إطار عمل تعليم عميق يعتمد على البيانات لتقسيم وتصنيف صور الهيستوباثولوجيا

يُجرى الدراسة الحالية لبنية الخلايا في الصور النسيجية الالتهابية، والتي تُستخدم غالبًا في التشخيص والأبحاث، مع استبعاد كمية كبيرة من المعلومات المتاحة على شريحة الخزعة. في الأمراض المناعية الذاتية، تظل هناك أسئلة بحثية رئيسية غير محلولة حول أي أنواع خلوية تشارك في الالتهاب على المستوى النسيجي، وكيفية تفاعلها مع بعضها البعض. وعلى الرغم من أن هذه الأسئلة يمكن الإجابة عنها جزئيًا باستخدام الطرق التقليدية، فإن النماذج الذكية الاصطناعية لتقسيم الصور وتصنيفها تقدم طريقة أكثر كفاءة لفهم بنية الالتهاب في الأمراض المناعية الذاتية، مما يحمل وعودًا كبيرة بحصولنا على رؤى جديدة. في هذه الورقة، نُطور تجريبيًا نماذج تعتمد على التعلم العميق، وتستخدم خزاعات من مرضى التهاب العضلات الجلدي البشري للكشف عن الخلايا الالتهابية وتحديد هويتها. ويُحسّن هذا النهج أداء التصنيف بنسبة 26٪، وأداء التقسيم بنسبة 5٪. كما نقترح معمارية جديدة لمعالج ما بعد التصنيف باستخدام مُشفّر تلقائي (autoencoder)، تُحسّن أداء التقسيم بمقدار 3٪ إضافية.