SynthEnsemble: دمج نماذج CNN و Vision Transformer والنماذج الهجينة لتصنيف الصدر بالأشعة السينية متعددة التسميات

تُستخدم الأشعة السينية للصدر على نطاق واسع لتشخيص أمراض الصدر، ولكن نقص المعلومات التفصيلية حول هذه التشوهات يجعل من الصعب تطوير أنظمة تشخيص آلي دقيقة، والتي تعتبر حاسمة لاكتشاف المرض مبكرًا ومعالجته بفعالية. لمعالجة هذا التحدي، استخدمنا تقنيات التعلم العميق لتحديد الأنماط في الأشعة السينية للصدر التي تتوافق مع مختلف الأمراض. أجرينا تجارب على مجموعة بيانات "ChestX-ray14" باستخدام مجموعة متنوعة من شبكات النيورونات المتلافهة المدربة مسبقًا (CNNs)، والتحويلات (Transformers)، والنموذج الهجين (CNN+Transformer)، والنماذج الكلاسيكية. كان أفضل نموذج فردي هو النموذج CoAtNet، الذي حقق نسبة مساحة تحت منحنى الاستجابة التشغيلي للمستلم (AUROC) بلغت 84.2%. من خلال دمج توقعات جميع النماذج المدربة باستخدام متوسط مرجح حيث تم تحديد وزن كل نموذج باستخدام التطور التفاضلي، تم تحسين نسبة AUROC إلى 85.4%، مما يتفوق على أفضل الأساليب الحالية في هذا المجال. تُظهر نتائجنا إمكانية استخدام تقنيات التعلم العميق، وخاصة التعلم العميق الجماعي، لتحسين دقة التشخيص الآلي لأمراض الصدر من الأشعة السينية للصدر. الرمز البرمجي متاح في: https://github.com/syednabilashraf/SynthEnsemble