تعد تقنيات التعلم المتعدد للعينات (Multi Instance Learning - MIL) من أبرز الاتجاهات في تحليل الصور الطبية، ولكن ما زالت تواجه العديد من التحديات، خاصة عند العمل مع بيانات محدودة. في هذا السياق، توصل الباحثون إلى إطار عمل مبتكر يستفيد من نماذج تعليمية أساسية لتعزيز قدرات MIL.

تعتبر مشكلة تدريب نماذج MIL التقليدية معتمدة على بيانات متعددة حالة صعبة، حيث أنها غالباً ما تكون غير مستقرة وتعرضت لمشكلات مثل الإفراط في التكييف. ولهذا السبب، أطلق الباحثون فكرة استخدام نموذجين تعليميين متعددي الطبقات، TITAN وCARE، لتسريع ودعم عمليات التعلم.

تقوم فكرة الإطار الجديد على عملية التقطير المعرفي، حيث تقوم النماذج التعليمية بنقل المعرفة إلى مجموعات متنوعة من معمارية MIL. ومن خلال استخدام خسارة التقطير المنضبطة، يتم تحسين التوازن بين التعليم من النماذج المختلفة، مما يؤثر إيجابياً على أداء الخوارزميات.

وتشير نتائج التجارب التي أجريت على 15 مجموعة بيانات مرجعية إلى أن النماذج المعدة مسبقًا تقدم أداءً أفضل بشكل ملحوظ مقارنة بالتدريب التقليدي من الصفر، خاصةً عند استخدام تقنيات الفحص الخطي أو السيناريوهات التي تتطلب عددًا قليلاً من الأمثلة.

بالإضافة إلى ذلك، تبين أن هذه النماذج تحتفظ بكفاءة حسابية عالية، مما يجعلها ملائمة للاستخدام في مجموعة واسعة من التطبيقات السريرية. لمزيد من التفاصيل، يمكن العثور على الشيفرة البرمجية المستخدمة في البحث على GitHub. هل تعتقد أن هذا الإطار الجديد سيحدث فرقاً في مجال تحليل الصور الطبية؟ شاركونا آراءكم!