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

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

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

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

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