كامييل: التعلم متعدد الأمثلة المستندة إلى السياق للكشف عن السرطان والتصنيف الفرعي في صور الشرائح الكاملة

يُعد الفحص البصري لمقاطع أنسجة الخزعات أساسياً في تشخيص السرطان، حيث يقوم الأطباء المرضيّون بتحليل المقاطع عند تكبيرات متعددة لتمييز خلايا الورم وأنواعها الفرعية. ومع ذلك، غالبًا ما تتجاهل النماذج الحالية القائمة على الانتباه في التعلم المتعدد المثالي (MIL) المستخدمة لتحليل صور الشريحة الكاملة (WSIs) في التشخيص السرطاني المعلومات السياقية المتعلقة بالخلايا الورمية والمقاطع المجاورة لها، مما يؤدي إلى تصنيفات خاطئة. ولحل هذه المشكلة، نقترح بنية جديدة تُسمى التعلم المتعدد المثالي المُدرك للسياق (CAMIL). تدمج CAMIL انتباهًا مُقيّدًا بالجيران لمراعاة الترابطات بين المقاطع داخل صورة الشريحة الكاملة، وتحدد قيودًا سياقية كمعرفة مسبقة ضمن نموذج التعلم المتعدد المثالي. وقد تم تقييم CAMIL في تصنيف أنواع سرطان الرئة غير الصغيرة الخلايا (TCGA-NSCLC)، وفي كشف الانتشار إلى العقد اللمفاوية (CAMELYON16 وCAMELYON17)، حيث حققت أداءً ممتازًا بقيم AUC في الاختبار بلغت 97.5% و95.9% و88.1% على التوالي، متفوقةً على الطرق الحديثة الأخرى. علاوةً على ذلك، تُعزز CAMIL قابلية تفسير النموذج من خلال تحديد مناطق ذات قيمة تشخيصية عالية.