في خطوة علمية متقدمة، تمثل تقنية الكشف عن الأنماط غير الطبيعية في الصور الطبية تقدمًا ملحوظًا في مجال الرعاية الصحية. يُعتبر الكشف عن الحالات المرضية النادرة أمرًا حيويًا، خاصةً عندما تكون العينات غير الطبيعية المحددة قليلة. تم اقتراح إطار عمل هجيني للكشف عن الأنماط غير الطبيعية، يجمع بين التعلم الذاتي (Self-Supervised Learning) وتقدير الكثافة القائم على الم manifold.

تبدأ العملية من خلال استدعاء الصور الطبية في فضاء ميزات كامن بواسطة بنى تحتية مسبقة التدريب، تتلاءم مع المجال الطبي المحدد. يتمثل الابتكار في تحسين هذه التمثيلات عبر تقنية تكثيف الكثافة (Mean Shift Density Enhancement)، وهي إجراء تكراري يُعنى بتحريك العينات نحو مناطق ذات احتمال أعلى.

بعد ذلك، يتم احتساب درجات الشذوذ باستخدام تقدير كثافة Gaussian في فضاء كامن مُخفَّض الأبعاد (PCA). هذا النظام يعتمد على قياسات المسافة Mahalanobis لقياس الانحراف عن التوزيع العادي المتعلم. يتمثل النموذج في إطار تعليم من فئة واحدة (One-Class Learning)، ويحتاج فقط إلى عينات طبيعية للتدريب.

لقد أظهرت التجارب الواسعة على سبع مجموعات بيانات تصوير طبي أداءً مذهلًا، حيث حققت تقنية MSDE أعلى قيمة AUC في أربعة مجموعات بيانات، وأعلى متوسط دقة في خمسة مجموعات، بما في ذلك أداء شبه مثالي في كشف أورام الدماغ (0.981 AUC/AP). هذه النتائج تمثل مستقبلًا واعدًا لتقنية الكشف عن الأمراض، وتُعزز دورها كأداة دعم اتخاذ القرار السريري، خاصة في البيئات ذات القلة التوسمية، مما يُمهد الطريق لاستخدامها بشكل واسع عبر أنواع متعددة من الصور الطبية.