يُعتبر سرطان المعدة (Gastric Adenocarcinoma) أحد الأسباب الرئيسية للوفيات الناتجة عن السرطان حول العالم، حيث تتطلب الرعاية الصحية دقة عالية في تصنيف الأنماط النسيجية لتوفير خطط علاج فعّالة. تظهر الأبحاث الحديثة أن الطرق المتعددة الأنماط التي تجمع بين نصوص تقارير الأمراض وصور الشرائح الكاملة (Whole-Slide Images) يمكن أن تُحسن من دقة التصنيف. ومع ذلك، تعتمد الأساليب الحالية غالبًا على هياكل التحويل (Transformers) المعقدة ونماذج اللغات الكبيرة (Large Language Models)، مما يزيد من تعقيد العملية.

لذا، تم اقتراح إطار عمل حديث يُعرف باسم "تقطير المعرفة متعددة الأنماط" (Multimodal Knowledge Distillation - MKD)، الذي يجمع بين مُشفِّر صور الشرائح الكاملة المدرب مسبقًا ومُشفِّر النصوص السريرية باستخدام تقنية الدمج متعددة الأنماط منخفضة الرتبة (Low-Rank Multimodal Fusion - LMF) من أجل نمذجة التفاعلات عبر الأنماط بشكل فعّال أثناء التدريب.

من خلال هذه الطريقة، يتم تمثيل كل شريحة على أنها مجموعة من القطع المرئية مصحوبة بتعليق تشخيصي على مستوى الشريحة. يقوم نموذج المعلم بتعلّم تمثيلات مدمجة للصورة والنص لتصنيف الأنماط، بينما يقوم نموذج الطالب بتقطير هذه المعرفة لتمكين الاستدلال الدقيق باستخدام الصور فقط. وقد أظهرت التقييمات على مجموعة بيانات PatchGastric أن هذه الطريقة تحقق دقة متوسطة أعلى بنسبة 3.35% على الأقل مقارنةً بالأساليب الحالية الرائدة، دون الحاجة إلى دمج قائم على التحويلات أو التعلم المتعدد المهام أو نماذج اللغات الكبيرة.

الشفرة المصدرية لهذه التقنية متاحة في الرابط [https://github.com/helomelo1/MKD-LMF]، مما يمكّن الباحثين والممارسين من الاستفادة منها في أبحاثهم المستقبلية.