في عالم الذكاء الاصطناعي، يعد تصنيف الأشعة السينية لعلاج الأمراض المتعددة تحديًا رئيسيًا في تشخيص التصوير الطبي الذكي. تظهر البيانات السريرية الحقيقية غالبًا توزيعات طويلة الأمد، مما يؤدي إلى انخفاض الأداء عند التعامل مع الأمراض النادرة. هذا التحدي لا يتعلق بنقص البيانات فقط، بل يؤثر عليه أيضًا عامليْن رئيسيين: 1) ضعف تمثيل الآفات النادرة وسط خلفيات تشريحية معقدة، و2) هيمنة الفئات الرئيسية في نمذجة علاقات تزامن التصنيف.

لمواجهة هذه التحديات، نقدم TRCGL-Net، إطار عمل متقدم يعتمد على نموذج تشغيل دفق مشروط يستند إلى النصوص. يقوم هذا النموذج بتوليد عينات عالية الجودة من صور الأشعة السينية لفئات الأمراض النادرة، مما يحسن تنوع البيانات وواقعية أنماط الأمراض النادرة.

علاوة على ذلك، تم إدخال آلية لإعادة وزن القنوات الهدف، مما يسمح بإعادة معايرة الميزات من خلال التركيز على قنوات الميزات ذات الصلة بالأمراض. ويتبين أن هذا الأمر يعزز القدرة التفريقية للميزات تحت توزيعات طويلة الأمد. كما يتم تطبيق آلية انتباه مدركة للفئات لتوليد خرائط انتباه خاصة بكل فئة، مما يمكّن النموذج من تحديد المناطق ذات الصلة بالأمراض والتركيز على مناطق الآفات الدقيقة.

وأخيرًا، تم تقديم شبكة العصبون البياني التي تستند إلى تزامن التصنيف من أجل إقامة آلية لنشر المعلومات بين الفئات. أظهرت التجارب على مجموعة بيانات PadChest أن الطريقة المقترحة تمكنت من تحقيق متوسط دقة للآفات الطويلة بلغ 0.4904، ومتوسط دقة شامل بلغ 0.4408، ومتوسط منطقة تحت منحنى الخصائص (mAUC) بلغ 0.8989، متفوقةً على الأساليب الحديثة.

تسهم TRCGL-Net بشكل فعال في تحسين أداء التعرف على الأمراض النادرة تحت توزيعات طويلة الأمد، وتخفف من تأثير عدم التوازن الشديد في فئات الأشعة السينية متعددة التصنيفات، مما يبشر بمستقبل مشرق لتشخيص الأمراض النادرة بدقة أعلى.