كيف يكشف الذكاء الاصطناعي عن العمى المكاني في تحليل الشرائح الكاملة؟

في عالم الذكاء الاصطناعي، تتزايد الحاجة إلى نماذج فعالة يمكنها تحليل البيانات الطبية بشكل دقيق، خاصة في مجال علم الأمراض حيث تعتبر بنية الأنسجة جزءًا أساسيًا من الإشارة التشخيصية. ومع ذلك، تكشف دراسة جديدة عن مشكلة تتعلق بنماذج التعلم المتعددة للحالات (Multiple Instance Learning) المعروفة بأدائها الجيد، حيث يطلق عليها أحيانًا نماذج واعية للسياق (Context-Aware Models).

تشير هذه الدراسة إلى أن هذه النماذج قد تعاني من "العمى المكاني" (Spatial Blindness)، وهي حالة تتمثل في عدم قدرتها على التعرف على العلاقات المكانية المهمة رغم دقتها العالية. تبين أنه حتى عند تغيير إحداثيات الشرائح، تبقى دقة النموذج غير متأثرة، مما يشير إلى أن تلك النماذج تستخدم استراتيجيات تركيبية بدلاً من الاعتماد على العلاقات المكانية.

تعود أسباب هذه المشكلة إلى طريقة التدريب القائمة على تحسين الإحصاءات الكثيفة لمظاهر الأنسجة، مما يؤدي إلى ضعف الإشارات المتعلقة بالعلاقات المكانية. لمواجهة هذه الإشكالية، قدم الباحثون نموذج ResTopoMIL، الذي يقوم أولاً بتهيئة هيستوجرام نمطي غير حساس للتبديلات، ثم يتم تثبيته أثناء تعلم شجرة رسومية خفيفة الوزن تحت قيود تبديل الإحداثيات.

تتميز هذه الهندسة بتصميمها البسيط، حيث يركز التدخل على كيفية تدريب الفرع المكاني. وقد أظهرت نتائج الدراسة التي أجريت على تسعة نماذج عامة لتحليل الشرائح الكاملة أنها تعزز تصنيف البيانات والتنبؤ بالبقاء مع الحفاظ على عدد منخفض من المعاملات (1.15 مليون معاملة)، كما أنها تستعيد الحساسية لتغييرات الإحداثيات وتقدم أدلة توطينية أقوى.