A Novel Open-Set Domain Adaptation Framework for Histopathology Image Classification: A Style-Aware and Density-Guided Approach
تقترح هذه الورقة SADG، وهو إطار عمل جديد للتكيف مع النطاق مفتوح المجموعة (Open-Set Domain Adaptation) لتصنيف صور الأنسجة المرضية، يعالج بفعالية كلاً من الانزياحات المشتركة الناجمة عن الصبغة وفئات الأنسجة غير المعروفة من خلال دمج وحدة تصحيح الأسلوب (Style Rectification Module) لتوحيد المظهر، وشبكة تجميع (ClusterNet) قائمة على نموذج الخليط الغاوسي (GMM) مع نظرية القيم المتطرفة (Extreme Value Theory) للكشف عن العينات غير المعروفة الموجه بالكثافة.
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 الطب الحديث، غالبًا ما تكون المجهر هي الأداة الأكثر أهمية لطبيب علم الأمراض. فهم يفحصون شرائح رقيقة من الأنسجة، مصبوغة بصبغات ملونة، لتحديد أمراض مثل السرطان. واليوم، تتعلم الحواسيب أيضًا القيام بهذا العمل، باستخدام الذكاء الاصطناعي لمسح هذه الصور الرقمية ورصد الشذوذات. ومع ذلك، تواجه هذه البرامج الحاسوبية واقعًا عنيدًا: فالصور التي تراها في العالم الحقيقي نادرًا ما تشبه تمامًا الصور التي تدربت عليها. فقد تختلف شريحة تم تحضيرها في مستشفى ما في طريقة صبغها قليلاً أو تم مسحها بجهاز مختلف عن شريحة من مستشفى آخر، مما يؤدي إلى تغير في الألوان والقوام. علاوة على ذلك، قد يواجه برنامج تدرب على التعرف على خمسة أنواع من الأنسجة نوعًا سادسًا لم يره من قبل. وإذا لم يتمكن البرنامج من التعامل مع هذه التغييرات أو التعرف على النسيج الجديد غير المعروف، فقد يرتكب أخطاءً خطيرة، إما بتشخيص خاطئ للمرض أو بالفشل في الإشارة إلى مشكلة جديدة تمامًا.
لقد طور باحثون من جامعة شيراز للتكنولوجيا وجامعة ديكين نهجًا جديدًا لمساعدة هذه الأنظمة الحاسوبية على التنقل في هذا الواقع الفوضوي. فقد ابتكروا إطار عمل يسمى SADG، مصمم خصيصًا للمهمة المعقدة المتمثلة في "تكييف النطاق مفتوح المجموعة" (open-set domain adaptation). وببساء العبارة، يعني هذا تعليم الحاسوب كيفية التكيف مع الأنماط البصرية الجديدة مع تعلم اكتشاف أشياء لم يُدرّب على التعرف عليها في آن واحد. اختبر الفريق طريقتهم على آلاف الصور لأنسجة القولون والمستقيم، وهو موقع شائع للسرطان، باستخدام مجموعتين كبيرتين من البيانات العامة تمثل مستشفيات وظروف صبغ مختلفة. كان هدفهم هو بناء نظام يمكنه تصنيف أنواع الأنسجة المعروفة بدقة حتى عندما تتغير ألوان الصور، مع تحديد متى ينتمي جزء من النسيج إلى فئة غائبة تمامًا عن بيانات التدريب الخاصة بهم.
يكمن جوهر نجاحهم في كيفية تعاملهم مع المشكلتين الرئيسيتين اللتين يواجههما الحاسوب: الاختلافات البصرية والفئات غير المعروفة. أولاً، عالجوا التحولات البصرية. فعند مسح عينة نسيج، يمكن للاختلافات في الإضاءة أو التباين أو الأصباغ الكيميائية المستخدمة أن تجعل نفس النسيج يبدو مختلفًا. وقد بنى الباحثون وحدة خاصة داخل نظامهم تعمل كمرشح (فلتر)؛ فهي تجرد العينات من الاختلافات البصرية السطحية الناتجة عن عملية المسح، بينما تحافظ بعناية على التفاصيل الهيكلية العميقة التي تهم التشخيص فعليًا. وهذا يسمح للحاسوب بالتركيز على شكل وترتيب الخلايا بدلاً من الارتباك بسبب لون الصبغة.
التحدي الثاني، وربما الأكثر صعوبة، هو التعامل مع أنواع الأنسجة غير المعروفة. غالبًا ما تحاول الطرق التقليدية حشر كل صورة جديدة في واحدة من الفئات المعروفة، أو تضع جميع العينات غير المعروفة في سلة واحدة مبهمة تسمى "أخرى". وقد وجد الباحثون هذا النهج معيبًا لأن الأنسجة غير المعروفة ليست جميعها متشابهة؛ فلها هياكلها وأنماطها الداخلية الخاصة. وبدلاً من حشرها في صندوق واحد، يقوم النظام الجديد برسم خريطة لمشهد البيانات. فهو يجمع الصور في مجموعات (clusters) بناءً على كثافتها الطبيعية، مما يخلق خريطة تفصيلية توضح أين تعيش الأنسجة المعروفة وأين توجد الفجوات. ومن خلال فهم هذه الخريطة، يمكن للنظام حساب درجة لكل صورة جديدة. فإذا وقعت الصورة في منطقة كثيفة من الأنسجة المعروفة، يتم تصنيفها بثقة. أما إذا استقرت في منطقة متفرقة أو بعيدة عن أي مجموعة معروفة، فإن النظام يتعرف عليها كشيء جديد.
ولجعل هذا القرار دون الاعتماد على حدود تعسفية، استخدم الفريق تقنية إحصائية تنظر إلى الحواف القصوى لتوزيع البيانات. وهذا يسمح للنظام بتقدير احتمالية أن تكون العينة غير معروفة دون الحاجة إلى قاعدة ثابتة قد تفشل في مواقف مختلفة. كما قدموا طريقة لتعليم الحاسوب أن يكون متواضعًا بشأن تخميناته؛ فعندما يكون النظام غير متأكد، يتم تشجيعه على الاعتراف بعدم اليقين بدلاً من فرض إجابة خاطئة. وعلى العكس من ذلك، عندما يكون النظام واثقًا من نوع نسيج معروف، يتم تعزيزه ليكون أكثر تأكيدًا. هذا التوازن يمنع الحاسوب من تصنيف نسيج جديد غير معروف بثقة كأنه نسيج مألوف.
كانت نتائج اختباراتهم مذهلة. فعندما طبقوا طريقتهم على مجموعات بيانات أنسجة القولون والمستقيم، تفوق النظام باستمرار على التقنيات الحالية المتطورة. وفي سيناريو محدد حيث كان على الحاسوب التكيف من مجموعة بيانات كبيرة إلى أخرى أصغر ذات خصائص مختلفة، حقق دقة بلغت 98.40% في تحديد أنواع الأنسجة المعروفة. والأهم من ذلك، كان بارعًا للغاية في رصد المجهولات، حيث حقق درجة كشف بلغت 97.60% في تكوين اختبار آخر. تشير هذه الأرقام إلى أن النظام لم يتعلم فقط تجاهل التغييرات البصرية المشتتة، بل طور أيضًا حسًا حادًا لمعرفة متى يواجه شيئًا جديدًا تمامًا.
استكشف الباحثون أيضًا كيف ساهمت الأجزاء المختلفة من نظامهم في هذا النجاح. فقد وجدوا أن إزالة الوحدة التي تصفي الاختلافات البصرية تسببت في انخفاض كبير في الأداء، مما يثبت أن التعامل مع تباينات الأسلوب أمر ضروري. وبالمثل، عندما أزالوا الآلية التي ترسم كثافة البيانات، عانى النظام في الفصل بين المعروف وغير المعروف، وغالبًا ما خلط بينهما. واكتشفوا أن عدد المجموعات المستخدمة لرسم خرائط البيانات كان مهمًا للغاية؛ فاستخدام مجموعات كثيرة جدًا أو قليلة جدًا جعل النظام أقل فعالية. ومن خلال إيجاد التوازن الصحيح، ضمنوا أن الحاسوب يمكنه رؤية الغابة والأشجار في آن واحد.
يشير هذا العمل إلى أنه لكي يكون الذكاء الاصطناعي مفيدًا حقًا في الإعدادات السريرية، يجب أن يكون قويًا بما يكفي للتعامل مع التباين الطبيعي للبيانات الطبية. لا يمكن أن يكون أداة جامدة تعمل فقط في ظروف مثالية ومتحكم بها. يوضح إطار عمل SADG أنه من خلال احترام البنية الطبيعية للبيانات وتعليم الحاسوب التعرف على حدوده، يمكننا بناء أنظمة تتسم بالدقة والأمان. ويشير الباحثون إلى أنه بينما تعد طريقتهم خطوة كبيرة للأمام، فإن الهدف النهائي هو إنشاء نماذج يمكنها التكيف بشكل أسرع مع المجالات الجديدة بأقل قدر من الإشراف. وتوفر نتائجهم مسارًا واعدًا نحو ذكاء اصطناٍ يمكنه مساعدة أطباء علم الأمراض في العالم الحقيقي، حيث كل شريحة فريدة وغير المتوقع هو أمر وارد دائمًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.