في عالم يهتم بالتطورات التكنولوجية، يأتي نظام SAGE (Shape-Adapting Gated Experts) ليقدم حلاً مبتكرًا للتحديات التي تواجه تحليل الصور النسيجية في الكشف عن السرطان. لا يخفى على أحد مدى الاختلاف الكبير في أحجام وأشكال الخلايا، وهو ما يعتبر عقبة رئيسية أمام الأنظمة المعتمدة على الحاسوب في تشخيص الأمراض من صور الجيجابكسل الكاملة (Whole Slide Images - WSIs).

تستخدم الأنظمة الحالية من نوع CNN-Transformer هياكل حساب ثابتة تعتمد على توجيه ثابت، مما يؤدي إلى زيادة التكلفة الحاسوبية ويعقد عملية التكيف مع التغيرات في المدخلات. ولكن مع SAGE، يظهر لنا إطار عمل متكيف يعزز التنقل الديناميكي للخبراء في الشبكات البصرية المتنوعة.

يعتمد SAGE على إعادة تشكيل البنى الثابتة إلى هياكل خبراء موجهة ديناميكيًا، من خلال تصميم مزدوج المسار مع توجيه هرمي وأساس متكيف (Shape-Adapting Hub - SA-Hub) الذي يحقق توازنًا مثاليًا في تمثيلات الميزات بين وحدات الالتفاف (Convolutional) ووحدات المحولات (Transformer).

تحت شعار الابتكار، تم دمج SAGE مع هياكل ConvNeXt وVision Transformer UNet، حيث حقق نموذجنا سجلًا مذهلاً في تقييم Dice بنسبة 95.23% على صورة EBHI، بالإضافة إلى DSC بنسبة 92.78% و91.42% على اختبار GlaS A وB على التوالي. أيضًا، حصل على DSC بنسبة 91.26% على مستوى صورة WSI على DigestPath.

يتيح SAGE تعميمًا قويًا تحت تغيرات التوزيع بفضل توازنه المتكيف بين التحسين المحلي والسياق العام، مما يمهد الطريق لتوجيه ديناميكي للخبراء في الشبكات البصرية، ويساعد على تعزيز التفكير البصري المرن.