تحمل دراسة جديدة عنوان CMCNet، حيث تقدم أداة مبتكرة تهدف إلى تحسين تصنيف الغدة الدرقية من خلال تقنيات الذكاء الاصطناعي. يعتبر التصوير بالأشعة فوق الصوتية (Ultrasound) الوسيلة الأساسية لتقييم العقيدات في الغدة الدرقية، حيث تمثل إطار عمل TI-RADS المعيار المعتمد لتحديد المخاطر اعتمادًا على خمسة فئات من الميزات.
على الرغم من أن هذا الإطار مستخدم على نطاق واسع في الممارسة السريرية، فإن معظم أساليب التعلم العميق تركز على التصنيف الثنائي للسرطان، في حين أن التنبؤ متعدد الفئات واستخدام إشراف الميزات لا يزالان غير مستكشَفين بشكل كافٍ، وذلك بسبب نقص البيانات المعلَّمة.
لتجاوز هذه التحديات، تم تقديم مجموعة بيانات STN التي تحتوي على 600 عقيدة درقية مع صور أشعة رُقِمَت بالطول والعرض، وتعليقات توضيحية تتضمن صناديق حدودية، وعلامات كاملة لجميع الفئات الخمس للميزات المطلوبة من TI-RADS.
تدرس الدراسة كيف يمكن أن تُوجه المعلومات الهيكلية للميزات عملية التعلم أثناء التدريب، بينما تتطلب فقط الصور أثناء التقييم. وتم إثبات أن استخدام التضمينات النصية المشتقة من أوصاف الميزات القياسية يمثل تمثيلاً مستقراً لمستويات مخاطر TI-RADS.
من خلال هذه الملاحظة، تم اقتراح CMCNet، الذي يقوم بمواءمة تضمينات الصور مع تضمينات نصية ثابتة عبر استخدام خسارة التباين المركزية، مما يشجع على التجميع الداخلي للفئات والتفريق بين الفئات المختلفة.
أظهرت التجارب أن استراتيجية مواءمة التضمين هذه أكثر كفاءة من حيث البيانات، بالإضافة إلى أنها قوية مقارنة بالمناهج الأخرى، وحققت نتائج متفوقة في ظروف غير متوازنة، مما يُظهر بوضوح فائدة هذه التقنية في تحسين نتائج التشخيص.
إذا كنتم مهتمين بالتفاصيل، يمكنكم الوصول إلى مجموعة البيانات الأكاديمية من خلال الرابط doi: 10.5281/zenodo.19125693 ورمز المصدر متوفر أيضًا على موقع مختبر المعلومات الصحية.