TransNetR: شبكة متبقية تعتمد على التحويلات لتقسيم البوليب مع اختبار خارج التوزيع من مراكز متعددة

يعتبر الفحص القولوني (الكولونوسكوبي) أكثر الاختبارات فعاليةً لاكتشاف سرطان القولون والمستقيم (CRC) وأورامه السابقة، أي البوليپات. ومع ذلك، يعاني الإجراء من معدلات مرتفعة للإغفال بسبب تنوع البوليپات واعتماده على المراقبين. لذلك، تم اقتراح عدة أنظمة مدعومة بالتعلم العميق مع الأخذ بعين الاعتبار أهمية اكتشاف وتقطيع البوليپات في الممارسات السريرية. رغم تحقيق نتائج محسنة، فإن الأساليب الآلية الحالية غير كفؤة في الوصول إلى سرعة معالجة في الوقت الحقيقي. بالإضافة إلى ذلك، تعاني هذه الأساليب من انخفاض كبير في الأداء عند تقييمها على بيانات بين المرضى، خاصة تلك التي تم جمعها من مراكز مختلفة. لذلك، نعتزم تطوير هندسة جديدة تعتمد على التعلم العميق في الوقت الحقيقي، وهي شبكة الـ Transformer المستندة إلى الشبكة المتبقية (TransNetR)، لتقسيم البوليپات القولونية وتقييم أدائها التشخيصي. تتكون الهندسة المقترحة، TransNetR، من شبكة مشفّرة-مفكّرة تتضمن ResNet50 مسبقة التدريب كشبكة مشفرة، ثلاثة أجزاء فك شفرة، وطبقة زيادة الحجم في نهاية الشبكة. تحصل TransNetR على معامل ديسي عالي قدره 0.8706 ومتوسط تقاطع فوق الاتحاد قدره 0.8016 مع الحفاظ على سرعة معالجة في الوقت الحقيقي تبلغ 54.60 على مجموعة بيانات Kvasir-SEG. بالإضافة إلى ذلك، يكمن الإسهام الرئيسي لهذا العمل في استكشاف قابلية تعميم TransNetR من خلال اختبار الخوارزمية المقترحة على مجموعة بيانات خارج التوزيع (التوزيع الاختباري غير معروف ويختلف عن التوزيع التدريبي). كحالة استخدام، قمنا باختبار خوارزميتنا المقترحة على مجموعة بيانات PolypGen (ستة مراكز فريدة) وعلى مجموعتين آخرين شهيرتين لتقييم تقسيم البوليپات كمعيار للمقارنة. حققنا أفضل الأداء الحالي على جميع الثلاث مجموعات البيانات أثناء اختبار خارج التوزيع. سيتم جعل رمز المصدر لـ TransNetR متاحًا بشكل عام على الرابط: https://github.com/DebeshJha.