تشكل الصور القابلة للتكبير الكامل (Whole Slide Images - WSIs) مصدراً غنياً للمعلومات التشخيصية في مجال علم الأمراض الحاسوبي، ولكن الحجم الضخم للصور، واختلاف الأصباغ، وفروقات الماسحات، والتشوهات النسجية، والخبرة المحدودة في التوصيف تجعل عملية تدريب النماذج قوية وصعبة. في هذا السياق، تم تقديم ProsMAE، وهو إطار متعدد المصادر مُعتمد على تقنية الترميز الذاتي المقنع (Masked Autoencoder) لتحسين تمثيل البيانات في علم الأمراض.

بُنيت استراتيجية ProsMAE على استخدام صور متعددة لمصادر مختلفة تشمل تقييم درجة سرطان البروستاتا (PANDA)، وتحدي تشخيص انتقالات السرطان في الغدد اللمفاوية (CAMELYON17)، وتصنيف سرطان الثدي (BRACS). يسعى ProsMAE إلى تعريض المُشفر (encoder) لمجموعة متنوعة من المورفولوجيا النسجية وظروف التحصيل، مما يُساهم في تحسين دقة التصنيف.

نتائج النموذج، المُعتمد على ProsCLS، أظهرت تسجيل معدل أعلى من تقييم الكابا المربع المُعدل (Quadratic Weighted Kappa - QWK) مقارنةً بالنموذج الأساسي (vanilla MAE). وعلى الرغم من النتائج المشجعة، لا زالت التقييمات المتكررة ضرورية لتعزيز موثوقية النموذج عبر تركيبات مختلفة.

لذا، إن كنت باحثاً أو مختصاً في علم الأمراض، قد يكون ProsMAE أداة مُثيرة للفضول تستحق التجربة.