يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة بحثية

RareCode: إطار عمل للتعلم العميق غير الخاضع للإشراف للكشف عن الشذوذ في الصور النسيجية المرضية لسرطان القولون والمستقيم

3 مشاهدة

⸱

DOI:

10.3791/72303

⸱

سبتمبر 22, 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1School of Computer Science and Engineering, Anhui University of Science and Technology, 2School of Medicine, Anhui University of Science and Technology, 3School of Electrical and Information Engineering, Anhui University of Science and Technology, 4The First Hospital, Anhui University of Science and Technology, 5School of Safety Science and Engineering, Anhui University of Science and Technology, 6Department of Pathology, Shenzhen People's Hospital, The Second Clinical Medical College, Jinan University, 7The First Affiliated Hospital, Southern University of Science and Technology, 8Anhui Provincial Academician Workstation of Anhui University of Science and Technology for Autoimmune Disease Diagnostic Technology

في هذه المقالة

ملخص

تقدم هذه الدراسة RareCode، وهو إطار عمل للتعلم العميق غير الخاضع للإشراف يكتشف الشذوذ في الصور النسيجية المرضية لسرطان القولون والمستقيم من خلال تحليل ندرة تنشيط دفتر الرموز (CAR)، مع إمكانية المساعدة في الفحص المسبق دون الحاجة إلى بيانات تدريب مصنفة.

الملخص

تم استكشاف الكشف غير الخاضع للإشراف عن الشذوذ في الصور الهيستوباثولوجية على نطاق واسع باستخدام نهج قائمة على إعادة البناء التي تقيس أخطاء إعادة البناء، ومع ذلك، غالبًا ما تفشل هذه الطرق في التقاط الاختلافات المرضية الدقيقة على المستوى الدلالي بسبب التباين المتأصل في أنسجة الأنسجة. ولمعالجة هذا القصور، تقدم هذه الدراسة RareCode، وهو إطار عمل قائم على التكميم الاتجاهي يوسع نموذج الكشف ليتجاوز إعادة البناء على مستوى البكسل ليشمل تحليل تنشيط دفتر الرموز (codebook) على المستوى الدلالي. يتمثل الابتكار الجوهري في تسجيل ندرة تنشيط دفتر الرموز (CAR)، والذي يحدد تكرار تنشيط كل إدخال في دفتر الرموز أثناء التدريب على عينات طبيعية حصريًا، ويضع علامة على التنشيطات غير المتكررة كمؤشرات للشذوذ في وقت الاستنتاج، مما يكمل أخطاء إعادة البناء بتمييز على المستوى الدلالي. وبناءً على آلية CAR أحادية المقياس هذه، تم تقديم وحدة دفتر الرموز الهرمي متعدد المقاييس (MHC)، والتي تستخدم دفاتر رموز بأحجام متفاوتة مع أوزان دمج قابلة للتعلم لالتقاط الأنماط المرضية التي تمتد من الهياكل الخشنة على مستوى النسيج إلى التفاصيل الدقيقة على المستوى الخلوي. ومن خلال الاستفادة من التصميم متعدد المقاييس، يتم إنشاء خرائط حرارية هرمية للشذوذ عند كل مستوى من مستويات دقة دفتر الرموز، مما يوفر لأطباء الباثولوجيا إشارات تحديد موقع بصرية متعددة الأبعاد وقابلة للتفسير توضح مكان ومستوى الهيكل الذي يحدث فيه الشذوذ. وقد أظهر التحقق المتقاطع خماسي الطيات على مجموعة بيانات لصور هيستوباثولوجية لسرطان القولون والمستقيم مشروحة سريريًا تم الحصول عليها من مستشفى شنزن الشعبي أن RareCode يحقق مساحة تحت المنحنى (AUC) تبلغ 96.82%، متفوقًا بذلك على الطرق المرجعية. وأظهر تحليل كل فئة أداءً أقوى في الكشف عن السرطان (AUC = 99.44%، النوعية = 94.21%) مقارنة بالكشف عن الالتهاب (AUC = 94.30%، النوعية = 60.44%). وتشير هذه النتائج إلى أن تحليل CAR قد يوفر نهجًا واعدًا غير خاضع للإشراف للكشف عن الشذوذ الهيستوباثولوجي، مما قد يساعد في الفحص السريري المسبق لتشخيص سرطان القولون والمستقيم.

المقدمة

لا يزال الفحص الهيستوباثولوجي الموثوق لسرطان القولون والمستقيم مقيداً بعمليات التوصيف من قبل الخبراء والمراجعة اليدوية، لا سيما عندما تظهر الآفات الالتهابية والأورام الخبيثة مورفولوجيا متداخلة1,2. وتحفز هذه القيود تطوير مناهج حوسبية غير خاضعة للإشراف تتعلم من الأنسجة الطبيعية دون الحاجة إلى توصيفات شاملة للحالات غير الطبيعية3,4.

تتجلى الضرورة السريرية للفحص الهيستوباثولوجي المؤتمت من خلال الخلل المتزايد بين الطلب التشخيصي والخبرات المتاحة في علم الأمراض، حيث ارتفع عبء العمل التشخيصي لكل طبيب أمراض في الولايات المتحدة بنسبة تزيد عن 40% خلال عقد واحد فقط، في حين استمر تقلص القوى العاملة في هذا التخصص5. وفي حالات سرطان القولون والمستقيم (CRC)، ارتبطت برامج الفحص المنظمة بانخفاض معدلات الوفيات بنسبة تتراوح بين 29-68%6، ومع ذلك لا تزال القدرة على المراجعة الباثولوجية اليدوية محدودة بسبب توفر القوى العاملة. ومن شأن وجود نظام فحص أولي مؤتمت يحدد الحالات المشتبه بها بدقة للمراجعة ذات الأولوية أن يساعد في تخفيف هذا العبء وتحسين أوقات إنجاز التشخيص. ومع ذلك، فإن نشر مثل هذه الأنظمة يتطلب حساسية عالية لتجنب تفويت الحالات الإيجابية الحقيقية، ونوعية كافية لمنع الإنذارات الكاذبة المفرطة7.

أصبح الكشف غير الخاضع للإشراف عن الشذوذ (UAD) ذا أهمية متزايدة في تحليل الصور الطبية8 نظراً لقدرته على نمذجة توزيعات الأنسجة الطبيعية دون الحاجة إلى تسميات تدريبية للشذوذ3,9,10. وتحدد النماذج القائمة على إعادة البناء، بما في ذلك المشفرات التلقائية، والمشفرات التلقائية التباينية، والشبكات التنافسية التوليدية، والمتغيرات المعززة بالذاكرة، الشذوذ من خلال أخطاء إعادة البناء، إلا أن فك التشفير عالي السعة قد يظل قادراً على إعادة بناء المناطق الشاذة بدقة عالية11,12,13,14,15,16,17. وتستخدم الطرق القائمة على الميزات مثل PatchCore و PaDiM تمثيلات مسبقة التدريب، على الرغم من أن الميزات المتعلمة من الصور الطبيعية قد لا تلتقط بالكامل اللانمطية المجهرية في علم الأمراض النسيجي18,19,20,21. وتوفر النماذج التأسيسية الخاصة بعلم الأمراض وكاشفات الشذوذ القائمة على الانتشار بدائل قوية، ولكن متطلبات البيانات أو التكاليف الحسابية قد تحد من استخدامها المباشر في الفحص عالي الإنتاجية22,23. وتوضح الطرق الآلية والتطورية الحديثة، مثل EvoAAE24 و MoARNN-AM25، بشكل أكبر قيمة التحسين التكيفي للنماذج في الكشف عن الشذوذ، على الرغم من أن سياقات تطبيقها تختلف عن تحليل الصور المرضية النسيجية. وفي المقابل، تفرض الطرق القائمة على التكميم الاتجاهي (VQ) قيوداً على دفتر الرموز المنفصل يمكن أن تقلل من تعيين التطابق؛ ومع ذلك، لا تزال مناهج VQ الحالية تعتمد بشكل أساسي على أخطاء إعادة البناء المكانية ولا تستغل بشكل كافٍ المعلومات الدلالية الموجودة في أنماط تنشيط دفتر الرموز26,27.

على الرغم من أن الطرق المذكورة سابقاً تظهر أداءً واعداً في المجالات العامة، إلا أن تطبيقها على السيناريوهات الهيستوباثولوجية المعقدة يواجه تحديات محددة. وتتميز الصور الهيستوباثولوجية بتغاير نسيجي معقد عبر مستويات هيكلية متعددة28. وفي الممارسة العملية، يعمل تحليل الصور عادةً على رقع صور محلية مستخرجة من مقاطع نسيجية، ويكون التشخيص الباثولوجي بطبيعته عابر للمقاييس: حيث يقيم أطباء الباثولوجيا مورفولوجيا الغدد والأنسجة عند تكبير منخفض، بينما يفحصون تعدد الأشكال النووي والأشكال الانقسامية عند تكبير عالٍ29. لقد حددنا ثلاثة قيود رئيسية في المنهجيات الحالية: أولاً، تظهر الشذوذات الباثولوجية والأنسجة الطبيعية تشابهاً كبيراً في السمات البصرية منخفضة المستوى مثل أنماط الصبغ والقوام المحلي، مما يؤدي إلى فشل الطرق القائمة على إعادة البناء في اكتشاف الشذوذات الدقيقة، حيث قد تنتج كل من العينات الطبيعية والشاذة جودة إعادة بناء مماثلة على المستوى الدلالي. ثانياً، تعتمد معظم الطرق الحالية على استخراج السمات بمقياس واحد، مما يجعل من الصعب التقاط السمات الشاذة على المستويين النسيجي والخلوي في آن واحد30,31. ثالثاً، على الرغم من قدرة الطرق السائدة على توليد خرائط حرارية على مستوى البكسل، إلا أنها غالباً ما تفشل في التقاط السمات الهرمية للشذوذات بشكل بديهي، مما يحد من فائدة هذه النماذج كأدوات مساعدة في التشخيص السريري.

لمعالجة التحديات المذكورة أعلاه، نقترح RareCode، وهو إطار عمل للكشف عن الشذوذ غير الخاضع للإشراف (UAD) يستكشف أنماط تنشيط دفتر الرموز والتمثيل الهرمي للميزات عند مستويات متعددة من التجريد. يقدم إطار العمل ثلاثة مكونات رئيسية: (1) آلية تسجيل ندرة تنشيط دفتر الرموز (CAR)، والتي تحسب درجات الندرة بناءً على ترددات تنشيط المدخلات التي تم تدريبها حصرياً على عينات طبيعية، مما يميز العينات الطبيعية عن الشاذة على المستوى الدلالي ويوفر إشارات تمييزية تكميلية لأخطاء إعادة البناء المكانية التقليدية. (2) بنية دمج دفتر الرموز الهرمي متعدد المقاييس (MHC)، والتي تلتقط الميزات المرضية عند مستويات متعددة من الدقة — بدءاً من الأنماط الهيكلية العامة وصولاً إلى التفاصيل الخلوية دقيقة الحبيبات — من خلال استخدام دفاتر رموز بسعات متفاوتة، مع تحقيق دمج تكيفي عبر أوزان قابلة للتعلم. (3) وحدة التحديد الموضعي الهرمية القابلة للتفسير، والتي تستفيد من البنية متعددة المقاييس لتوليد خرائط حرارية للشذوذ بدرجات دقة مختلفة، مما يوفر لأطباء علم الأمراض مراجع تشخيصية قابلة للتفسير دلالياً ومتعددة المقاييس.

كانت الفرضية الأساسية لهذه الدراسة هي أن ملفات تكرار تنشيط كتاب الرموز (codebook activation-frequency profiles) المستمدة من كتب رموز تم تدريبها حصرياً على صور نسيجية طبيعية للقولون والمستقيم، يمكنها ترميز معلومات دلالية ذات صلة بالشذوذ تتجاوز خطأ إعادة البناء على مستوى البكسل، وأن التكامل متعدد المقاييس لهذه الإشارات التكاملية من شأنه أن يحسن تمييز الصور التي تحتوي على أنسجة سرطانية أو التهابية عن الصور الطبيعية مقارنة بطرق كشف الشذوذ غير الخاضعة للإشراف (UAD) الممثلة، وذلك بتقييمها بشكل أساسي من خلال المساحة تحت المنحنى (AUC). ولاختبار هذه الفرضية، قمنا بتقييم RareCode باستخدام التحقق المتقاطع خماسي الطيات (5-fold cross-validation) على مجموعة بيانات لسرطان القولون والمستقيم (CRC) مُصنفة سريرياً، وأجرينا تحليلات الاستئصال والتوطين لفحص مساهمات المكونات الأساسية وقابلية تفسيرها.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

تمت الموافقة على هذه الدراسة من قبل لجنة أخلاقيات البحوث السريرية في مستشفى شينزين الشعبي (رقم الموافقة LL-KY-2025300-01). وقد أعفت لجنة الأخلاقيات من شرط الحصول على الموافقة المستنيرة لأن هذه الدراسة الاسترجاعية اعتمدت على صور نسيجية مرضية ومواد سريرية موجودة مسبقاً دون أي اتصال مباشر بالمرضى أو تدخل طبي. كما تم تجهيل كافة البيانات السريرية والصور النسيجية المرضية قبل التحليل، ولم يتم استخدام أي معلومات تحدد هوية الأشخاص في هذه الدراسة. وقد تم التعامل مع جميع البيانات المستخدمة في هذا البحث وفقاً للمعايير الأخلاقية للجان البحوث المؤسسية والوطنية.

نظرة عامة على إطار العمل
يظهر الهيكل العام لإطار عمل UAD المقترح، RareCode، في الشكل 1. يعتمد إطار العمل بنية متوازية ذات فرعين؛ فلكل صورة إدخال بحجم 512 × 512، يتم استخراج رقع غير متداخلة بحجم 32 × 32 و 64 × 64 كمدخلات دقيقة وواسعة النطاق على التوالي. يتم تغيير حجم الرقع ذات الـ 64 × 64 إلى 32 × 32 قبل تمريرها إلى الشبكة، بحيث يتشارك كلا الفرعين في نفس حجم إدخال المشفر-المفكك (encoder-decoder) مع الحفاظ على مجالات استقبال مختلفة. تقوم المشفرات في كل فرع برسم خرائط للميزات المستخرجة في فضاء كامن، حيث تفرض وحدة MHC قيود التجزئة. لاحقاً، تقوم المفككات بإعادة بناء الصورة من الميزات المكممة لحساب أخطاء إعادة البناء في المجال المكاني. بعد ذلك، تقيس آلية CAR درجة الشذوذ على المستوى الدلالي من خلال تحليل ترددات تنشيط دليل الرموز (codebook). وأخيراً، يدمج النموذج درجات إعادة البناء ودرجات CAR من خلال دمج موزون للحصول على درجات الشذوذ على مستوى الصورة. يتم تدريب إطار عمل RareCode بشكل شامل (end-to-end) باستخدام العينات الطبيعية فقط، دون الحاجة إلى تعليقات توضيحية للشذوذ. وقد استُخدم تصميم الفرعين لالتقاط كل من الميزات الخلوية المحلية والهياكل الغدية الأوسع، بينما استُخدمت وحدة MHC لنمذجة هذه الميزات باستخدام أدلة رموز بسعات مختلفة.

بنية المشفر-المفكك (Encoder-decoder architecture)
يقوم RareCode ببناء مشفرات ومفككات مستقلة هيكلياً للفروع ذات المقياس الدقيق والمقياس الخشن. يستخدم كل فرع نفس تصميم المشفر-المفكك ولكن دون مشاركة المعلمات. يتكون المشفر من أربع كتل تلافيفية، تشتمل كل منها على تلافيف 3 x 3، وتطبيع الدفعة (batch normalization)، وتنشيط ReLU، وإسقاط (dropout). يزداد عرض القناة من 64 إلى 128، ثم إلى 256، ويتم تسطيح خريطة الميزات النهائية وإسقاطها في تضمين كامن ذي 64 بُعداً. أما المفكك فيعكس تصميم المشفر بطبقة إسقاط متصلة بالكامل تليها أربع طبقات تلافيف منقولة (transposed convolution layers)، مما يعيد بناء كل رقعة إلى حجم الإدخال الأصلي للشبكة. يتم حساب خطأ إعادة البناء كمتوسط مربع الخطأ بين الرقع المدخلة والرقع المعاد بناؤها. ومن خلال الجمع بين بنية المشفر-المفكك هذه وقيود دفتر الرموز المنفصلة، يتعلم RareCode تمثيلات مدمجة للأنسجة الطبيعية ويقيس الانحرافات أثناء عملية الاستنتاج.

دفتر رموز هرمي متعدد المقاييس
لالتقاط السمات المرضية عند مستويات متعددة من التجريد - بدءًا من أنماط الأنسجة الواسعة وصولاً إلى التباينات الخلوية الموضعية - تستخدم وحدة MHC عدد K من دفاتر الرموز المنفصلة figure-protocol-1 بسعات متفاوتة n1، n2، ...، nK. في تكوين FourScales النهائي، يحتوي كل فرع على أربعة دفاتر رموز تتضمن 64 و 128 و 256 و 512 إدخالاً على التوالي، ولكل إدخال في دفتر الرموز تضمين (embedding) ذو 64 بُعداً. وبالنسبة لكل سمة رقعة مشفرة، يتم اختيار أقرب إدخال في دفتر الرموز وفقاً للمسافة الإقليدية. ثم يتم دمج المخرجات المكممة من دفاتر الرموز المختلفة باستخدام أوزان قابلة للتعلم يتم توحيدها عبر دفاتر الرموز. ومن المتوقع أن تقوم دفاتر الرموز الأصغر، بسبب قيود الضغط القوية، بتشفير أنماط نموذجية خشنة الحبيبات تجرد التباينات المحلية، بينما تحافظ دفاتر الرموز الأكبر على سمات أدق حبيبات تلتقط خصائص هيكلية أكثر تحديداً. لكل دفتر رموز figure-protocol-2، حيث يمثل ek(i) figure-protocol-3 Rd متجه التضمين رقم i في دفتر الرموز رقم k، يتم تعيين السمات المستمرة إلى فضاء دفتر الرموز المنفصل عبر البحث عن أقرب جار (المعادلتين 1 و 2):

figure-protocol-4

figure-protocol-5

لتحقيق دمج تكيفي للميزات متعددة المقاييس، نقوم بإدخال أوزان قابلة للتعلم. وبعد إجراء تسوية softmax، يتم إجراء جمع موزون للمخرجات المكممة من كل كتاب رموز (المعادلة 3):

figure-protocol-6

حيث تشير σ(·) إلى دالة softmax، مما يضمن استيفاء الأوزان للمعادلة Σk σ(wk) = 1. يتيح هذا التصميم للنموذج ضبط نسب المساهمة لدفاتر الرموز (codebooks) تلقائيًا عند مستويات دقة مختلفة بناءً على المحتوى الدلالي لميزات الإدخال.

لتحسين تعلم دفتر الرموز (codebook)، نعتمد دالة خسارة VQ القياسية (المعادلة 4):

figure-protocol-7

حيث تشير sg[·] إلى عملية إيقاف التدرج (stop-gradient)، ويمثل β = 0.25 معامل وزن خسارة الالتزام. يحفز الحد الأول نواقل دفتر الرموز (codebook vectors) للتحرك نحو مخرجات المشفر، بينما يحفز الحد الثاني مخرجات المشفر على البقاء متسقة مع نواقل دفتر الرموز المقابلة لها. وتظهر الآلية الكاملة للكمية المتجهة متعددة المقاييس (multi-scale VQ) موصحة في الشكل 2.

تسجيل ندرة تنشيط دفتر الرموز
يقيس CAR الشذوذ على المستوى الدلالي بناءً على إحصائيات تنشيط دفتر الرموز المقدرة من عينات التدريب الطبيعية. بعد تدريب النموذج، تم تمرير جميع صور التدريب الطبيعية عبر المشفر ووحدة MHC دون استخدام تعزيز البيانات. وبالنسبة لكل فرع وكل دفتر رموز، تم تسجيل مؤشر التعيين لكل ميزة رقعة، وحساب عدد التعيينات لكل إدخال في دفتر الرموز. ثم تم تطبيع هذه الحسابات للحصول على توزيع تكرار التنشيط لدفتر الرموز هذا (المعادلة 5):

figure-protocol-8

خلال مرحلة الاستدلال، تمت معالجة كل صورة اختبار عبر نفس إجراء استخراج الرقع، والترميز، وتعيين دفتر رموز الجار الأقرب. وبالنسبة لكل إدخال معين في دفتر الرموز، يتم حساب درجة الندرة على أنها اللوغاريتم السالب لتردد تنشيطه في مجموعة التدريب الطبيعية (المعادلة 6):

figure-protocol-9

حيث ε هو ثابت صغير يُستخدم لتحقيق الاستقرار العددي. وبناءً على ذلك، يحصل إدخال دفتر الرموز منخفض التردد على درجة ندرة أعلى، مما يشير إلى أن ميزة الرقعة المقابلة أقل اتساقًا مع توزيع الأنسجة الطبيعية المتعلمة. وقد تم حساب متوسط درجات الندرة على مستوى الرقعة داخل كل صورة وعبر الفروع ذات المقاييس الدقيقة والخشنة للحصول على استجابة ندرة على مستوى الصورة.

لاستكمال ندرة تردد التنشيط، نقوم أيضاً بحساب درجة مسافة التكميم القائمة على المئوية (المعادلة 7):

figure-protocol-10

تُشتق هذه الدرجة من المسافة الإقليدية بين كل متجه سمات مُشفّر وأقرب إدخال له في دفتر الرموز. ويتم تقدير توزيع المسافة من عينات تدريب طبيعية، ثم تُحول مسافات عينات الاختبار إلى درجات مئينية. وتشير الدرجات المئينية الأكبر إلى أن السمة المُشفرة أكثر صعوبة في التمثيل باستخدام نماذج دفتر الرموز الطبيعية المُتعلمة.

تجمع درجة CAR النهائية بين ندرة التنشيط ومسافة التكميم عبر جميع كتب الشفرات باستخدام أوزان كتاب الشفرات القابلة للتعلم (المعادلة 8):

figure-protocol-11

تُطبق نفس أوزان دليل الرموز الموحدة المستخدمة لدمج الميزات متعددة المقاييس على دمج مستوى الدرجات، وذلك للحفاظ على الاتساق بين تعلم التمثيلات وتسجيل الشذوذ. يتم حساب درجة CAR الناتجة على مستوى الصورة، ثم تُدمج مع درجة إعادة البناء للحصول على درجة الشذوذ النهائية. وتتضح آلية تسجيل CAR الشاملة في الشكل 3.

حساب درجة الشذوذ النهائية
نقوم بدمج أخطاء إعادة البناء في المجال المكاني مع درجات CAR على المستوى الدلالي. وقبل عملية الدمج، يتم تطبيع كلا الدرجتين بشكل منفصل باستخدام تطبيع الحد الأدنى والأقصى القائم على المئوية (percentile-based min-max normalization) لتقليل تأثير القيم المتطرفة الشديدة. ومن ثم تُعرَّف درجة الشذوذ النهائية على مستوى الصورة وفقاً لـ (المعادلة 9):

figure-protocol-12

حيث يشير Srecon إلى متوسط خطأ إعادة البناء المربع المعير، وهو ما يعكس جودة إعادة بناء العينة في حيز البكسل؛ وSCAR هو درجة CAR الموصوفة سابقاً، والتي تقيس درجات الشذوذ على المستوى الدلالي. ويتحكم المعامل الفائق α figure-protocol-13 [0,1] في الوزن النسبي بين المكونين، مع تحديد القيم المثلى بناءً على مجموعات التحقق.

هدف التدريب
يتم تدريب إطار عمل RareCode من البداية إلى النهاية باستخدام العينات العادية فقط. وتتكون خسارة التدريب الإجمالية من المكونات التالية (المعادلة 10):

figure-protocol-14

يتم تعريف كل مصطلح على النحو التالي: فقد إعادة البناء: figure-protocol-15، وهو يقيس متوسط مربع الخطأ بين الرقع المدخلة p والرقع المعاد بناؤها D(zq) بعد الكمية. يتم تطبيق هذا الفقد بشكل منفصل على فرع الرقع بحجم 32 × 32 (figure-protocol-16) وفرع الرقع بحجم 64 × 64 (figure-protocol-17) لضمان التعلم الفعال للميزات على كلا المقياسين المكانيين. 

وصف مجموعة البيانات
لتقييم RareCode، أُجريت تجارب على مجموعة بيانات صور نسيجية مرضية لسرطان القول والمستقيم (CRC) مُصنفة إكلينيكياً، وتضم صوراً لمقاطع أنسجة القول والمستقيم مصبوغة بالهيماتوكسيلين والإيوزين (H&؛هـ)، والتي تم الحصول عليها من مستشفى شينزين الشعبي (Shenzhen People's Hospital). وجميع الصور الواردة في مجموعة البيانات هذه مستمدة من حالات سريرية حقيقية. تم تحويل الصور إلى صيغة رقمية بتكبير 40x وبدقة أصلية تبلغ 1024 × ١٠٢٤ بكسل. ولضمان موثوقية وجودة التوصيف، تمت مراجعة جميع تسميات فئات العينات وتأكيدها بشكل مشترك من قبل اثنين أو أكثر من استشاريي علم الأمراض وفقاً لبروتوكول التعمية المزدوجة.

بناءً على الخصائص النسيجية المرضية، تم تصنيف مجموعة البيانات إلى ثلاث فئات: الأنسجة الطبيعية (1,226 صورة)، والسرطان (1,215 صورة)، والالتهاب (1,214 صورة). وفي سياق الكشف الثنائي عن الشذوذ (UAD)، عُدّت عينات السرطان والالتهاب كحالات شاذة، بينما استُخدمت العينات الطبيعية كتوزيع مرجعي. ويعكس هذا الصياغة مهمة الفرز المستهدفة المتمثلة في فصل الحالات التي تتطلب مراجعة مرضية إضافية عن تلك التي تعتبر طبيعية من الناحية المورفولوجية.

جميع H&تم تغيير حجم الصور المصبوغة بـ H&E إلى 512 × 512 بكسل قبل استخدامها كمدخلات للشبكة. واستُخدم التحقق المتقاطع الطبقي خماسي الطيات (Stratified 5-fold cross-validation) لأغراض التقييم. وفي كل طية، قُسِّمت العينات الطبيعية أولاً إلى مجموعات فرعية للتدريب، والتحقق، والاختبار المستبعد. تدرَّب RareCode على عينات التدريب الطبيعية فقط. أما المجموعة الفرعية للتحقق، والتي احتوت أيضاً على عينات طبيعية فقط، فقد استُخدمت لاختيار النموذج، وضبط المعلمات الفائقة (hyperparameter tuning)، واختيار وزن الدمج. αاستُخدمت مجموعة اختبار مستبعدة، تتكون من عينات طبيعية غير مرئية وعينات شاذة تشمل السرطان والالتهابات، لغرض التقييم النهائي للأداء فقط، ولم تُستخدم في تدريب النموذج، أو اختيار المعلمات الفائقة، أو α الاختيار. تظهر الفئات التمثيلية، وبنية مجموعة البيانات، وبروتوكول التحقق في الشكل 4.

تفاصيل التنفيذ
تم تنفيذ إطار عمل RareCode المقترح ونماذج المقارنة المرجعية باستخدام PyTorch. وأُجريت جميع التجارب على محطة عمل مجهزة بوحدة معالجة رسومات واحدة من نوع NVIDIA GeForce RTX 4060 Ti (16 GB). أما بالنسبة لتكوين بنية الشبكة، ومن أجل التقاط السمات بمدى مكاني مختلف، تقوم البنية ثنائية الفرع بمعالجة رقع غير متداخلة بمقياسين: 32 × 32 بكسل (مجال استقبال أصغر، لالتقاط أنماط النسيج المحلية) و 64 × 64 بكسل (مجال استقبال أكبر، لالتقاط سياق مكاني أوسع)، على التوالي. وقد تم تعيين بُعد تضمين السمات المستمرة الناتج عن مشفرات كلا الفرعين بشكل موحد عند 64. وفي وحدة MHC، قمنا بتكوين أربعة دفاتر رموز بسعات مختلفة لكل فرع، بكميات نماذج أولية منفصلة تبلغ 64 و 128 و 256 و 512، على التوالي.

خلال عملية التحسين، تم تدريب الشبكة من الطرف إلى الطرف لمدة 50 حقبة (epochs) وبحجم دفعة قدره 8. وقد استخدمنا مُحسن AdamW لتحديثات الأوزان، بمعدل تعلم أولي قدره 5 × واضمحلال للوزن من أجل منع الإفراط في التجهيز (overfitting). بالإضافة إلى ذلك، ولضمان تقارب سلس للتدريب، استُخدم جدول زمني لمعدل التعلم يعتمد على التلدين الجيبي (cosine annealing)، مما أتاح تحسيناً أدق في المراحل المتأخرة من التدريب. كما تم اختيار أحجام الرقع (patch sizes) وأحجام دفتر الرموز (codebook sizes) لتحقيق التوازن بين التمثيل متعدد المقاييس والتكلفة الحسابية. وقد تم دعم التكوين النهائي لـ FourScales من خلال تحليل الاستئصال (ablation analysis)، كما تم اختيار α بناءً على مجموعة التحقق قبل التقييم باستخدام مجموعة الاختبار.

بالنسبة لاستئصال تعقيد وحدة فك التشفير (decoder-complexity ablation)، تم تنفيذ متغير وحدة فك تشفير معقدة استناداً إلى تكوين FourScales. استخدم هذا المتغير نفس تقسيم البيانات، وأحجام دفتر الرموز (codebook sizes)، وعصور التدريب، والمحسن، ومعدل التعلم، واختيار α بناءً على التحقق، ومقاييس التقييم المستخدمة في نموذج FourScales. تم استبدال وحدة فك التشفير الأساسية بوحدة فك تشفير من نمط EMCAD تحتوي على كتل تلافيفية بعمق متعدد المقاييس (multi-scale depthwise convolution blocks) ووحدات انتباه الكتل التلافيفية (CBAM). بعد كل مرحلة من مراحل زيادة العينات بالتلافيف المنقولة (transposed-convolution upsampling) الثلاث الأولى، تم تطبيق تلافيف بعمق بمقاسات 3 × 3 و 5 × 5 و 7 × 7 على التوازي، تلاها دمج نقطي (pointwise fusion) بمقاس 1 × 1، وتطبيع الدفعة (batch normalization)، وتنشيط ReLU، واتصال متبقٍ (residual connection)، وانتباه CBAM. تضمن CBAM انتباهاً للقنوات بناءً على واصفات التجميع المتوسطي والأقصى (average- and max-pooling descriptors)، وانتباهاً مكانياً باستخدام تلافيف بمقاس 7 × 7. واستخدمت المرحلة النهائية التلافيف المنقولة وتنشيط sigmoid لإعادة بناء رقع (patches) بمقاس 32 × 32.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

المقارنة مع الطرق المرجعية
لتقييم إطار عمل RareCode، تم اختيار عدة طرق تمثيلية للكشف عن الشذوذ غير الخاضع للإشراف (UAD) كطرق مرجعية، شملت الطرق القائمة على إعادة البناء (CAE32، VAE12، SAE33، MAE34، PatchSAE35)، وإعادة البناء المعززة بالذاكرة (MemAE36)، وتقطير المعرفة (STFPM37)، وتوليد الشذوذ الاصطناعي (DRAEM38...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

تشير النتائج إلى أن أنماط تنشيط دفتر الرموز قد توفر معلومات تكميلية لأخطاء إعادة البناء المكاني. ويدعم التحسن من نموذج NoCAR إلى نموذج FourScales الكامل المساهمة المحتملة لتسجيل CAR، بينما تشير أوزان الدمج المختارة إلى أن الندرة الدلالية قد تلعب دوراً هاماً في درجة الشذوذ النهائية. وأحد التفسيرات المحتملة هو أن التشوهات المرتبطة بسرطان القولون والمستقيم (CRC) يمكن أن تمتد عبر مقاييس مورفولوجية مختلفة، بدءاً من اللانمطية النووية وصولاً إلى اختلال البنية الغدية، وبالتالي قد تستفيد من تمثيلات الميزات ذات الحبيبات المتعددة

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

يصرح المؤلفون بأنه ليس لديهم أي مصالح مالية متنافسة معروفة أو علاقات شخصية يمكن أن تبدو مؤثرة على العمل الوارد في هذه الورقة. وخلال إعداد هذا العمل، استخدمنا ChatGPT لتحسين اللغة وسهولة قراءة المخطوطة والمساعدة في إنشاء كود تصور البيانات. وبعد استخدام هذه الأداة، قمنا بمراجعة وتحرير المحتوى حسب الحاجة ونتحمل المسؤولية الكاملة عن المقالة المنشورة.

شكر وتقدير

تم دعم هذا البحث من قبل محطة عمل الأكاديمي يونج داي (تكنولوجيا التشخيص لأمراض المناعة الذاتية) (Wan Ke Science and Technology [2023] No. 317)، ومشروع صندوق ابتكار الدراسات العليا لمركز البحوث الوطني في خفي لعلوم الصحة والتكنولوجيا بمركز البحوث المشترك للطب المهني والصحة والصندوق المفتوح (No.OMH-2023-04)، ومشروع البحوث السريرية والترجمية في مقاطعة آنهوي (No.202427610020132).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
وحدة معالجة الرسومات GeForce RTX 4060 TiNVIDIAبما أنه لا يوجد نص مصدر مقدم للترجمة، يرجى تزويدي بالنص الإنجليزي الذي ترغب في ترجمته إلى اللغة العربية وفقاً للمعايير العلمية والمهنية المذكورة.ذاكرة وصول عشوائي للفيديو (VRAM) بسعة 16 جيجابايت؛ استُخدمت وحدة معالجة رسوميات (GPU) واحدة في جميع التجارب (RRID:SCR_022858)
Matplotlibفريق تطوير Matplotlibالإصدار 3.8.4تصوير البيانات وإنشاء الأشكال التوضيحية (RRID:SCR_008624)
NumPyمُطوِّرو NumPyالإصدار 1.26.4الحوسبة العددية وعمليات المصفوفات (RRID:SCR_008633)
بانداس (pandas)فريق تطوير pandasالإصدار 2.2.3تنظيم البيانات ومعالجة النتائج الجدولية (RRID:SCR_018214)
وسادةالمساهمون في مكتبة بايثون للتصوير / Pillowالإصدار 10.3.0تحميل الصور ومعالجتها مسبقاً
بايثونمؤسسة برمجيات بايثون (Python Software Foundation)الإصدار 3.12.3لغة البرمجة المستخدمة في تطوير النموذج وتحليل البيانات (RRID:SCR_008394)
PyTorchشركة .Meta Platforms, Incالإصدار 2.7.0+cu118إطار عمل التعلم العميق المستخدم لتنفيذ النموذج وتدريبه (RRID:SCR_018536)
scikit-learnمطورو scikit-learnالإصدار 1.4.2التحقق المتقاطع، وتقسيم بيانات التدريب والاختبار، ومقاييس التقييم (RRID:SCR_002577)
سايباي (SciPy)مطورو SciPyالإصدار 1.13.1التحليل الإحصائي (RRID:SCR_008058)
torchvisionمشروع PyTorchالإصدار 0.22.0+cu118المعالجة المسبقة للصور وتحويل البيانات
tqdmمطورو tqdmالإصدار 4.66.4مراقبة تقدم التدريب والتقييم

المراجع

  1. Fan J, Sun Q, Di Y, et al. DIPathMamba: A domain-incremental weakly supervised state space model for pathology image segmentation. Med Image Anal. 2025;103:103563.
  2. Nan T, Zheng S, Qiao S, et al. Deep learning quantifies pathologists' visual patterns for whole slide image diagnosis. Nat Commun. 2025;16(1):5493.
  3. Lagogiannis I, Meissen F, Kaissis G, et al. Unsupervised pathology detection: a deep dive into the state of the art. IEEE Trans Med Imaging. 2024;43(1):241-252.
  4. Tian Y, Liu F, Pang G, et al. Self-supervised pseudo multiclass pre-training for unsupervised anomaly detection and segmentation in medical images. Med Image Anal. 2023;90:102930.
  5. Metter DM, Colgan TJ, Leung ST, et al. Trends in the US and Canadian pathologist workforces from 2007 to 2017. JAMA Netw Open. 2019;2(5):e194337.
  6. Shaukat A, Levin TR. Current and future colorectal cancer screening strategies. Nat Rev Gastroenterol Hepatol. 2022;19(8):521-531.
  7. Ancker JS, Edwards A, Nosal S, et al. Effects of workload, work complexity, and repeated alerts on alert fatigue in a clinical decision support system. BMC Med Inform Decis Mak. 2017;17(1):36.
  8. Litjens G, Kooi T, Ehteshami Bejnordi B, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60-88.
  9. Stepec D, Skocaj D. Unsupervised detection of cancerous regions in histology imagery using image-to-image translation. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2021:3785-3792.
  10. Li Y, Lao Q, Kang Q, et al. Self-supervised anomaly detection, staging and segmentation for retinal images. Med Image Anal. 2023;87:102805.
  11. Hinton GE, Salakhutdinov RR. Reducing the dimensionality of data with neural networks. Science. 2006;313(5786):504-507.
  12. Kingma DP, Welling M. Auto-encoding variational Bayes. In: Proceedings of the 2nd International Conference on Learning Representations (ICLR). 2014.
  13. Goodfellow IJ, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets. In: Advances in Neural Information Processing Systems. 2014;27:2672-2680.
  14. Lu S, Zhang W, Zhao H, et al. Anomaly detection for medical images using heterogeneous auto-encoder. IEEE Trans Image Process. 2024;33:2770-2782.
  15. Yang Z, Zhang T, Soltani Bozchalooi I, et al. Memory-augmented generative adversarial networks for anomaly detection. IEEE Trans Neural Netw Learn Syst. 2022;33(6):2324-2334.
  16. Huyan N, Quan D, Zhang X, et al. Unsupervised outlier detection using memory and contrastive learning. IEEE Trans Image Process. 2022;31:6440-6454.
  17. Jézéquel L, Beaudet J, Histace A, et al. Unified anomaly detection via multi-scale contrasted memory. IEEE Trans Image Process. 2026;35:2802-2815.
  18. Roth K, Pemula L, Zepeda J, et al. Towards total recall in industrial anomaly detection. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022:14298-14308.
  19. Defard T, Setkov A, Loesch A, et al. PaDiM: a patch distribution modeling framework for anomaly detection and localization. In: International Conference on Pattern Recognition. Cham: Springer; 2021:475-489.
  20. Zingman I, Stierstorfer B, Lempp C, et al. Learning image representations for anomaly detection: application to discovery of histological alterations in drug development. Med Image Anal. 2024;92:103067.
  21. Jiang Y, Cao Y, Shen W. Prototypical learning guided context-aware segmentation network for few-shot anomaly detection. IEEE Trans Neural Netw Learn Syst. 2025;36(7):12016-12026.
  22. Wang X, Zhao J, Marostica E, et al. A pathology foundation model for cancer diagnosis and prognosis prediction. Nature. 2024;634(8035):970-978.
  23. Frotscher A, Kapoor J, Wolfers T, et al. Unsupervised anomaly detection in medical imaging using aggregated normative diffusion. Med Image Anal. 2026;109:103895.
  24. Zeng GQ, Yang YW, Lu KD, et al. Evolutionary adversarial autoencoder for unsupervised anomaly detection of industrial Internet of Things. IEEE Trans Reliab. 2025;74(3):3454-3468.
  25. Lu KD, Zhang BX, Xu Y, et al. MoARNN-AM: multi-objective automated recurrent neural network with attention mechanism for cyber-attack detection of UAV. IEEE Trans Consum Electron. 2026;72(1):1738-1749.
  26. van den Oord A, Vinyals O, Kavukcuoglu K. Neural discrete representation learning. In: Advances in Neural Information Processing Systems. 2017;30:6306-6315.
  27. Ghafourian A, Shui H, Upadhyay D, et al. Targeted collapse regularized autoencoder for anomaly detection: black hole at the center. IEEE Trans Neural Netw Learn Syst. 2025;36(6):10348-10358.
  28. Gao Z, Mao A, Dong Y, et al. SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning. Nat Cancer. 2025;6(12):2025-2041.
  29. Wang X, Liu H, Zhang Y, et al. Joint modeling histology and molecular markers for cancer classification. Med Image Anal. 2025;102:103505.
  30. Jin H, Shen J, Cui L, et al. Dynamic graph based weakly supervised deep hashing for whole slide image classification and retrieval. Med Image Anal. 2025;101:103468.
  31. Schmitz R, Madesta F, Nielsen M, et al. Multi-scale fully convolutional neural networks for histopathology image segmentation: from nuclear aberrations to the global tissue architecture. Med Image Anal. 2021;70:101996.
  32. Masci J, Meier U, Ciresan D, et al. Stacked convolutional auto-encoders for hierarchical feature extraction. In: International Conference on Artificial Neural Networks. Berlin: Springer; 2011:52-59.
  33. Ng A. Sparse autoencoder. CS294A Lecture Notes. 2011;72:1-19.
  34. He K, Chen X, Xie S, et al. Masked autoencoders are scalable vision learners. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022:16000-16009.
  35. Lim H, Choi J, Choo J, et al. Sparse autoencoders reveal selective remapping of visual concepts during adaptation. In: Proceedings of the 13th International Conference on Learning Representations (ICLR). 2025.
  36. Gong D, Liu L, Le V, et al. Memorizing normality to detect anomaly: memory-augmented deep autoencoder for unsupervised anomaly detection. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019:1705-1714.
  37. Wang G, Han S, Ding E, et al. Student-teacher feature pyramid matching for anomaly detection. In: Proceedings of the 32nd British Machine Vision Conference (BMVC). 2021.
  38. Zavrtanik V, Kristan M, Skocaj D. DRAEM: a discriminatively trained reconstruction embedding for surface anomaly detection. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021:8330-8339.
  39. Niazi MKK, Parwani AV, Gurcan MN. Digital pathology and artificial intelligence. Lancet Oncol. 2019;20(5):e253-e261.
  40. Raab SS, Grzybicki DM, Janosky JE, et al. Clinical impact and frequency of anatomic pathology errors in cancer diagnoses. Cancer. 2005;104(10):2205-2213.
  41. Schömig-Markiefka B, Pryalukhin A, Hulla W, et al. Quality control stress test for deep learning-based diagnostic model in digital pathology. Mod Pathol. 2021;34(12):2098-2108.
  42. Steiner DF, MacDonald R, Liu Y, et al. Impact of deep learning assistance on the histopathologic review of lymph nodes for metastatic breast cancer. Am J Surg Pathol. 2018;42(12):1636-1646.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

استكشف المزيد من المقالات

التعلم غير الخاضع للإشرافتنشيط دفتر الرموزالتكميم الاتجاهيدفتر الرموز متعدد المقاييساكتشاف السرطانالتحليل الدلالي
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.