في عالم الصحة الإنجابية، تُعتبر تجزئة الأجنة مؤشرًا حيويًا لتقييم الإمكانيات التطورية للأجنة المخصبة في المختبر (In Vitro Fertilization - IVF). ومع ذلك، تواجه الطرق التقليدية لتصنيف هذه التجزئة العديد من التحديات؛ فالاعتماد على التصنيف اليدوي يفتقر إلى الموضوعية ويكون في كثير من الأحيان غير فعال. في هذا السياق، تعكس الحلول المعتمدة على التعلم العميق (Deep Learning) مشكلات مثل عدم القدرة على التفسير السريري ووجود أخطاء متراكمة في تقدير مناطق التقسيم.

للتغلب على هذه العقبات، كشفت دراسة جديدة عن إطار عمل مبتكر يسمى AttnRegDeepLab (استخدام الانتباه لتحسين التصنيف). يتميز هذا الإطار بمبدأ التعلم المتعدد المهام (Multi-Task Learning - MTL)، حيث يتم تعديل وحدة فك التشفير DeepLabV3+ التقليدية من خلال دمج بوابات الانتباه (Attention Gates) في اتصالات التوصيل، مما يساهم في تقليل الضوضاء الخلوية والحفاظ على تفاصيل الحواف.

أحد أبرز الابتكارات في هذا الإطار هو إدخال رأس الانحدار متعدد المقاييس (Multi-Scale Regression Head) مع آلية إدخال المميزات (Feature Injection)، التي تساعد في انتشار المعايير العالمية للتصنيف في مهمة تقسيم الأنسجة، وتظهر نتائج مبهرة في تصحيح الأخطاء الكمية المتكررة.

كما تم اعتماد استراتيجية تدريب مفككة من مرحلتين لمعالجة تعارض التدرجات في التعلم المتعدد المهام، وتطوير خسارة تعتمد على النطاق للاستفادة من بيانات القوائم الضعيفة. وتوضح النتائج أن هذه المنهجية تحقق دقة تصنيف قوية مع الحفاظ على دقة تقسيم استثنائية، حيث بلغت معامل Dice (0.729) مقارنةً بالحالات الأخرى التي قد تعطي أولوية لتقليل خطأ التصنيف على حساب جودة الحواف.

بإجماله، يوفر هذا البحث حلاً قابلاً للتفسير السريري يمزج بين دقة البيانات البصرية والكمية، مما يعد تقدمًا هامًا في مجال تقييم الأجنة ومساعدة الأطباء في اتخاذ القرارات السريرية.