Brainomaly: كشف تلقائي عن الأمراض العصبية باستخدام صور مقطعية دماغية ذات وزن T1 غير مُعلّمة

استغلال قوة الشبكات العصبية العميقة في مجال التصوير الطبي يُعد تحديًا بسبب الصعوبات المرتبطة بجمع مجموعات بيانات كبيرة مُعلَّمة، خاصةً بالنسبة للأمراض النادرة، التي تتطلب تكاليف عالية ووقتًا وجهدًا كبيرًا في التصنيف. يمكن لأساليب الكشف عن الأمراض غير المُعلَّمة، مثل كشف الشذوذ، أن تقلل بشكل كبير من الجهد البشري في هذه السياقات. في حين أن كشف الشذوذ يركّز عادةً على التعلُّم من صور الأشخاص الأصحاء فقط، فإن الظروف الواقعية غالبًا ما تتضمن مجموعات بيانات غير مُعلَّمة تحتوي على مزيج من الأشخاص الأصحاء والمرضى. أظهرت دراسات حديثة أن استخدام هذه الصور غير المُعلَّمة يمكن أن يحسّن أداء الكشف عن الأمراض والشذوذ غير المُعلَّمة. ومع ذلك، لا تستخدم هذه الأساليب المعرفة الخاصة بالصور العصبية المسجّلة، مما يؤدي إلى أداء محدود في كشف الأمراض العصبية. لمعالجة هذه القيود، نقترح "Brainomaly"، وهي طريقة قائمة على الشبكة العصبية التوليدية (GAN) للتحويل من صورة إلى صورة، مصممة خصيصًا للكشف عن الأمراض العصبية. لا يوفر Brainomaly فقط تحويلًا صوريًا مخصصًا يناسب الصور العصبية، بل يستفيد أيضًا من الصور المختلطة غير المُعلَّمة لتحقيق أداء متفوّق في الكشف عن الأمراض العصبية. علاوةً على ذلك، نعالج مشكلة اختيار النموذج للاستنتاج دون وجود عينات مُعلَّمة من خلال اقتراح مقياس "الـ AUC الوهمي"، مما يعزز أداء Brainomaly في الكشف بشكل إضافي. أظهرت التجارب الواسعة والدراسات التحليلية أن Brainomaly تتفوّق على أحدث الأساليب غير المُعلَّمة الحالية في كشف مرض الزهايمر باستخدام مجموعة بيانات عامة، وكشف الصداع باستخدام مجموعة بيانات مؤسسية، بفارق كبير. يمكن الوصول إلى الشفرة من خلال الرابط التالي: https://github.com/mahfuzmohammad/Brainomaly.