تعلم تمثيلات فعالة وقابلة للشرح ومميزة لتصنيف العقد الرئوية

تصنيف العقد الرئوية تلقائيًا مهم للغاية لتشخيص مبكر للسرطانات الرئوية. في الآونة الأخيرة، أتاحت تقنيات التعلم العميق تقدمًا ملحوظًا في هذا المجال. ومع ذلك، فإن هذه النماذج العميقة غالبًا ما تكون ذات تعقيد حسابي عالٍ وتعمل بطريقة صندوق أسود. لمواجهة هذه التحديات، نهدف في هذا العمل إلى بناء نموذج تصنيف فعال وقابل للتفسير (جزئيًا). خصوصًا، نستخدم \emph{بحث الهندسة المعمارية العصبية} (Neural Architecture Search - NAS) لاكتشاف هياكل شبكات ثلاثية الأبعاد تلقائيًا مع نسبة تبادل ممتازة بين الدقة والسرعة. بالإضافة إلى ذلك، نستخدم وحدة انتباه الكتل الإدراكية (Convolutional Block Attention Module - CBAM) في الشبكات، مما يساعدنا على فهم عملية الاستدلال. أثناء التدريب، نستخدم خسارة A-Softmax لتعلم تمثيلات تمييزية زاويةً. في مرحلة الاستدلال، نستعمل مجموعة من الشبكات العصبية المتنوعة لتحسين دقة التنبؤ والمتانة. نجري تجارب واسعة على قاعدة بيانات LIDC-IDRI. بالمقارنة مع أفضل التقنيات السابقة، يظهر نموذجنا أداءً مماثلًا بمستوى عالٍ باستخدام أقل من 1/40 من المعاملات. بالإضافة إلى ذلك، أظهرت الدراسات التجريبية أن عملية الاستدلال للشبكات المُتعلمة متوافقة مع تشخيص الأطباء. تم إصدار الكود والنتائج ذات الصلة على الرابط التالي: https://github.com/fei-hdu/NAS-Lung.