شهد مجال علم الأمراض الرقمية نمواً ملحوظاً مع الحاجة الملحة لوضع آليات فعالة لفهرسة واسترجاع صور الشرائح الكاملة (WSIs). أصبحت هذه الحاجة أكثر إلحاحاً بفضل تدفقات العمل المتقدمة التي تستخدم الذكاء الاصطناعي، مثل جيل مُعزز بالاسترجاع (RAG)، والتي تعتمد بصورة كبيرة على البحث عن التشابه لدعم اتخاذ القرارات السريرية الهامة.

ومع ذلك، يواجه العديد من المؤسسات الصحية تحديات جسيمة بسبب الكلفة العالية للتخزين عالي الأداء، مما يقيد قدرة هذه المؤسسات على توسيع نطاق فهرسة WSIs. في هذا السياق، برزت طرق تهدف لتقليل الطلبات التخزينية مع الحفاظ على دقة الاسترجاع كأولوية بحث حيوية.

نقدم في هذه الدراسة استراتيجية ARReST (استراتيجية تقليل الاستخدام الزائد المعكوس)، وهي إطار عمل معارض يستغل التكرار الموجود عبر فئات الأنسجة المختلفة لتقليل عدد اللقطات (patches) التي يجب أن يتم فهرستها من كل صورة شريحة. بدلاً من القضاء فقط على التكرارات ضمن الفئة الواحدة، تقوم ArRest بتحديد اللقطات المتناقضة التي تساهم بشكل ضئيل في التمييز بين الفئات المختلفة، ثم تقوم بإزالتها من الأرشيف القابل للبحث.

تساهم هذه التقنيات المستهدفة في ضغط الفهرس بشكل كبير دون المساس بتنوع الأشكال أو دقة الاسترجاع. من خلال تقليل التمثيل الزائد، تساهم ARReST في تقليص المساحة التخزينية المطلوبة، وتقليل التحميل الحاسوبي، وتسريع البحث عن التشابه عبر مستودعات علم الأمراض الكبرى.

أظهرت التجارب التي أجريت على مستودع TCGA (وراثة السرطان) المكون من 21 عضوًا أن ARReST يُحقق ضغطًا كبيرًا في الفهارس، مع الحفاظ على أداء استرجاع منافس. يمكن تحقيق وفورات التخزين المتتالية التي تتراوح بين 3% إلى 60% (14%±13%) بشكل موثوق دون التأثير على أداء الاسترجاع للكثير من الأعضاء.

تسمح الاستراتيجية المقترحة بفهرسة WSIs بشكل قابل للتوسع بتكلفة فعالة، مما يجعلها مناسبة تماماً لنظم الذكاء الاصطناعي السريرية المعتمدة على الاسترجاع في المستقبل.