تعد عملية تصنيف أنواع النوى في صور الأنسجة النسيجية (Histopathology) من المهام الحيوية التي تؤثر على نتائج علاج الأورام وتقدير تقدم المرض. لكن، هل تساءلت يومًا عن كيفية تحسين هذه العملية باستخدام الذكاء الاصطناعي؟ هنا يأتي دور شبكة AMN (Adaptive Multi-Scale Nuclei Network) التي تمثل ثورة في هذا المجال.

تجمع AMN بين نموذجين قويين: Swin Transformer وResNet-50، حيث يتم دمجهما عبر آلية تحكم تعلمية تعمل على توسيع مشاركتهما في كل مقياس. هذا التصميم الفريد يسمح للنموذج بالتقاط التفاصيل الدقيقة للنوى بجانب السياقات المكانية البعيدة، ما يفتح آفاقًا جديدة في مجال التصنيف.

اعتمدت AMN أسلوب تدريب متقدم يجمع بين أهداف متعددة، حيث تستخدم خسارة تركز على الكلاسات (class-weighted focal loss) وخسارة تعي حدود النوى، بالإضافة إلى مصطلح تصنيف متكيف يوقف التنبؤات الخاطئة بشكل مفرط. هذه الاستراتيجيات أسفرت عن حصول النموذج على متوسط ودرجة Dice تصل إلى 0.82 و F1 تبلغ 0.68 عند تقييمه على معيار CoNIC.

ما يميز AMN هو قدرتها على التفوق على ثمانية نماذج أساسية مختلفة، بما في ذلك نماذج CNN المتخصصة، ونماذج الهجين الحديثة مثل U-Net وDeepLabV3+.

أخيراً، أثبتت AMN قدرتها على تعميم النتائج عبر مجموعة بيانات MoNuSeg، مما يعني أنها تستطيع العمل بكفاءة دون الحاجة لإعادة تدريب، ما يعكس صلابتها في معالجة البيانات المتنوعة.

هل أنت متحمس لرؤية كيف ستغير هذه التكنولوجيا المستقبل في علم الأنسجة؟ شاركونا آراءكم!