اختبار الأداء للتعلم ذاتي التدريب على مجموعات بيانات مرضية متنوعة

يمكن أن يقود الطب الحاسوبي إلى إنقاذ الأرواح البشرية، لكن النماذج تعتمد بشكل كبير على التصنيف اليدوي، كما أن صور الأمراض النسيجية معروفة بكونها باهظة التكلفة في التصنيف. وقد أظهر التعلم ذاتي التوجيه فعالية في استغلال البيانات غير المصنفة، وتطبيقه في مجال الأمراض النسيجية قد يُحدث فرقًا كبيرًا في المهام اللاحقة. ومع ذلك، لا توجد دراسات مبنية على أسس علمية تقارن بين طرق التعلم ذاتي التوجيه، ولا تناقش كيفية تكييفها لتناسب مجال الأمراض النسيجية. وللإجابة على هذه الحاجة، نُنفّذ أكبر دراسة على نطاق واسع حتى الآن حول التدريب المسبق باستخدام التعلم ذاتي التوجيه على بيانات صور الأمراض النسيجية. تتم الدراسة باستخدام أربع طرق تمثيلية للتعلم ذاتي التوجيه على مهام لاحقة متنوعة. ونثبت أن التدريب المسبق على نطاق واسع مُحاذاً للنطاق في مجال الأمراض النسيجية يتفوق بشكل متسق على التدريب المسبق باستخدام ImageNet في البيئات القياسية للتعلم ذاتي التوجيه، مثل تقييمات التقييم الخطي وتحسين التفاصيل، وكذلك في ظروف نقص العلامات. علاوةً على ذلك، نقترح مجموعة من التقنيات المخصصة للنطاق، ونُظهر تجريبيًا أنها تؤدي إلى تحسن في الأداء. وأخيرًا، ولأول مرة، نطبّق التعلم ذاتي التوجيه على المهمة الصعبة لتقسيم المكونات النووية ككائنات، ونُظهر تحسينات كبيرة ومتسقة في الأداء في ظروف مختلفة.