تواكب نماذج الأمراض الأساسية (Pathology Foundation Models) مسار نحو الاعتماد السريري، لكنها تواجه معضلة رئيسية تتمثل في تعرضها لتباينات غير بيولوجية منهجية ترتبط بمراكز الفحص المختلفة. هذه التباينات، الناتجة عن اختلافات في إعداد الأنسجة، التلوين، والمسح الضوئي، تؤثر بشدة على تمثيلات هذه النماذج، مما يسهل عملية التعلم المختصرة (Shortcut Learning) ويضعف قدرتها على التعميم عبر المجاميع والمؤسسات.

لإصلاح هذا الأمر، تم تطوير مؤشر القوة المقاومة (Robustness Index - RI) لقياس ما إذا كانت الهندسة المحلية للتعبير مهيمنة بواسطة العوامل البيولوجية أو التغيرات غير البيولوجية. ومع ذلك، ضعف تصميم RI التقليدي المستند إلى العد أحيانًا في سعيه لأنه يهمل معلومات المسافة. وقد أظهر الباحثون أن إضافة أوزان المسافة لا يغير كثيرًا في النتائج لأن القيد الأعمق يكمن في التصميم الثابت لجوار العينات ، الذي يخفي التباين على مستوى العينات ويقيم فقط مجموعة فرعية من العينات تعتمد على النموذج.

تم إدخال مقياس جديد يُعرف بهامش القوة المقاومة المشترك (Cross-confounder Robustness Margin - CRoMa)، وهو مقياس يركز على العينة ويقارن مباشرة بين المسافات إلى المطابقات البيولوجية والعوامل البيولوجية المشتتة. يغير منهج CRoMa القوة المقاومة من تقييم موحد إلى توزيع هوامش عبر المجاميع.

أجريت دراسات على تمثيلات مدفونة من 20 دالة ترميز عبر ثلاثة اختبارات وأربعة دالات على اختبار رابع. أظهرت الترتيبات التي استخدمت CRoMa مدى ثبات النتائج عبر البيانات المستخدمة، وكشف توزيع البيانات عن تباين ضخم ضمن النموذج الواحد. وبالإضافة إلى ذلك، احتفظ كل دالة ترميز بعائلة ذات سيطرة من العوامل المربكة في ذيلها السفلي، التي تفاوتت شدة وجودتها بشكل ملحوظ بين النماذج.

تؤطر هذه الملفات الفريدة تعدد جوانب نماذج الاختيار كصفقة باريتو بين القوة المقاومة الاعتيادية والذيل السفلي. كما ارتبطت CRoMa الأعلى بانخفاضات أصغر في الأداء الناتج عن التعلم الموجه. بتحويل الهندسة التمثيلية إلى قراءة مقاومة توزيع توقعات قابلية التعرض للانزلاقات، يوفر CRoMa أساسًا مبدئيًا لتقييم القوة المقاومة واختيار النماذج.

ما رأيكم في أهمية هذه التطورات لتحسين دقة نماذج الأمراض؟ شاركونا آرائكم في التعليقات.