاء من حقيقة أن وجود نماذج متعددة تعمل معاً قلل من الأخطاء العشوائية، وليس من الأهداف المختلفة المحددة لكل نموذج. وعندما قارن الباحثون فريقهم المتنوع بفريق من أربعة نماذج متطابقة، لم يظهر الفريق المتنوع ميزة واضقة ومستمرة عبر جميع الاختبارات. وهذا يشير إلى أن الفائدة الأساسية جاءت من الفعل البسيط المتمثل في دمج تنبؤات مستقلة متعددة، وهي ظاهرة معروفة في الذكاء الاصطناعي، وليس من الاستراتيجية المعقدة المتمثلة في تدريبها بأهداف مختلفة. وتوضح النتائج أنه بينما يوفر أسلوب الاندماج المحدد هذا تحسناً متواضعاً ولكن موثوقاً في العث على العقيدات الرئوية الصغيرة، إلا أنه ليس حلاً سحرياً يحل جميع مشايات التقسيم.

تخلص الدراسة إلى أن هذا النهج يقدم خطوة عملية ومتواضعة للأمام في مجال التصوير الطبي. فمن خلال تثبيت تركيبة النماذج قبل الاختبار، ضمن الباحثون أن نتائجهم لم تكن وليدة الصدفة أو ناتجة عن "الفرط في التخصيص" (over-fitting) لمجموعة بيانات محددة. وقد أثبت النظام قدرته على التعميم على مرضى جدد وغير معروفين، محافظاً على تفوقه على النموذج الفردي في كل من البيئات الداخلية والخارجية. ومع ذلك، يلاحظ المؤلفون بحذر أن هذا ليس حلاً نهائياً؛ فالتحسن، رغم كونه ذا دلالة إحصائية، إلا أنه صغير، كما أن الطريقة تتطلب قدرة حوسبة أكبر لتشغيل أربعة نماذج بدلاً من نموذج واحد. وتسلط الدراسة الضوء على أنه بينما يعد دمج نماذج الذكاء الاصطناوية المتنوعة أداة قوية، فإن الطريقة المحددة لتدريبها يقل أهميتها عن حقيقة عملها معاً. وبالنسبة للمستقبل، يقترح الباحثون أن الخطوة التالية هي اختبار هذه الأنظمة المثبتة في مجموعات جديدة ومستقلة من المرضى، وإيجاد طرق لجعلها أكثر كفاءة، لضمان إتقان التوازن بين العث على كل التفاصيل الدقيقة وتجنب الإنذارات الكاذبة من أجل الاستخدام السريري في العالم الحقيقي.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →