تجهيز أنظمة علم الأمراض الحاسوبي بخطوط معالجة الأخطاء الفنية: عرض لتقاييس الحوسبة والأداء

التشريح المرضي هو المعيار الذهبي لتشخيص السرطان من خلال الفحص المجهرى. ومع ذلك، فإن إجراءات معالجة الأنسجة التشريحية تؤدى إلى حدوث تشوهات، والتي يتم نقلها في النهاية إلى الإصدار الرقمي من الشرائح الزجاجية، والمعروفة باسم صور الشرائح الكاملة (WSIs). هذه التشوهات هي مناطق غير ذات صلة تشخيصياً وقد تؤدى إلى توقعات خاطئة من قبل خوارزميات التعلم العميق (DL). ولذلك، فإن الكشف عن التشوهات وإقصائها في نظام علم الأمراض الحاسوبي (CPATH) ضروري لتحقيق تشخيص آلي موثوق. في هذا البحث، نقترح مخطط خبراء متعددين (MoE) لاكتشاف خمسة تشوهات بارزة، بما في ذلك الأنسجة التالفة، الضبابية، الانثناء، فقاعات الهواء، والدم غير ذى الصلة تشريحياً من WSIs. أولاً، نقوم بتدريب نماذج ثنائية مستقلة للتعلم العميق كخبراء لالتقاط شكل تشوه معين. ثم نقوم بتجميع توقعاتهم باستخدام آلية دمج. نطبق عتبة احتمالية على التوزيع الاحتمالي النهائي لتحسين حساسية MoE. طورنا خطوط أنابيب للتعلم العميق باستخدام خبيرين متعددين ونماذج تصنيف متعددة حديثة من الشبكات العصبية التلافيفية العميقة (DCNNs) ومتحولات الرؤية (ViTs). حققت مخططات MoE المستندة إلى DCNNs وMoE المستندة إلى ViTs أداءً أفضل من النماذج الثنائية البسيطة وأجري اختبارها على بيانات من مستشفيات مختلفة وأنواع سرطان مختلفة، حيث أظهرت MoE باستخدام DCNNs أفضل النتائج. يحقق MoE المقترح نسبة F1 قدرها 86.15٪ وحساسية بنسبة 97.93٪ على البيانات الغير مرئية سابقاً، مع الحفاظ على تكلفة حسابية أقل للتنبؤ مقارنة بـ MoE باستخدام ViTs. يأتي هذا الأداء الأفضل لمخططات MoE مقابل تنازلات حسابية أعلى نسبياً مقارنة بالنماذج المتعددة الفئات. ستضمن خط الأنابيب المقترح لاكتشاف التشوهات ليس فقط تنبؤات CPATH الموثوقة ولكن قد يوفر أيضاً ضبط الجودة.