في عالم علم الأمراض الحاسوبي، تبرز الحاجة إلى تمثيلات بصرية قادرة على التكيف مع متطلبات متنوعة، مثل الاختلاف في التكبير (magnification) ونوع التلوين (staining) وغيرها من العوامل. يأتي نموذج داكس (DaX) ليحقق هذه التطلعات من خلال استخدام تقنيات التعلم الذاتي (self-supervised learning) المستوحاة من نموذج DINOv3.

يستند نموذج داكس إلى وزن النموذج المستخدم في معالجة الصور الطبيعية، مما يمنحه أساسًا قويًا. ويتميز بتصميمات مبتكرة تشمل تدريب ذي تكبير مستمر (continuous magnification training)، ورؤية الأنسجة عبر مقاييس متعددة (cross-scale tissue views)، بالإضافة إلى تعزيزات مقاومة للتوجهات (orientation-agnostic) ومتينة فيما يتعلق بالاكتساب (acquisition-robust). تحقق هذه التصاميم الربط بين الشكل الخلوي المحلي والمعمارية النسيجية العالمية، مع الحفاظ على تمثيلات كثيفة ومستقرة عبر مقاييس الإدخال المختلفة.

تم إنشاء مجموعة بيانات معيارية (benchmark) بمستوى الشرائح الكاملة (WSI) تضم 161 مهمة ذات دلالة سريرية من 44 مجموعة بيانات عامة، تغطي 28,182 مريضًا و34,394 شريحة عبر أربعة مجالات سريرية وتسع فئات من المهام. تم تقييم جميع النماذج وفق بروتوكول ثابت يتضمن تصحيح المتغيرات، مما يتيح مقارنة قابلة للتكرار أقل حساسية للتغيرات المعتمدة على التقسيم.

عبر هذا المعيار، حقق داكس أعلى أداء متوسط عبر المهام وسجل نقاط تصنيف قوية باستمرار، حيث شهدت التحسينات في مجالات تشخيص الأمراض، وتعريف البيوماركترات (biomarkers)، وتحليل المخاطر والاستجابة. تدعم هذه النتائج داكس كمُشَفِّر بصري قابل للتحويل في علم الأمراض الحاسوبي، وتوفر إطار تقييم موحد لنماذج المستقبل في هذا المجال.

للاستزادة حول نتائج هذا المشروع الرائد يمكنكم زيارة صفحة المشروع. ما رأيكم في هذه التطورات الرائعة في مجال علم الأمراض؟ شاركونا في التعليقات.