في عالم الطب الحديث، يُعتبر تحليل البقاء مع استخدام الصور الكاملة للخلايا (Whole Slide Images) والملفات الجينية أمراً أساسياً لتقدير حالات السرطان. ومن هنا، ظهرت نماذج محدثة مثل Mamba كأدوات قوية للنمذجة التسلسلية، إلا أنه كان هناك تحديين كبيرين يتعين التغلب عليهما.

أولاً، تستند استراتيجيات الدمج التقليدية على افتراض أن قوة التفاعل بين الوسائط ثابتة، دون مراعاة أهمية كل وسيلة بين المرضى ومناطق التشخيص المختلفة. ثانياً، تُعالج البنية الأساسية لنموذج Mamba الرموز على مسارات مادية محددة مسبقًا، مما ي disrupt استمرارية المعاني للخصائص الطبية الموزعة وهذا يؤدي إلى تدهور في المعلومات البعيدة.

لتجاوز هذه التحديات، يأتي AdaSurvMamba كإطار عمل مبتكر لتحليل البقاء المتعدد الوسائط. يتميز هذا الإطار بوحدات فريدة مثل وحدة إعادة البناء المدركة للاهمية متعددة المقاييس (Dual-Scale Importance-Aware Reconstruction - DSIR) التي تعدل ديناميكياً قوة التفاعل المتعدد الوسائط. تقوم هذه الوحدة بتقييم الأهمية التشخيصية على مستويات التسلسل والرموز لإعادة بناء التمثيلات المدخلة.

كما يتضمن AdaSurvMamba وحدة مسح تجميع السياق الدلالي (Semantic Aggregation Scanning - SAS) التي تعمل على التغلب على تفتت السياقات. هذه الوحدة تعيد تنظيم الرموز المتقطعة في تسلسلات دلالية متسقة، عبر بركة نماذج مشتركة. وتقوم أيضًا بتعديل حجم خطوة الانتقال بين الحالات باستخدام السياق العالمي للوسائط والأفضليات الدلالية، بحيث تتحكم في معدل امتصاص المعلومات بشكل ديناميكي.

أظهرت التجارب التي أجريت على خمسة من مجموعات TCGA نموًا مت consistent عند مقارنتها بالطرق الحالية. يمكنك العثور على الشيفرة المصدرية لهذا الابتكار الرائد هنا.

ما رأيكم في هذا التطور في تحليل بقاء المرضى؟ هل تعتقدون أنه سيساهم في تحسين نتائج العلاج؟ شاركونا في التعليقات!