في عالم الطب الحديث، يعد تحليل الصور الطبية أمراً حيوياً لتشخيص الأورام بدقة. وقد ظهرت تقنيات جديدة لتسهيل هذا التحليل، ومن بينها تقنية التصنيف الضعيف المعتمد على الانتباه (Attention-Based Weakly-Supervised Classification) التي تركز على معالجة الصور الكبيرة مع التعلم القائم على الانتباه.

لكن، كانت المشكلة تتمثل في أن خرائط الانتباه المستخدمة لم تكن دائماً تعكس المواضع الفعلية للتغيرات التشخيصية، مما يقلل من موثوقيتها. في هذا السياق، ربما نتساءل، كيف يمكننا تحسين هذه الخرائط لتصبح وسيلة موثوقة لتحديد الأورام بدقة؟

تأتي الإجابة من خلال تقديم مفهوم "النماذج الخلوية" (Cellular Sheaves)، حيث يتم تجهيز كل نقطة في الرسم البياني فضلاً عن الحواف بمساحة متجهة ذات أبعاد محدودة. وهي تمثل طريقة منهجية للكشف عن التباين المحلي على البيانات المنظمة بشكل بياني. عند تطبيقها على تحديد الأورام في الصور الكاملة، نجحت هذه النماذج في دمج مجالات التباين مع التعلم القائم على الانتباه، مما أنتج خريطة تباين تكشف عن الانسجام بين المميزات المتشابهة، وهذا له أثر كبير في دقة النتائج.

تظهر النتائج أن النماذج المثلى، عند تدريبها بشكل مشترك تحت هذا الهدف، تحقق دقة معدل منطقة تحت المنحنى (AUC) تصل إلى 0.940 على مجموعة بيانات Camelyon16. وبفضل هذا الابتكار، تم الوصول إلى نسبة تفاعل أكثر موثوقية بين التركيز والتشخيص، مما يقدم تفسيرات موثوقة للأطباء عند قراءة الصور.

لم تقتصر نتائج هذا النموذج على مجموعة البيانات الأصلية فقط، بل تم نقله بنجاح إلى شرائح معلمة من Camelyon17، مع الحفاظ على Deli AUC بمعدل 0.932. هذا الإنجاز يبرز فعالية النموذج ويمنحه القدرة على فهم مواضع الأورام سواء كانت معلمة أو غير معلمة.

في الختام، هذا الابتكار يمثل خطوة مهمة نحو تحسين موثوقية تقنيات التصنيف الأوتوماتيكي في مجال الطب، حيث يوفر للأطباء خريطتين تكملان بعضهما البعض لتفسير كل توقع على مستوى الشرائح. فإنه ليس مجرد سجل تقنية جديدة، بل إنه تحول في كيفية فهم التحديات التشخيصية!