هل أنت متأكد أنه شوائب؟ كشف الشوائب وتقدير عدم اليقين في الصور الهيستولوجية

تتضمن التشخيصات الحديثة للسرطان استخراج عينات نسيجية من المناطق المشبوهة وإجراء إجراءات هستوتكنية لتحضير شريحة زجاجية رقمية تُعرف باسم "صورة الشريحة الكاملة" (WSI) للفحص اللاحق. غالبًا ما تؤدي هذه الإجراءات إلى ظهور أنواع مختلفة من العيوب (الآثار) في الصور الناتجة من WSI، وقد تؤثر هذه العيوب الهيستولوجية على أنظمة علم الأمراض الحسابي (CPATH) في مراحل لاحقة من سلسلة التشخيص إذا لم تُستبعد أو تُعالج بشكل مناسب. حققت الشبكات العصبية التلافيفية العميقة (DCNNs) نتائج واعدة في كشف بعض عيوب صور WSI، لكنها لا تأخذ في الاعتبار عدم اليقين في تنبؤاتها. تقدم هذه الورقة نموذجًا متعلمًا عميقًا يراعي عدم اليقين (DKL) يعتمد على التعلم النواة، للكشف عن مناطق الضبابية والأنسجة المطوية، وهما نوعان من العيوب التي قد تظهر في صور WSI. يدمج النموذج الاحتمالي المقترح مُستخرج ميزات شبكي عصبي عميق (CNN) مع فئة مُصنفة باستخدام عمليات جاوسية نادرة (GPs)، مما يعزز أداء النماذج الحالية المتميزة في كشف العيوب القائمة على DCNNs ويوفر تقديرات لعدم اليقين. تم تحقيق نقاط F1 قدرها 0.996 و0.938 على التوالي في كشف الضبابية والأنسجة المطوية على بيانات غير مرئية. وفي تجارب واسعة، تم التحقق من أداء نموذج DKL على بيانات غير مرئية من مجموعات مستقلة خارجية تتضمن أنواعًا مختلفة من التلوين والأنسجة، حيث تفوق نماذج DCNNs. ومن المثير للاهتمام أن النموذج DKL يكون أكثر ثقة في التنبؤات الصحيحة وأقل ثقة في التنبؤات الخاطئة. يمكن دمج النموذج DKL المقترح في مرحلة ما قبل المعالجة لأنظمة CPATH لتقديم تنبؤات موثوقة، وقد يُستخدم كأداة لضمان الجودة.