تعتبر عملية تتبع الورم المتبقي بعد الجراحة خطوة حيوية في منع حدوث الانتكاسات، ومع ذلك، يبقى التحدي الأكبر هو آلية الأتمتة في تحديد الأورام الدبقية (glioma) بعد العمليات الجراحية. في الآونة الأخيرة، برزت نماذج قائمة على المحولات مثل نموذج SwinUNETR، والتي حققت نتائج مبهرة، ولكن دراسات قليلة اختبرت مدى فعاليتها عبر بروتوكولات سريرية مختلفة.

يستعرض هذا البحث الأبليكون (ablation study) نتائج الاختبارات التي أُجريت على مجموعتي بيانات MU-GLIOMA-POST وUCSF-ALPTDG، حيث أظهرت النتائج أن استخدام الخسارة العامة (Generalized Dice Loss - GDL) غير مستقر تحت تغير الفئات: إذ تنخفض دقة الـ WL Dice من 0.88 في مجموعة التحقق الداخلية إلى 0.73 في مجموعة الاختبار الخارجية من UCSF.

لتحسين هذه النتائج، قمنا بدمج تقنيات جديدة مثل تطبيع النسبة المئوية مع التعلم التبايني على مستوى الفوكسلز. كما اقترحنا أيضًا وحدة انتباه تعييني تحت الأبعاد (Subspace-Aware Class Attention - SACA) التي تعيد ضبط ميزات الاختناق، مما يزيد من حساسية الكشف عن الأورام المتزايدة بنسبة 8% (تحسن نسبي قدره 9.1%) على مجموعة التحقق الداخلية.

عند تجميع هذه التحسينات مع نموذج nnU-Net، تم الوصول بكل تكوين مستقر إلى WL Dice قدره 0.94، بينما حققت مجموعة SACA أفضل خطأ على الحدود (HD95) بمقدار 2.92 مم على مجموعة بيانات MU-GLIOMA-POST. تُظهر هذه الابتكارات إمكانيات الذكاء الاصطناعي في تسريع وتحسين دقة عمليات تحديد الأورام بعد الجراحة، مما يقدم آمالاً جديدة لعلاج أكثر فعالية للمرضى.