مقالة بحثية

RareCode: إطار عمل للتعلم العميق غير الخاضع للإشراف للكشف عن الشذوذ في الصور النسيجية المرضية لسرطان القولون والمستقيم

9 مشاهدة

⸱

DOI:

10.3791/72303

⸱

سبتمبر 22, 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1School of Computer Science and Engineering, Anhui University of Science and Technology, 2School of Medicine, Anhui University of Science and Technology, 3School of Electrical and Information Engineering, Anhui University of Science and Technology, 4The First Hospital, Anhui University of Science and Technology, 5School of Safety Science and Engineering, Anhui University of Science and Technology, 6Department of Pathology, Shenzhen People's Hospital, The Second Clinical Medical College, Jinan University, 7The First Affiliated Hospital, Southern University of Science and Technology, 8Anhui Provincial Academician Workstation of Anhui University of Science and Technology for Autoimmune Disease Diagnostic Technology

في هذه المقالة

ملخص

تقدم هذه الدراسة RareCode، وهو إطار عمل للتعلم العميق غير الخاضع للإشراف يكتشف الشذوذ في الصور النسيجية المرضية لسرطان القولون والمستقيم من خلال تحليل ندرة تنشيط دفتر الرموز (CAR)، مع إمكانية المساعدة في الفحص المسبق دون الحاجة إلى بيانات تدريب مصنفة.

الملخص

تم استكشاف الكشف غير الخاضع للإشراف عن الشذوذ في الصور الهيستوباثولوجية على نطاق واسع باستخدام نهج قائمة على إعادة البناء التي تقيس أخطاء إعادة البناء، ومع ذلك، غالبًا ما تفشل هذه الطرق في التقاط الاختلافات المرضية الدقيقة على المستوى الدلالي بسبب التباين المتأصل في أنسجة الأنسجة. ولمعالجة هذا القصور، تقدم هذه الدراسة RareCode، وهو إطار عمل قائم على التكميم الاتجاهي يوسع نموذج الكشف ليتجاوز إعادة البناء على مستوى البكسل ليشمل تحليل تنشيط دفتر الرموز (codebook) على المستوى الدلالي. يتمثل الابتكار الجوهري في تسجيل ندرة تنشيط دفتر الرموز (CAR)، والذي يحدد تكرار تنشيط كل إدخال في دفتر الرموز أثناء التدريب على عينات طبيعية حصريًا، ويضع علامة على التنشيطات غير المتكررة كمؤشرات للشذوذ في وقت الاستنتاج، مما يكمل أخطاء إعادة البناء بتمييز على المستوى الدلالي. وبناءً على آلية CAR أحادية المقياس هذه، تم تقديم وحدة دفتر الرموز الهرمي متعدد المقاييس (MHC)، والتي تستخدم دفاتر رموز بأحجام متفاوتة مع أوزان دمج قابلة للتعلم لالتقاط الأنماط المرضية التي تمتد من الهياكل الخشنة على مستوى النسيج إلى التفاصيل الدقيقة على المستوى الخلوي. ومن خلال الاستفادة من التصميم متعدد المقاييس، يتم إنشاء خرائط حرارية هرمية للشذوذ عند كل مستوى من مستويات دقة دفتر الرموز، مما يوفر لأطباء الباثولوجيا إشارات تحديد موقع بصرية متعددة الأبعاد وقابلة للتفسير توضح مكان ومستوى الهيكل الذي يحدث فيه الشذوذ. وقد أظهر التحقق المتقاطع خماسي الطيات على مجموعة بيانات لصور هيستوباثولوجية لسرطان القولون والمستقيم مشروحة سريريًا تم الحصول عليها من مستشفى شنزن الشعبي أن RareCode يحقق مساحة تحت المنحنى (AUC) تبلغ 96.82%، متفوقًا بذلك على الطرق المرجعية. وأظهر تحليل كل فئة أداءً أقوى في الكشف عن السرطان (AUC = 99.44%، النوعية = 94.21%) مقارنة بالكشف عن الالتهاب (AUC = 94.30%، النوعية = 60.44%). وتشير هذه النتائج إلى أن تحليل CAR قد يوفر نهجًا واعدًا غير خاضع للإشراف للكشف عن الشذوذ الهيستوباثولوجي، مما قد يساعد في الفحص السريري المسبق لتشخيص سرطان القولون والمستقيم.

المقدمة

لا يزال الفحص الهيستوباثولوجي الموثوق لسرطان القولون والمستقيم مقيداً بعمليات التوصيف من قبل الخبراء والمراجعة اليدوية، لا سيما عندما تظهر الآفات الالتهابية والأورام الخبيثة مورفولوجيا متداخلة1,2. وتحفز هذه القيود تطوير مناهج حوسبية غير خاضعة للإشراف تتعلم من الأنسجة الطبيعية دون الحاجة إلى توصيفات شاملة للحالات غير الطبيعية3,4.

تتجلى الضرورة السريرية للفحص الهيستوباثولوجي المؤتمت من خلال الخلل المتزايد بين الطلب التشخيصي والخبرات المتاحة في علم الأمراض، حيث ارتفع عبء العمل التشخيصي لكل طبيب أمراض في الولايات المتحدة بنسبة تزيد عن 40% خلال عقد واحد فقط، في حين استمر تقلص القوى العاملة في هذا التخصص5. وفي حالات سرطان القولون والمستقيم (CRC)، ارتبطت برامج الفحص المنظمة بانخفاض معدلات الوفيات بنسبة تتراوح بين 29-68%6، ومع ذلك لا تزال القدرة على المراجعة الباثولوجية اليدوية محدودة بسبب توفر القوى العاملة. ومن شأن وجود نظام فحص أولي مؤتمت يحدد الحالات المشتبه بها بدقة للمراجعة ذات الأولوية أن يساعد في تخفيف هذا العبء وتحسين أوقات إنجاز التشخيص. ومع ذلك، فإن نشر مثل هذه الأنظمة يتطلب حساسية عالية لتجنب تفويت الحالات الإيجابية الحقيقية، ونوعية كافية لمنع الإنذارات الكاذبة المفرطة7.

أصبح الكشف غير الخاضع للإشراف عن الشذوذ (UAD) ذا أهمية متزايدة في تحليل الصور الطبية8 نظراً لقدرته على نمذجة توزيعات الأنسجة الطبيعية دون الحاجة إلى تسميات تدريبية للشذوذ3,9,10. وتحدد النماذج القائمة على إعادة البناء، بما في ذلك المشفرات التلقائية، والمشفرات التلقائية التباينية، والشبكات التنافسية التوليدية، والمتغيرات المعززة بالذاكرة، الشذوذ من خلال أخطاء إعادة البناء، إلا أن فك التشفير عالي السعة قد يظل قادراً على إعادة بناء المناطق الشاذة بدقة عالية11,12,13,14,15,16,17. وتستخدم الطرق القائمة على الميزات مثل PatchCore و PaDiM تمثيلات مسبقة التدريب، على الرغم من أن الميزات المتعلمة من الصور الطبيعية قد لا تلتقط بالكامل اللانمطية المجهرية في علم الأمراض النسيجي18,19,20,21. وتوفر النماذج التأسيسية الخاصة بعلم الأمراض وكاشفات الشذوذ القائمة على الانتشار بدائل قوية، ولكن متطلبات البيانات أو التكاليف الحسابية قد تحد من استخدامها المباشر في الفحص عالي الإنتاجية22,23. وتوضح الطرق الآلية والتطورية الحديثة، مثل EvoAAE24 و MoARNN-AM25، بشكل أكبر قيمة التحسين التكيفي للنماذج في الكشف عن الشذوذ، على الرغم من أن سياقات تطبيقها تختلف عن تحليل الصور المرضية النسيجية. وفي المقابل، تفرض الطرق القائمة على التكميم الاتجاهي (VQ) قيوداً على دفتر الرموز المنفصل يمكن أن تقلل من تعيين التطابق؛ ومع ذلك، لا تزال مناهج VQ الحالية تعتمد بشكل أساسي على أخطاء إعادة البناء المكانية ولا تستغل بشكل كافٍ المعلومات الدلالية الموجودة في أنماط تنشيط دفتر الرموز26,27.

على الرغم من أن الطرق المذكورة سابقاً تظهر أداءً واعداً في المجالات العامة، إلا أن تطبيقها على السيناريوهات الهيستوباثولوجية المعقدة يواجه تحديات محددة. وتتميز الصور الهيستوباثولوجية بتغاير نسيجي معقد عبر مستويات هيكلية متعددة28. وفي الممارسة العملية، يعمل تحليل الصور عادةً على رقع صور محلية مستخرجة من مقاطع نسيجية، ويكون التشخيص الباثولوجي بطبيعته عابر للمقاييس: حيث يقيم أطباء الباثولوجيا مورفولوجيا الغدد والأنسجة عند تكبير منخفض، بينما يفحصون تعدد الأشكال النووي والأشكال الانقسامية عند تكبير عالٍ29. لقد حددنا ثلاثة قيود رئيسية في المنهجيات الحالية: أولاً، تظهر الشذوذات الباثولوجية والأنسجة الطبيعية تشابهاً كبيراً في السمات البصرية منخفضة المستوى مثل أنماط الصبغ والقوام المحلي، مما يؤدي إلى فشل الطرق القائمة على إعادة البناء في اكتشاف الشذوذات الدقيقة، حيث قد تنتج كل من العينات الطبيعية والشاذة جودة إعادة بناء مماثلة على المستوى الدلالي. ثانياً، تعتمد معظم الطرق الحالية على استخراج السمات بمقياس واحد، مما يجعل من الصعب التقاط السمات الشاذة على المستويين النسيجي والخلوي في آن واحد30,31. ثالثاً، على الرغم من قدرة الطرق السائدة على توليد خرائط حرارية على مستوى البكسل، إلا أنها غالباً ما تفشل في التقاط السمات الهرمية للشذوذات بشكل بديهي، مما يحد من فائدة هذه النماذج كأدوات مساعدة في التشخيص السريري.

لمعالجة التحديات المذكورة أعلاه، نقترح RareCode، وهو إطار عمل للكشف عن الشذوذ غير الخاضع للإشراف (UAD) يستكشف أنماط تنشيط دفتر الرموز والتمثيل الهرمي للميزات عند مستويات متعددة من التجريد. يقدم إطار العمل ثلاثة مكونات رئيسية: (1) آلية تسجيل ندرة تنشيط دفتر الرموز (CAR)، والتي تحسب درجات الندرة بناءً على ترددات تنشيط المدخلات التي تم تدريبها حصرياً على عينات طبيعية، مما يميز العينات الطبيعية عن الشاذة على المستوى الدلالي ويوفر إشارات تمييزية تكميلية لأخطاء إعادة البناء المكانية التقليدية. (2) بنية دمج دفتر الرموز الهرمي متعدد المقاييس (MHC)، والتي تلتقط الميزات المرضية عند مستويات متعددة من الدقة — بدءاً من الأنماط الهيكلية العامة وصولاً إلى التفاصيل الخلوية دقيقة الحبيبات — من خلال استخدام دفاتر رموز بسعات متفاوتة، مع تحقيق دمج تكيفي عبر أوزان قابلة للتعلم. (3) وحدة التحديد الموضعي الهرمية القابلة للتفسير، والتي تستفيد من البنية متعددة المقاييس لتوليد خرائط حرارية للشذوذ بدرجات دقة مختلفة، مما يوفر لأطباء علم الأمراض مراجع تشخيصية قابلة للتفسير دلالياً ومتعددة المقاييس.

كانت الفرضية الأساسية لهذه الدراسة هي أن ملفات تكرار تنشيط كتاب الرموز (codebook activation-frequency profiles) المستمدة من كتب رموز تم تدريبها حصرياً على صور نسيجية طبيعية للقولون والمستقيم، يمكنها ترميز معلومات دلالية ذات صلة بالشذوذ تتجاوز خطأ إعادة البناء على مستوى البكسل، وأن التكامل متعدد المقاييس لهذه الإشارات التكاملية من شأنه أن يحسن تمييز الصور التي تحتوي على أنسجة سرطانية أو التهابية عن الصور الطبيعية مقارنة بطرق كشف الشذوذ غير الخاضعة للإشراف (UAD) الممثلة، وذلك بتقييمها بشكل أساسي من خلال المساحة تحت المنحنى (AUC). ولاختبار هذه الفرضية، قمنا بتقييم RareCode باستخدام التحقق المتقاطع خماسي الطيات (5-fold cross-validation) على مجموعة بيانات لسرطان القولون والمستقيم (CRC) مُصنفة سريرياً، وأجرينا تحليلات الاستئصال والتوطين لفحص مساهمات المكونات الأساسية وقابلية تفسيرها.

البروتوكول

تمت الموافقة على هذه الدراسة من قبل لجنة أخلاقيات البحوث السريرية في مستشفى شينزين الشعبي (رقم الموافقة LL-KY-2025300-01). وقد أعفت لجنة الأخلاقيات من شرط الحصول على الموافقة المستنيرة لأن هذه الدراسة الاسترجاعية اعتمدت على صور نسيجية مرضية ومواد سريرية موجودة مسبقاً دون أي اتصال مباشر بالمرضى أو تدخل طبي. كما تم تجهيل كافة البيانات السريرية والصور النسيجية المرضية قبل التحليل، ولم يتم استخدام أي معلومات تحدد هوية الأشخاص في هذه الدراسة. وقد تم التعامل مع جميع البيانات المستخدمة في هذا البحث وفقاً للمعايير الأخلاقية للجان البحوث المؤسسية والوطنية.

نظرة عامة على إطار العمل
يظهر الهيكل العام لإطار عمل UAD المقترح، RareCode، في الشكل 1. يعتمد إطار العمل بنية متوازية ذات فرعين؛ فلكل صورة إدخال بحجم 512 × 512، يتم استخراج رقع غير متداخلة بحجم 32 × 32 و 64 × 64 كمدخلات دقيقة وواسعة النطاق على التوالي. يتم تغيير حجم الرقع ذات الـ 64 × 64 إلى 32 × 32 قبل تمريرها إلى الشبكة، بحيث يتشارك كلا الفرعين في نفس حجم إدخال المشفر-المفكك (encoder-decoder) مع الحفاظ على مجالات استقبال مختلفة. تقوم المشفرات في كل فرع برسم خرائط للميزات المستخرجة في فضاء كامن، حيث تفرض وحدة MHC قيود التجزئة. لاحقاً، تقوم المفككات بإعادة بناء الصورة من الميزات المكممة لحساب أخطاء إعادة البناء في المجال المكاني. بعد ذلك، تقيس آلية CAR درجة الشذوذ على المستوى الدلالي من خلال تحليل ترددات تنشيط دليل الرموز (codebook). وأخيراً، يدمج النموذج درجات إعادة البناء ودرجات CAR من خلال دمج موزون للحصول على درجات الشذوذ على مستوى الصورة. يتم تدريب إطار عمل RareCode بشكل شامل (end-to-end) باستخدام العينات الطبيعية فقط، دون الحاجة إلى تعليقات توضيحية للشذوذ. وقد استُخدم تصميم الفرعين لالتقاط كل من الميزات الخلوية المحلية والهياكل الغدية الأوسع، بينما استُخدمت وحدة MHC لنمذجة هذه الميزات باستخدام أدلة رموز بسعات مختلفة.

بنية المشفر-المفكك (Encoder-decoder architecture)
يقوم RareCode ببناء مشفرات ومفككات مستقلة هيكلياً للفروع ذات المقياس الدقيق والمقياس الخشن. يستخدم كل فرع نفس تصميم المشفر-المفكك ولكن دون مشاركة المعلمات. يتكون المشفر من أربع كتل تلافيفية، تشتمل كل منها على تلافيف 3 x 3، وتطبيع الدفعة (batch normalization)، وتنشيط ReLU، وإسقاط (dropout). يزداد عرض القناة من 64 إلى 128، ثم إلى 256، ويتم تسطيح خريطة الميزات النهائية وإسقاطها في تضمين كامن ذي 64 بُعداً. أما المفكك فيعكس تصميم المشفر بطبقة إسقاط متصلة بالكامل تليها أربع طبقات تلافيف منقولة (transposed convolution layers)، مما يعيد بناء كل رقعة إلى حجم الإدخال الأصلي للشبكة. يتم حساب خطأ إعادة البناء كمتوسط مربع الخطأ بين الرقع المدخلة والرقع المعاد بناؤها. ومن خلال الجمع بين بنية المشفر-المفكك هذه وقيود دفتر الرموز المنفصلة، يتعلم RareCode تمثيلات مدمجة للأنسجة الطبيعية ويقيس الانحرافات أثناء عملية الاستنتاج.

دفتر رموز هرمي متعدد المقاييس
لالتقاط السمات المرضية عند مستويات متعددة من التجريد - بدءًا من أنماط الأنسجة الواسعة وصولاً إلى التباينات الخلوية الموضعية - تستخدم وحدة MHC عدد K من دفاتر الرموز المنفصلة figure-protocol-1 بسعات متفاوتة n1، n2، ...، nK. في تكوين FourScales النهائي، يحتوي كل فرع على أربعة دفاتر رموز تتضمن 64 و 128 و 256 و 512 إدخالاً على التوالي، ولكل إدخال في دفتر الرموز تضمين (embedding) ذو 64 بُعداً. وبالنسبة لكل سمة رقعة مشفرة، يتم اختيار أقرب إدخال في دفتر الرموز وفقاً للمسافة الإقليدية. ثم يتم دمج المخرجات المكممة من دفاتر الرموز المختلفة باستخدام أوزان قابلة للتعلم يتم توحيدها عبر دفاتر الرموز. ومن المتوقع أن تقوم دفاتر الرموز الأصغر، بسبب قيود الضغط القوية، بتشفير أنماط نموذجية خشنة الحبيبات تجرد التباينات المحلية، بينما تحافظ دفاتر الرموز الأكبر على سمات أدق حبيبات تلتقط خصائص هيكلية أكثر تحديداً. لكل دفتر رموز figure-protocol-2، حيث يمثل ek(i) figure-protocol-3 Rd متجه التضمين رقم i في دفتر الرموز رقم k، يتم تعيين السمات المستمرة إلى فضاء دفتر الرموز المنفصل عبر البحث عن أقرب جار (المعادلتين 1 و 2):

figure-protocol-4

figure-protocol-5

لتحقيق دمج تكيفي للميزات متعددة المقاييس، نقوم بإدخال أوزان قابلة للتعلم. وبعد إجراء تسوية softmax، يتم إجراء جمع موزون للمخرجات المكممة من كل كتاب رموز (المعادلة 3):

figure-protocol-6

حيث تشير σ(·) إلى دالة softmax، مما يضمن استيفاء الأوزان للمعادلة Σk σ(wk) = 1. يتيح هذا التصميم للنموذج ضبط نسب المساهمة لدفاتر الرموز (codebooks) تلقائيًا عند مستويات دقة مختلفة بناءً على المحتوى الدلالي لميزات الإدخال.

لتحسين تعلم دفتر الرموز (codebook)، نعتمد دالة خسارة VQ القياسية (المعادلة 4):

figure-protocol-7

حيث تشير sg[·] إلى عملية إيقاف التدرج (stop-gradient)، ويمثل β = 0.25 معامل وزن خسارة الالتزام. يحفز الحد الأول نواقل دفتر الرموز (codebook vectors) للتحرك نحو مخرجات المشفر، بينما يحفز الحد الثاني مخرجات المشفر على البقاء متسقة مع نواقل دفتر الرموز المقابلة لها. وتظهر الآلية الكاملة للكمية المتجهة متعددة المقاييس (multi-scale VQ) موصحة في الشكل 2.

تسجيل ندرة تنشيط دفتر الرموز
يقيس CAR الشذوذ على المستوى الدلالي بناءً على إحصائيات تنشيط دفتر الرموز المقدرة من عينات التدريب الطبيعية. بعد تدريب النموذج، تم تمرير جميع صور التدريب الطبيعية عبر المشفر ووحدة MHC دون استخدام تعزيز البيانات. وبالنسبة لكل فرع وكل دفتر رموز، تم تسجيل مؤشر التعيين لكل ميزة رقعة، وحساب عدد التعيينات لكل إدخال في دفتر الرموز. ثم تم تطبيع هذه الحسابات للحصول على توزيع تكرار التنشيط لدفتر الرموز هذا (المعادلة 5):

figure-protocol-8

خلال مرحلة الاستدلال، تمت معالجة كل صورة اختبار عبر نفس إجراء استخراج الرقع، والترميز، وتعيين دفتر رموز الجار الأقرب. وبالنسبة لكل إدخال معين في دفتر الرموز، يتم حساب درجة الندرة على أنها اللوغاريتم السالب لتردد تنشيطه في مجموعة التدريب الطبيعية (المعادلة 6):

figure-protocol-9

حيث ε هو ثابت صغير يُستخدم لتحقيق الاستقرار العددي. وبناءً على ذلك، يحصل إدخال دفتر الرموز منخفض التردد على درجة ندرة أعلى، مما يشير إلى أن ميزة الرقعة المقابلة أقل اتساقًا مع توزيع الأنسجة الطبيعية المتعلمة. وقد تم حساب متوسط درجات الندرة على مستوى الرقعة داخل كل صورة وعبر الفروع ذات المقاييس الدقيقة والخشنة للحصول على استجابة ندرة على مستوى الصورة.

لاستكمال ندرة تردد التنشيط، نقوم أيضاً بحساب درجة مسافة التكميم القائمة على المئوية (المعادلة 7):

figure-protocol-10

تُشتق هذه الدرجة من المسافة الإقليدية بين كل متجه سمات مُشفّر وأقرب إدخال له في دفتر الرموز. ويتم تقدير توزيع المسافة من عينات تدريب طبيعية، ثم تُحول مسافات عينات الاختبار إلى درجات مئينية. وتشير الدرجات المئينية الأكبر إلى أن السمة المُشفرة أكثر صعوبة في التمثيل باستخدام نماذج دفتر الرموز الطبيعية المُتعلمة.

تجمع درجة CAR النهائية بين ندرة التنشيط ومسافة التكميم عبر جميع كتب الشفرات باستخدام أوزان كتاب الشفرات القابلة للتعلم (المعادلة 8):

figure-protocol-11

تُطبق نفس أوزان دليل الرموز الموحدة المستخدمة لدمج الميزات متعددة المقاييس على دمج مستوى الدرجات، وذلك للحفاظ على الاتساق بين تعلم التمثيلات وتسجيل الشذوذ. يتم حساب درجة CAR الناتجة على مستوى الصورة، ثم تُدمج مع درجة إعادة البناء للحصول على درجة الشذوذ النهائية. وتتضح آلية تسجيل CAR الشاملة في الشكل 3.

حساب درجة الشذوذ النهائية
نقوم بدمج أخطاء إعادة البناء في المجال المكاني مع درجات CAR على المستوى الدلالي. وقبل عملية الدمج، يتم تطبيع كلا الدرجتين بشكل منفصل باستخدام تطبيع الحد الأدنى والأقصى القائم على المئوية (percentile-based min-max normalization) لتقليل تأثير القيم المتطرفة الشديدة. ومن ثم تُعرَّف درجة الشذوذ النهائية على مستوى الصورة وفقاً لـ (المعادلة 9):

figure-protocol-12

حيث يشير Srecon إلى متوسط خطأ إعادة البناء المربع المعير، وهو ما يعكس جودة إعادة بناء العينة في حيز البكسل؛ وSCAR هو درجة CAR الموصوفة سابقاً، والتي تقيس درجات الشذوذ على المستوى الدلالي. ويتحكم المعامل الفائق α figure-protocol-13 [0,1] في الوزن النسبي بين المكونين، مع تحديد القيم المثلى بناءً على مجموعات التحقق.

هدف التدريب
يتم تدريب إطار عمل RareCode من البداية إلى النهاية باستخدام العينات العادية فقط. وتتكون خسارة التدريب الإجمالية من المكونات التالية (المعادلة 10):

figure-protocol-14

يتم تعريف كل مصطلح على النحو التالي: فقد إعادة البناء: figure-protocol-15، وهو يقيس متوسط مربع الخطأ بين الرقع المدخلة p والرقع المعاد بناؤها D(zq) بعد الكمية. يتم تطبيق هذا الفقد بشكل منفصل على فرع الرقع بحجم 32 × 32 (figure-protocol-16) وفرع الرقع بحجم 64 × 64 (figure-protocol-17) لضمان التعلم الفعال للميزات على كلا المقياسين المكانيين. 

وصف مجموعة البيانات
لتقييم RareCode، أُجريت تجارب على مجموعة بيانات صور نسيجية مرضية لسرطان القول والمستقيم (CRC) مُصنفة إكلينيكياً، وتضم صوراً لمقاطع أنسجة القول والمستقيم مصبوغة بالهيماتوكسيلين والإيوزين (H&؛هـ)، والتي تم الحصول عليها من مستشفى شينزين الشعبي (Shenzhen People's Hospital). وجميع الصور الواردة في مجموعة البيانات هذه مستمدة من حالات سريرية حقيقية. تم تحويل الصور إلى صيغة رقمية بتكبير 40x وبدقة أصلية تبلغ 1024 × ١٠٢٤ بكسل. ولضمان موثوقية وجودة التوصيف، تمت مراجعة جميع تسميات فئات العينات وتأكيدها بشكل مشترك من قبل اثنين أو أكثر من استشاريي علم الأمراض وفقاً لبروتوكول التعمية المزدوجة.

بناءً على الخصائص النسيجية المرضية، تم تصنيف مجموعة البيانات إلى ثلاث فئات: الأنسجة الطبيعية (1,226 صورة)، والسرطان (1,215 صورة)، والالتهاب (1,214 صورة). وفي سياق الكشف الثنائي عن الشذوذ (UAD)، عُدّت عينات السرطان والالتهاب كحالات شاذة، بينما استُخدمت العينات الطبيعية كتوزيع مرجعي. ويعكس هذا الصياغة مهمة الفرز المستهدفة المتمثلة في فصل الحالات التي تتطلب مراجعة مرضية إضافية عن تلك التي تعتبر طبيعية من الناحية المورفولوجية.

جميع H&تم تغيير حجم الصور المصبوغة بـ H&E إلى 512 × 512 بكسل قبل استخدامها كمدخلات للشبكة. واستُخدم التحقق المتقاطع الطبقي خماسي الطيات (Stratified 5-fold cross-validation) لأغراض التقييم. وفي كل طية، قُسِّمت العينات الطبيعية أولاً إلى مجموعات فرعية للتدريب، والتحقق، والاختبار المستبعد. تدرَّب RareCode على عينات التدريب الطبيعية فقط. أما المجموعة الفرعية للتحقق، والتي احتوت أيضاً على عينات طبيعية فقط، فقد استُخدمت لاختيار النموذج، وضبط المعلمات الفائقة (hyperparameter tuning)، واختيار وزن الدمج. αاستُخدمت مجموعة اختبار مستبعدة، تتكون من عينات طبيعية غير مرئية وعينات شاذة تشمل السرطان والالتهابات، لغرض التقييم النهائي للأداء فقط، ولم تُستخدم في تدريب النموذج، أو اختيار المعلمات الفائقة، أو α الاختيار. تظهر الفئات التمثيلية، وبنية مجموعة البيانات، وبروتوكول التحقق في الشكل 4.

تفاصيل التنفيذ
تم تنفيذ إطار عمل RareCode المقترح ونماذج المقارنة المرجعية باستخدام PyTorch. وأُجريت جميع التجارب على محطة عمل مجهزة بوحدة معالجة رسومات واحدة من نوع NVIDIA GeForce RTX 4060 Ti (16 GB). أما بالنسبة لتكوين بنية الشبكة، ومن أجل التقاط السمات بمدى مكاني مختلف، تقوم البنية ثنائية الفرع بمعالجة رقع غير متداخلة بمقياسين: 32 × 32 بكسل (مجال استقبال أصغر، لالتقاط أنماط النسيج المحلية) و 64 × 64 بكسل (مجال استقبال أكبر، لالتقاط سياق مكاني أوسع)، على التوالي. وقد تم تعيين بُعد تضمين السمات المستمرة الناتج عن مشفرات كلا الفرعين بشكل موحد عند 64. وفي وحدة MHC، قمنا بتكوين أربعة دفاتر رموز بسعات مختلفة لكل فرع، بكميات نماذج أولية منفصلة تبلغ 64 و 128 و 256 و 512، على التوالي.

خلال عملية التحسين، تم تدريب الشبكة من الطرف إلى الطرف لمدة 50 حقبة (epochs) وبحجم دفعة قدره 8. وقد استخدمنا مُحسن AdamW لتحديثات الأوزان، بمعدل تعلم أولي قدره 5 × واضمحلال للوزن من أجل منع الإفراط في التجهيز (overfitting). بالإضافة إلى ذلك، ولضمان تقارب سلس للتدريب، استُخدم جدول زمني لمعدل التعلم يعتمد على التلدين الجيبي (cosine annealing)، مما أتاح تحسيناً أدق في المراحل المتأخرة من التدريب. كما تم اختيار أحجام الرقع (patch sizes) وأحجام دفتر الرموز (codebook sizes) لتحقيق التوازن بين التمثيل متعدد المقاييس والتكلفة الحسابية. وقد تم دعم التكوين النهائي لـ FourScales من خلال تحليل الاستئصال (ablation analysis)، كما تم اختيار α بناءً على مجموعة التحقق قبل التقييم باستخدام مجموعة الاختبار.

بالنسبة لاستئصال تعقيد وحدة فك التشفير (decoder-complexity ablation)، تم تنفيذ متغير وحدة فك تشفير معقدة استناداً إلى تكوين FourScales. استخدم هذا المتغير نفس تقسيم البيانات، وأحجام دفتر الرموز (codebook sizes)، وعصور التدريب، والمحسن، ومعدل التعلم، واختيار α بناءً على التحقق، ومقاييس التقييم المستخدمة في نموذج FourScales. تم استبدال وحدة فك التشفير الأساسية بوحدة فك تشفير من نمط EMCAD تحتوي على كتل تلافيفية بعمق متعدد المقاييس (multi-scale depthwise convolution blocks) ووحدات انتباه الكتل التلافيفية (CBAM). بعد كل مرحلة من مراحل زيادة العينات بالتلافيف المنقولة (transposed-convolution upsampling) الثلاث الأولى، تم تطبيق تلافيف بعمق بمقاسات 3 × 3 و 5 × 5 و 7 × 7 على التوازي، تلاها دمج نقطي (pointwise fusion) بمقاس 1 × 1، وتطبيع الدفعة (batch normalization)، وتنشيط ReLU، واتصال متبقٍ (residual connection)، وانتباه CBAM. تضمن CBAM انتباهاً للقنوات بناءً على واصفات التجميع المتوسطي والأقصى (average- and max-pooling descriptors)، وانتباهاً مكانياً باستخدام تلافيف بمقاس 7 × 7. واستخدمت المرحلة النهائية التلافيف المنقولة وتنشيط sigmoid لإعادة بناء رقع (patches) بمقاس 32 × 32.

النتائج

المقارنة مع الطرق المرجعية
لتقييم إطار عمل RareCode، تم اختيار عدة طرق تمثيلية للكشف عن الشذوذ غير الخاضع للإشراف (UAD) كطرق مرجعية، شملت الطرق القائمة على إعادة البناء (CAE32، VAE12، SAE33، MAE34، PatchSAE35)، وإعادة البناء المعززة بالذاكرة (MemAE36)، وتقطير المعرفة (STFPM37)، وتوليد الشذوذ الاصطناعي (DRAEM38)، واستخراج الميزات مسبقة التدريب (PatchCore18). ركز اختيار الطرق المرجعية على الأساليب التي يمكن تدريبها أو تطبيقها ضمن ميزانيات حسابية وافتراضات بيانات مماثلة (الوصول فقط إلى عينات تدريب طبيعية غير مصنفة)، وذلك لضمان أن تعكس فروق الأداء المساهمات المنهجية بدلاً من التفاوتات في حجم بيانات التدريب المسبق. ولضمان إجراء مقارنة عادلة، تم تقييم جميع الطرق باستخدام نفس تقسيمات البيانات الخماسية (5-fold data splits)، ومسار المعالجة المسبقة، ومقاييس التقييم، والبيئة الحسابية. تم تدريب النماذج وفقاً لبروتوكول UAD نفسه باستخدام عينات التدريب الطبيعية فقط، مع اختيار المعلمات الفائقة (hyperparameters) وعتبات التحديد بناءً على مجموعة التحقق، وتقييم الأداء النهائي فقط على مجموعة الاختبار المستقلة. يلخص الجدول 1 نتائج التحقق المتقاطع الخماسي، ويوفر الشكل 5 مقارنات عبر مخطط راداري متعدد المقاييس.

كما هو موضح في الجدول 1 والشكل 5، يحقق RareCode أداء كشف ملائماً واستقراراً إحصائياً على مجموعة بيانات CRC. ومن حيث المساحة تحت المنحنى (AUC)، يتفوق RareCode (96.82 ± 0.23%) على نماذج أساسية متعددة تعتمد على إعادة البناء، بما في ذلك MemAE (94.97 ± 0.81%). ويؤكد التحليل الإحصائي أن RareCode يتفوق على جميع النماذج الأساسية المعتمدة على إعادة البناء (اختبارات t المقترنة، p < 0.05)، مع وصول التحسن مقارنة بـ MemAE إلى دلالة إحصائية (p < 0.01). ويظهر RareCode تبايناً منخفضاً في الأداء (انحراف معياري قدره 0.23%)، مما يشير إلى استقرار ثابت عبر الطيات (cross-fold stability). ومن المرجح أن تعكس الفعالية المحدودة لـ DRAEM، المعتمد على الشذوذ الاصطناعي، حقيقة أن استراتيجيات تراكب الأنسجة البسيطة لا يمكنها محاكاة اللانمطية المرضية المعقدة بشكل كافٍ.

فيما يتعلق بالنوعية، حقق RareCode نسبة 58.24 ± 5.99%، متفوقاً بذلك على جميع طرق المقارنة في تقليل معدلات الإيجابية الكاذبة. ويمثل هذا تحسناً بنحو 25 نقطة مئوية مقارنة بخط الأساس المعتمد على إعادة البناء فقط (NoCAR، 33.76%)، مما يثبت مساهمة آلية CAR في تقليل الإيجابيات الكاذبة. وقد تعكس النوعية المنخفضة لـ STFPM وPatchCore، اللذين يعتمدان على ميزات مدربة مسبقاً على الصور الطبيعية، جزئياً الفجوة في المجال بين الصور الطبيعية والصور الهيستوباثولوجية. ومن الجدير بالذكر أن STFPM وDRAEM أظهرا تبايناً عالياً في النوعية (±33.53% و±7.09%)، حيث تراوحت النوعية في كل طية من مستوى قريب من الصفر إلى مستويات متوسطة، مما يثير مخاوف بشأن موثوقية نشرهما.

أداء الكشف لكل فئة
تم إجراء تحليل لكل فئة من خلال مقارنة عينات السرطان والالتهابات بشكل منفصل مقابل العينات الطبيعية (الجدول 2). حقق RareCode أداءً أعلى في الكشف عن السرطان (AUC = 99.44 ± 0.12%, recall = 98.13 ± 0.29%, specificity = 94.21 ± 2.22%) مقارنة بالكشف عن الالتهابات (AUC = 94.30 ± 0.44%, recall = 96.55 ± 0.78%, specificity = 60.44 ± 4.34%). وتشير هذه النتائج إلى أن RareCode قد يظهر قدرة تمييز أقوى للتشوهات الخبيثة مقارنة بالتغيرات الالتهابية، بينما يبدو أن الحد الفاصل بين الالتهابات والحالات الطبيعية يساهم بشكل كبير في انخفاض النوعية الإجمالية.

دراسة الاستئصال
لبحث مساهمات المكونات الرئيسية ضمن إطار عمل RareCode، أُجريت تجارب استئصال لتقييم تأثير آلية CAR ووحدة MHC على أداء الكشف. وتفصيل النتائج موضح في الجدول 3. وكما يظهر في الشكل 6A، أدىت إضافة CAR إلى خط الأساس القائم على إعادة البناء فقط إلى تحسين AUC من 92.81% إلى 95.92%، كما أدى دمج دفتر الرموز متعدد المقاييس إلى زيادة AUC بشكل أكبر ليصل إلى 96.82%. ويوضح الشكل 6B أن CAR حسّن أيضاً من النوعية، حيث رفعها من 33.76% في خط الأساس NoCAR إلى 58.24% في نموذج FourScales الكامل. وتدعم هذه النتائج القيمة التكاملية لندرة تنشيط دفتر الرموز والدمج متعدد المقاييس.

بالإضافة إلى ذلك، أُجري استئصال لتعقيد وحدة فك التشفير (decoder-complexity ablation) باستخدام تكوين FourScales. وكما هو موضح في الجدول 3، أظهر متغير وحدة فك التشفير المعقدة الذي يحتوي على كتل تلافيفية عميقة متعددة المقاييس ووحدات انتباه الكتل التلافيفية (CBAM) قيمة AUC أقل من نموذج FourScales الأساسي (95.17 ± 0.44% مقابل 96.82 ± 0.23%). وتشير هذه النتيجة إلى أنه في إطار إعداد RareCode القائم على VQ-AE الحالي، لم يؤدِ زيادة سعة وحدة فك التشفير إلى تحسين أداء كشف الشذوذ، وقد يقلل ذلك من فعالية التمثيل المقيد بدفتر الرموز (codebook-constrained representation).

تحليل الاستجابة المكانية الهرمي
لفحص الاستجابات المكانية التي أنتجها RareCode، تم تجميع خطأ إعادة البناء على مستوى الرقعة وخرائط ندرة دفتر الرموز على مستوى الصورة ومقارنتها بين العينات الطبيعية والشاذة. واستُخدمت نسبة الطاقة، ومعامل Cohen's d، والمساحة تحت المنحنى (AUC) لقياس الفصل في الاستجابة على مستوى الصورة. النتائج المفصلة معروضة في الجدول 4 والشكل 7 والشكل 8.

تظهر النتائج أن درجات ندرة دفتر الرموز (codebook rarity scores) في جميع المقاييس تظهر ارتفاعاً في الاستجابة عند العينات الشاذة (نسب الطاقة > 1). وتحقق دفاتر الرموز ذات السعة الأصغر (Codebook 64) تمييزاً أقوى على مستوى التوطين (78.79% AUC)، وهو ما يتوافق مع التوقع بأن معدلات الضغط الأعلى تحفز تعلم أنماط نموذجية أكثر تجريداً تكون أكثر حساسية للانحرافات عن النماذج الأصلية للأنسجة الطبيعية. ويوفر خطأ إعادة البناء (Reconstruction error) بمفرده قدرة كبيرة على رصد الشذوذ (93.31% AUC)، بينما تقدم درجات CAR إشارات تكميلية من بعد التردد الدلالي.

أظهر الفحص النوعي لـ الشكل 7 أن الاستجابات المرتفعة في عينات السرطان تزامنت مع وجود غدد غير منتظمة ومزدحمة، وتضخم نووي، وفرط في التلون، وتراصف كاذب، وفقدان للقطبية الظهارية. أما في العينات الالتهابية، فقد لوحظت استجابات أقوى حول الخبايا المشوهة والارتشاحات الكثيفة للخلايا الالتهابية. وقد نزعت دفاتر الشفرات ذات السعة المنخفضة إلى رصد انحرافات بنيوية أوسع، بينما أنتجت دفاتر الشفرات ذات السعة العالية استجابات أكثر موضعية على المستوى الخلوي. توفر هذه النتائج تفسيراً مورفولوجياً نوعياً ولكنها لا تعد تحققاً على مستوى البكسل.

تحليل معاملات الدمج
يعمل وزن الدمج α على موازنة مساهمات خطأ إعادة البناء المكاني ودرجة CAR في درجة الشذوذ النهائية. تم تحديد قيم α المثلى لكل طية عبر بحث شبكي (بحجم خطوة 0.05) على مجموعات التحقق، وعُرضت النتائج في الجدول 5 و  الشكل 9. تتركز قيم α المثلى بشكل أساسي في النطاق 0.85-0.95، بمتوسط قدره 0.90 ± 0.05. وتحت التكوينات المثلى، يحقق النموذج متوسط AUC يبلغ 96.82 ± 0.23% على مجموعات الاختبار. تشير الأوزان المثلى الأعلى (حوالي 0.90) إلى أن درجات CAR تساهم في الكشف النهائي أكثر من خطأ إعادة البناء، بينما يوفر خطأ إعادة البناء قيوداً محلية مساعدة. ومقارنة بإعداد α = 0 في تحليل الحساسية (AUC = 93.29%)، أدى إعداد الدمج المختار عبر التحقق إلى تحسين AUC بنحو 3.53 نقطة مئوية.

تلخيصاً لما سبق، يقدم هذا العمل إطار عمل RareCode للكشف غير الخاضع للإشراف عن الشذوذ في الصور الهيستوباثولوجية، وذلك بهدف التخفيف من مشكلة تعيين الهوية (identity-mapping problem) التي تواجه النماذج التوليدية التقليدية. تعمل آلية CAR على تقليل الاعتماد المفرط على أخطاء إعادة البناء على مستوى البكسل، بينما توفر وحدة MHC تمثيلات ميزات هرمية بمستويات دقة متعددة، مما يتيح تمييزاً تكميلياً للشذوذ عند مستويات مختلفة من التجريد. وتُظهر التجارب على مجموعة بيانات CRC أن RareCode يحقق مساحة تحت المنحنى (AUC) بنسبة 96.82%، حيث كشف التحليل لكل فئة عن كشف فعال للسرطان (AUC = 99.44%) وتمييز أقوى للسرطان مقارنة بالالتهاب، مما يشير إلى أن التداخل بين الالتهاب والحالة الطبيعية لا يزال يمثل تحدياً رئيسياً. وتؤكد دراسات الاستئصال (Ablation studies) أن دمج الميزات الدلالية المنفصلة من VQ مع التمثيلات المورفولوجية للأنسجة متعددة المقاييس يحسن أداء الكشف. كما يشير معدل الاستدعاء العالي لـ RareCode (98.40%) والخصوصية المتوسطة (58.24%) إلى إمكانية استخدامه كأداة فحص أولي لتحديد أولويات الصور الهيستوباثولوجية المشتبه بها؛ ومع ذلك، فإن تأثيره الفعلي على عبء عمل أخصائي علم الأمراض سيتطلب تقييماً مستقبلياً لسير العمل.

توافر البيانات:
تم الحصول على مجموعة بيانات الصور الهيستوباثولوجية لسرطان القولون والمستقيم (CRC) المستخدمة في هذه الدراسة من مستشفى شنتشن الشعبي بموجب موافقة أخلاقية مؤسسية (رقم الموافقة LL-KY-2025300-01). ونظراً لخصوصية المرضى وسياسات مشاركة البيانات المؤسسية، فإن مجموعة البيانات ليست متاحة للعامة. ويمكن منح حق الوصول بناءً على طلب معقول يُقدم إلى المؤلف المسؤول، شريطة الحصول على الموافقة المؤسسية واتفاقيات استخدام البيانات. يتوفر الكود المصدري لإطار عمل RareCode علنًا على الرابط https://github.com/XL-alg/RareCode.

figure-results-1
الشكل 1البنية العامة وتدفق البيانات لإطار عمل RareCode. أ 512 × 512 هـ&يتم تقسيم الصورة الهيستوباثولوجية المصبوغة بـ H&E إلى 32 جزءاً غير متداخلة × ٣٢ و٦٤ × 64 رقعة كمدخلات دقيقة وكبيرة المقياس. وتقوم الفرعان بترميز الرقع إلى تضمينات كامنة، وتطبيق تكميم كتاب الشفرات الهرمي متعدد المقاييس (MHC)، ومن ثم إعادة بناء الرقع لحساب درجات خطأ إعادة البناء. وبالتوازي مع ذلك، تقوم آلية ندرة تنشيط كتاب الشفرات (CAR) بتقدير الندرة الدلالية من ملفات تعريف تردد تنشيط كتاب الشفرات التي تم تعلمها من عينات التدريب الطبيعية. ثم يتم دمج درجات إعادة البناء ودرجات CAR المعيرة لتوليد درجة الشذوذ النهائية على مستوى الصورة، بينما يتم إسقاط الاستجابات على مستوى الرقعة مرة أخرى على مستوى الصورة من أجل التحديد الموضعي الهرمي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-2
الشكل 2: آلية تكميم المتجهات متعددة المقاييس. (أ) حساب المسافة بين سمات مخرجات المشفر ومتجهات تضمين كتاب الشفرات. (ب) اختيار أقرب جار والدمج الموزون عبر كتب شفرات بسعات 64 و128 و256 و512. (ج) إعادة البناء من السمات المكممة عبر مفك تشفير تلافيفي منقول. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-3
الشكل 3: آلية تسجيل CAR. يوضح هذا الشكل أربع مراحل: المرحلة 1: يتم حساب إحصائيات تكرار التنشيط بناءً على عينات التدريب الطبيعية فقط. المرحلة 2: تحصل عينات الاختبار على مؤشرات التنشيط والمسافات من خلال الترميز والكمية المتجهة. المرحلة 3: يتم حساب درجات الندرة ودرجات المسافة بناءً على ملفات تكرار مجموعة التدريب. المرحلة 4: يتم دمج الدرجات من كل مقياس لكتاب الشفرات عبر أوزان قابلة للتعلم لإنتاج درجة CAR النهائية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-4
الشكل 4تكوين مجموعة بيانات سرطان القولون والمستقيم والبروتوكول التجريبي. (أ-ج(H ممثل)&صور نسيجية مرضية مصبوغة بصبغة الهيماتوكسيلين والإيوسين (H&E) لأنسجة القولون والمستقيم الطبيعية، وسرطان القولون والمستقيم، والتهاب القولون والمستقيم.دبروتوكول التحقق المتقاطع خماسي الطيات (5-fold cross-validation) للكشف عن الشذوذ غير الخاضع للإشراف (UAD)، حيث استُخدمت العينات الطبيعية للتدريب والتحقق، بينما استُخدمت عينات طبيعية وشاذة مستبعدة للاختبار. تم تحويل الصور رقمياً بتكبير 40x ومعالجتها إلى رقع بحجم 32 × 32 و 64 × 64. يشير اللون الأخضر والأخضر الفاتح والبرتقالي إلى مجموعات التدريب والتحقق والاختبار، على التوالي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-5
الشكل 5: مخطط راداري للمقارنة متعدد القياسات لطرق كشف الشذوذ. مخطط راداري يقارن RareCode مع الطرق المرجعية عبر AUC، ومتوسط الدقة (AP)، وF1-score، والدقة (precision)، والاسترجاع (recall)، والدقة عند استرجاع بنسبة 90% (P@R90). تمثل جميع القيم متوسط الأداء عبر تحقق متبادل خماسي الطيات (5-fold cross-validation). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-6
الشكل 6: تحليل المساهمة التزايدية لمكونات دراسة الاستئصال. (A) مقارنة أداء AUC توضح التحسن التدريجي من خط الأساس القائم على إعادة البناء فقط (NoCAR) عبر تكوينات قاموس الرموز الواحد وصولاً إلى التكوينات متعددة المقاييس. (B) مقارنة أداء النوعية توضح تأثير آلية CAR على تقليل الإيجابيات الكاذبة. تمثل جميع أشرطة الخطأ الانحراف المعياري (SD) عبر التحقق المتبادل خماسي الطيات. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-7
الشكل 7: خرائط حرارية للتوطين الهرمي باستخدام دفتر رموز متعدد المقاييس. تظهر أمثلة تمثيلية لعينات (A) طبيعية، و(B) سرطانية، و(C) ملتهبة. يتضمن كل صف الصورة الأصلية، والتراكب، وخريطة خطأ إعادة البناء، وخرائط درجة الندرة من دفاتر رموز بسعات مختلفة (64، 128، 256، و512)، وخريطة التوطين النهائية المدمجة. تبرز دفاتر الرموز ذات السعة الأصغر الأنماط خشنة الحبيبات من خلال تجريد ضغط أقوى، بينما تحافظ دفاتر الرموز ذات السعة الأكبر على التفاصيل الهيكلية الدقيقة. تتوافق مناطق الاستجابة العالية نوعياً مع السمات الهيستوباثولوجية المرتبطة بالسرطان أو الالتهاب، ولكن لم يتم التحقق من صحتها باستخدام تعليقات توضيحية من خبراء على مستوى البكسل. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-8
الشكل 8: الرسوم البيانية للتوزيع لأنواع مختلفة من الدرجات. تقارن الرسوم البيانية توزيعات الدرجات بين العينات الطبيعية والشاذة لـ (A) خطأ إعادة البناء، و(B) درجة CAR المدمجة، و(C) Codebook 64، و(D) Codebook 128، و(E) Codebook 256، و(F) Codebook 512. تشير الرسوم البيانية الخضراء والحمراء إلى العينات الطبيعية والشاذة على التوالي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

figure-results-9
الشكل 9: تحليل حساسية المعامل Alpha. (أ) قيمة AUC لمجموعة التحقق المستخدمة لاختيار α. (ب) قيمة AUC لمجموعة الاختبار تحت قيم α مختلفة. تراوحت قيم α المختارة من مجموعة التحقق بين 0.85 و0.95، بمتوسط قدره 0.90 ± 0.05، وهو ما يتفق مع الجدول 5. ظل التباين في AUC أقل من 0.5% عندما تغيرت α ضمن النطاق [0.70, 1.00]، مما يشير إلى أداء مستقر عبر نطاق واسع من المعاملات. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الطريقةالمساحة تحت المنحنى (%)النشاط الفسفاتي القلوي (%)F1 (%)الدقة (%)الاستذكار (%)النوعية (%)P@R90 (%)
التحليل بالعناصر المحدودة90.37 ± 0.9498.62 ± 0.1895.34 ± 0.1591.64 ± 0.4099.35 ± 0.2228.14 ± 3.8895.66 ± 0.32
الآثار الجانبية الخطيرة (SAE)90.58 ± 0.9498.66 ± 0.1895.34 ± 0.1591.67 ± 0.4099.32 ± 0.2428.46 ± 3.9795.71 ± 0.30
المشفّر التلقائي التبايني (VAE)93.60 ± 0.8299.13 ± 0.1295.86 ± 0.1992.81 ± 0.4999.12 ± 0.2939.07 ± 4.7096.94 ± 0.43
متوسط الخطأ المطلق91.65 ± 2.7598.76 ± 0.5095.61 ± 0.6092.87 ± 1.5698.55 ± 0.5539.74 ± 14.3296.55 ± 0.97
مشفر تلقائي للذاكرة (MemAE)94.97 ± 0.8199.35 ± 0.1195.78 ± 0.3392.82 ± 1.0798.95 ± 0.6039.15 ± 9.9997.57 ± 0.33
PatchSAE94.86 ± 0.3699.34 ± 0.0595.39 ± 0.1392.32 ± 0.2798.67 ± 0.1234.91 ± 2.5798.13 ± 0.24
STFPM90.23 ± 3.0598.70 ± 0.4494.32 ± 0.2191.90 ± 3.5197.14 ± 3.3829.82 ± 33.5395.93 ± 1.96
DRAEM76.34 ± 2.8295.34 ± 0.9094.19 ± 0.0789.39 ± 0.6599.56 ± 0.656.19 ± 7.0992.69 ± 0.57
PatchCore74.64 ± 1.8294.76 ± 0.5594.73 ± 0.0590.52 ± 0.1599.36 ± 0.1217.49 ± 1.5492.54 ± 0.15
RareCode96.82 ± 0.2399.59 ± 0.0396.63 ± 0.1594.93 ± 0.6798.40 ± 0.4858.24 ± 5.9998.80 ± 0.10

الجدول 1: نتائج المقارنة مع الطرق المرجعية (تحقق تبادلي خماسي الطيات). أداء الكشف لـ RareCode وتسع طرق مرجعية للكشف عن الشذوذ غير الخاضع للإشراف (UAD) على مجموعة بيانات CRC. تشمل المقاييس AUC، ومتوسط الدقة (AP)، والاستدعاء (recall)، والنوعية (specificity)، ومقياس F1-score، والدقة عند استدعاء 90% (P@R90)، والدقة (precision). تمثل جميع القيم المتوسط ± الانحراف المعياري (SD) عبر التحقق التبادلي خماسي الطيات. تشير القيم المكتوبة بخط عريض إلى أفضل أداء لكل مقياس.

الفئةالمساحة تحت المنحنى (%)النشاط الفوسفاتازي القلوي (%)F1 (%)الاستدعاء (%)النوعية (%)
السرطان99.44 ± 0.1299.86 ± 0.0398.34 ± 0.1798.13 ± 0.2994.21 ± 2.22
الالتهاب94.30 ± 0.4498.48 ± 0.1293.44 ± 0.2996.55 ± 0.7860.44 ± 4.34

الجدول 2: أداء الكشف لكل فئة عبر الأنواع الفرعية للشذوذ. تقييم منفصل لأداء الكشف الخاص بـ RareCode لعينات السرطان والالتهاب مقابل العينات الطبيعية. تم حساب مقاييس كل فئة، بما في ذلك AUC و AP و F1-score والاسترجاع (recall) والنوعية (specificity)، باستخدام عتبات مثلى محددة لكل فئة.

متغيرتكوين دفتر الرموزمستقبلات المستضدات الخيمريةالمساحة تحت المنحنى (%)النشاط الفوسفاتازي القلوي (%)F1 (%)النوعية (%)P@R90 (%)
NoCAR  figure-results-10  figure-results-1192.81 ± 0.1299.05 ± 0.0295.30 ± 0.0833.76 ± 3.8296.72 ± 0.12
كتاب شفرة واحد[256]  figure-results-1295.92 ± 0.4099.47 ± 0.0596.25 ± 0.1455.37 ± 6.5198.31 ± 0.43
مقياسان[128, 512]  figure-results-1396.57 ± 0.2799.56 ± 0.0496.45 ± 0.1257.75 ± 4.1498.75 ± 0.12
مقاييس ثلاثية[128, 256, 512]  figure-results-1496.36 ± 0.3799.53 ± 0.0596.52 ± 0.1757.99 ± 4.6598.60 ± 0.23
فور سكيلز (FourScales)[64, 128, 256, 512]  figure-results-1596.82 ± 0.2399.59 ± 0.0396.63 ± 0.1558.24 ± 5.9998.80 ± 0.10
FourScales + فك تشفير معقد[64, 128, 256, 512]  figure-results-1695.17 ± 0.4499.39 ± 0.0695.32 ± 0.2053.83 ± 21.4598.40 ± 0.37

الجدول 3: نتائج دراسة الاستئصال. مقارنة أداء تكوينات RareCode مع الإضافة التدريجية للمكونات: خط الأساس القائم على إعادة البناء فقط (NoCAR)، وCAR بكتاب شفرات واحد (SingleCodebook)، وتكوينات متعددة المقاييس (TwoScales، ThreeScales، FourScales). كما تم إدراج دراسة استئصال إضافية لتعقيد فك التشفير باستخدام تكوين FourScales. وتشمل المقاييس AUC، ومتوسط الدقة (AP)، وF1-score، والنوعية (specificity)، والدقة عند استدعاء 90% (P@R90).

نوع النتيجةنسبة الطاقةCohen's dالمساحة تحت المنحنى AUC (%)
خطأ إعادة البناء2.6232.00693.31
CAR المدمج1.0781.00274.85
كود بوك 641.1091.20778.79
كود بوك 1281.0851.06776.19
كود بوك 2561.0650.91672.80
كود بوك 5121.0640.83370.38

الجدول 4: تحليل على مستوى الصورة للاستجابات المشتقة من التموضع. تمت مقارنة متوسط خطأ إعادة البناء على مستوى الصورة واستجابات ندرة دفتر الرموز بين العينات الطبيعية والشاذة باستخدام نسبة الطاقة، ومعامل Cohen's d، والمساحة تحت المنحنى AUC.

طَيّالأمثل αالمساحة تحت المنحنى للتحقق (%)نسبة المساحة تحت المنحنى للاختبار (AUC %)
10.9596.2296.91
20.996.3896.39
30.8596.7196.82
40.8596.2296.93
50.9596.7297.05
المتوسط الحسابي0.90 ± 0.0596.45 ± 0.2396.82 ± 0.23

الجدول 5: قيم ألفا المثلى عبر الطيات. وزن الاندماج الأمثل ألفا الذي تم تحديده عبر البحث الشبكي (حجم الخطوة 0.05) على مجموعات التحقق لكل طية من طيات التحقق المتقاطع، مع إحصائيات المتوسط والانحراف المعياري.

المناقشة

تشير النتائج إلى أن أنماط تنشيط دفتر الرموز قد توفر معلومات تكميلية لأخطاء إعادة البناء المكاني. ويدعم التحسن من نموذج NoCAR إلى نموذج FourScales الكامل المساهمة المحتملة لتسجيل CAR، بينما تشير أوزان الدمج المختارة إلى أن الندرة الدلالية قد تلعب دوراً هاماً في درجة الشذوذ النهائية. وأحد التفسيرات المحتملة هو أن التشوهات المرتبطة بسرطان القولون والمستقيم (CRC) يمكن أن تمتد عبر مقاييس مورفولوجية مختلفة، بدءاً من اللانمطية النووية وصولاً إلى اختلال البنية الغدية، وبالتالي قد تستفيد من تمثيلات الميزات ذات الحبيبات المتعددة14. يلتقط النموذج الحالي نطاقات مكانية مختلفة باستخدام رقع بمقاس 32 × 32 و 64 × 64 عند نفس مستوى التكبير؛ وقد يدعم التكامل المستقبلي مع أطر معالجة الصور الكاملة للشريحة (WSI) المزيد من التحليل الهرمي على مستوى الشريحة39.

من الناحية السريرية، قد يكون من الأفضل اعتبار RareCode أداة فرز للفحص المسبق بدلاً من كونه نظاماً تشخيصياً مستقلاً. وتشير نسبة الاستدعاء العالية (98.40%) إلى وجود خطر منخفض نسبياً في تفويت الحالات الشاذة40، بينما تعكس خصوصيته المتوسطة (58.24%) على الأرجح صعوبة التمييز بين التغيرات الالتهابية والأنسجة الطبيعية في بيئة غير خاضعة للإشراف. كما تشير الخصوصية الأعلى المتعلقة بالسرطان (94.21%) إلى أن الإنذارات الكاذبة قد تكون أقل تكراراً بالنسبة للنمط الفرعي الأكثر أهمية من الناحية السريرية. وتدعم خصائص الأداء هذه إمكانية استخدام RareCode كأداة للفحص المسبق لتحديد أولويات الحالات التي تتطلب تقييماً من قبل خبراء وتبسيط مراجعة علم الأمراض5,6.

قد تدعم النتائج الخاصة بكل فئة الدور المحتمل لـ RareCode في عملية الفرز. وقد يعكس الأداء الأقوى نسبياً في حالات السرطان مقارنة بالالتهابات تلك الانحرافات المعمارية والخلوية الأكثر وضوحاً والتي غالباً ما تُلاحظ في الأنسجة الخبيثة، بما في ذلك فقدان القطبية، وتعدد الأشكال النووي، والتنسج الليفي السدوي14,39. وفي المقابل، قد تتداخل التغيرات الالتهابية بشكل وثيق مع التباينات الموجودة في الأنسجة الحميدة، وهو ما قد يفسر جزئياً انخفاض الخصوصية المتعلقة بالالتهابات. وبناءً على ذلك، يجب تفسير الخصوصية العامة بحذر، مع اعتبار الكشف عن السرطان حالة استخدام ذات أهمية سريرية بدلاً من كونه تشخيصاً ذاتياً نهائياً.

يجب تفسير أوضاع الفشل المحتملة لنموذج RareCode في سياق هدف تعلم الفئة الواحدة الخاص به. ونظرًا لأن النموذج يتعلم أنماط الأنسجة الطبيعية بدلاً من الفئات المحددة للأمراض، فإن التغيرات غير الورمية مثل الظهارة التجددية، أو التليف، أو النخر، أو الالتهاب الشديد قد تحصل أيضاً على درجات شذوذ عالية. وعلى العكس من ذلك، فإن خلل التنسج الطفيف أو الكارسينوما جيدة التمايز ذات البنية الغدية القريبة من الطبيعية قد تؤدي إلى استجابات أضعف. كما قد تؤثر العوامل التقنية، بما في ذلك تباين الصبغ، وطيات الأنسجة، وعيوب التقطيع، وفقدان التركيز، وضغط الصور، على أخطاء إعادة البناء وتكرارات تفعيل دفتر الرموز. وتشير هذه الاعتبارات إلى أن التطبيق السريري سيتطلب مراقبة جودة الصور، وتوحيد الصبغ، ومعايرة تراعي نوع الماسح الضوئي، وتحققاً متعدد المراكز39,41.

نطاق مقارنات المرجعية. يركز التقييم التجريبي في هذه الدراسة على الطرق التي تعمل بموجب افتراضات بيانات وحسابات متقاربة؛ وتحديداً الطرق التي يمكن تدريبها من البداية إلى النهاية (end-to-end) باستخدام عينات طبيعية غير مصنفة صغيرة الحجم فقط، دون الحاجة إلى مجموعات بيانات تدريب مسبق خارجية. يشمل هذا النطاق النماذج الرئيسية في الكشف غير الخاضع للإشراف عن الشذوذ: الطرق القائمة على إعادة البناء (CAE، VAE، SAE، MAE، PatchSAE)، والطرق المعززة بالذاكرة (MemAE)، وتقطير المعرفة (STFPM)، والتعزيز الاصطناعي (DRAEM)، ومطابقة الميزات المدربة مسبقاً (PatchCore). ونقر هنا بأن فئتين من الطرق لم يتم إدراجهما كمرجعيات مباشرة؛ أولاً، تعتمد النماذج التأسيسية الخاصة بعلم الأمراض (UNI، CONCH، CTransPath) على التدريب المسبق على الملايين من صور علم الأمراض المنسقة، وتعود مزايا أدائها بشكل أساسي إلى حجم وتنوع بيانات التدريب المسبق بدلاً من آلية الكشف عن الشذوذ؛ لذا فإن المقارنة المباشرة من شأنها أن تخلط بين مساهمات بيانات التدريب المسبق ومساهمات منهجية الكشف. ويوضح الأداء دون المستوى لـ STFPM و PatchCore — وكلاهما يستخدم هياكل أساسية مدربة مسبقاً على ImageNet — تجريبياً تأثير الفجوة في المجال (domain gap) عند تطبيق ميزات مدربة مسبقاً لأغراض عامة على سيناريوهات التشريح المرضي، ويشير ذلك إلى أن التدريب المسبق الخاص بعلم الأمراض قد يسد هذه الفجوة. ثانياً، تفرض طرق الكشف عن الشذوذ القائمة على الانتشار (diffusion)، رغم كونها واعدة، عبئاً حسابياً أعلى بكثير أثناء الاستدلال (تتطلب عادةً مئات الخطوات التكرارية لإزالة الضجيج)، مما يحد من قابليتها للتطبيق في سير عمل الفحص السريري عالي الإنتاجية حيث تكون كفاءة المعالجة مطلباً عملياً. ستبحث الأعمال المستقبلية فيما إذا كان دمج المشفرات المدربة مسبقاً والخاصة بعلم الأمراض في بنية RareCode — لتحل محل المشفر الحالي المدرب من البداية إلى النهاية — يمكن أن يحسن أداء الكشف بشكل أكبر مع الحفاظ على مزايا القابلية للتفسير التي توفرها آلية CAR.

يجب الإقرار بعدة قيود. أولاً، اقتصر التحقق من الصحة على مجموعة بيانات لسرطان القولون والمستقيم (CRC) من مركز واحد، وهناك حاجة إلى مزيد من التقييم متعدد المراكز عبر مؤسسات وأجهزة مسح وبروتوكولات صبغ مختلفة. ثانياً، على الرغم من أن النوعية الخاصة بالسرطان كانت مشجعة، إلا أن النوعية العامة ظلت متأثرة بالحد الفاصل بين الالتهاب والأنسجة الطبيعية. ثالثاً، لم تكن التعليقات التوضيحية من الخبراء على مستوى البكسل متاحة؛ وبالتالي، تعذر حساب معامل Dice وIoU، واقتصر تقييم التحديد الموضعي على التصوير المرئي النوعي وتحليل مستوى الصورة للاستجابات المكانية المجمعة. رابعاً، لا تزال هناك حاجة إلى دراسات رسمية للقراء لتحديد ما إذا كانت الخرائط الحرارية الهرمية يمكن أن تحسن دقة التشخيص أو كفاءة المراجعة. وأخيراً، يقوم RareCode حالياً بإجراء تحليل على مستوى الرقعة ومستوى الصورة، وسيتطلب النشر على مستوى الصور الكاملة للشريحة (WSI) التكامل مع أطر معالجة إضافية39,41,42.

يجب أن تعمل الأبحاث المستقبلية على تقييم RareCode باستخدام المقاييس المرجعية العامة والمجموعات متعددة المراكز بعد دمجه مع أطر معالجة الصور الكاملة للشريحة (WSI). وقد تساعد دراسات القراء المستقبلية في تقييم تأثيره المحتمل على دقة التشخيص، ووقت المراجعة، والاتفاق بين المراقبين42. وتشمل التوجهات الإضافية تحسين الكفاءة الحسابية، وتوسيع النموذج نحو التصنيف الفرعي للشذوذ متعدد الفئات، ودمج التعلم متعدد النماذج للتشخيص على مستوى الشريحة28,39.

الإفصاحات

يصرح المؤلفون بأنه ليس لديهم أي مصالح مالية متنافسة معروفة أو علاقات شخصية يمكن أن تبدو مؤثرة على العمل الوارد في هذه الورقة. وخلال إعداد هذا العمل، استخدمنا ChatGPT لتحسين اللغة وسهولة قراءة المخطوطة والمساعدة في إنشاء كود تصور البيانات. وبعد استخدام هذه الأداة، قمنا بمراجعة وتحرير المحتوى حسب الحاجة ونتحمل المسؤولية الكاملة عن المقالة المنشورة.

شكر وتقدير

تم دعم هذا البحث من قبل محطة عمل الأكاديمي يونج داي (تكنولوجيا التشخيص لأمراض المناعة الذاتية) (Wan Ke Science and Technology [2023] No. 317)، ومشروع صندوق ابتكار الدراسات العليا لمركز البحوث الوطني في خفي لعلوم الصحة والتكنولوجيا بمركز البحوث المشترك للطب المهني والصحة والصندوق المفتوح (No.OMH-2023-04)، ومشروع البحوث السريرية والترجمية في مقاطعة آنهوي (No.202427610020132).

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
وحدة معالجة الرسومات GeForce RTX 4060 TiNVIDIAبما أنه لا يوجد نص مصدر مقدم للترجمة، يرجى تزويدي بالنص الإنجليزي الذي ترغب في ترجمته إلى اللغة العربية وفقاً للمعايير العلمية والمهنية المذكورة.ذاكرة وصول عشوائي للفيديو (VRAM) بسعة 16 جيجابايت؛ استُخدمت وحدة معالجة رسوميات (GPU) واحدة في جميع التجارب (RRID:SCR_022858)
Matplotlibفريق تطوير Matplotlibالإصدار 3.8.4تصوير البيانات وإنشاء الأشكال التوضيحية (RRID:SCR_008624)
NumPyمُطوِّرو NumPyالإصدار 1.26.4الحوسبة العددية وعمليات المصفوفات (RRID:SCR_008633)
بانداس (pandas)فريق تطوير pandasالإصدار 2.2.3تنظيم البيانات ومعالجة النتائج الجدولية (RRID:SCR_018214)
وسادةالمساهمون في مكتبة بايثون للتصوير / Pillowالإصدار 10.3.0تحميل الصور ومعالجتها مسبقاً
بايثونمؤسسة برمجيات بايثون (Python Software Foundation)الإصدار 3.12.3لغة البرمجة المستخدمة في تطوير النموذج وتحليل البيانات (RRID:SCR_008394)
PyTorchشركة .Meta Platforms, Incالإصدار 2.7.0+cu118إطار عمل التعلم العميق المستخدم لتنفيذ النموذج وتدريبه (RRID:SCR_018536)
scikit-learnمطورو scikit-learnالإصدار 1.4.2التحقق المتقاطع، وتقسيم بيانات التدريب والاختبار، ومقاييس التقييم (RRID:SCR_002577)
سايباي (SciPy)مطورو SciPyالإصدار 1.13.1التحليل الإحصائي (RRID:SCR_008058)
torchvisionمشروع PyTorchالإصدار 0.22.0+cu118المعالجة المسبقة للصور وتحويل البيانات
tqdmمطورو tqdmالإصدار 4.66.4مراقبة تقدم التدريب والتقييم

المراجع

  1. Fan J, Sun Q, Di Y, et al. DIPathMamba: A domain-incremental weakly supervised state space model for pathology image segmentation. Med Image Anal. 2025;103:103563.
  2. Nan T, Zheng S, Qiao S, et al. Deep learning quantifies pathologists' visual patterns for whole slide image diagnosis. Nat Commun. 2025;16(1):5493.
  3. Lagogiannis I, Meissen F, Kaissis G, et al. Unsupervised pathology detection: a deep dive into the state of the art. IEEE Trans Med Imaging. 2024;43(1):241-252.
  4. Tian Y, Liu F, Pang G, et al. Self-supervised pseudo multiclass pre-training for unsupervised anomaly detection and segmentation in medical images. Med Image Anal. 2023;90:102930.
  5. Metter DM, Colgan TJ, Leung ST, et al. Trends in the US and Canadian pathologist workforces from 2007 to 2017. JAMA Netw Open. 2019;2(5):e194337.
  6. Shaukat A, Levin TR. Current and future colorectal cancer screening strategies. Nat Rev Gastroenterol Hepatol. 2022;19(8):521-531.
  7. Ancker JS, Edwards A, Nosal S, et al. Effects of workload, work complexity, and repeated alerts on alert fatigue in a clinical decision support system. BMC Med Inform Decis Mak. 2017;17(1):36.
  8. Litjens G, Kooi T, Ehteshami Bejnordi B, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60-88.
  9. Stepec D, Skocaj D. Unsupervised detection of cancerous regions in histology imagery using image-to-image translation. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2021:3785-3792.
  10. Li Y, Lao Q, Kang Q, et al. Self-supervised anomaly detection, staging and segmentation for retinal images. Med Image Anal. 2023;87:102805.
  11. Hinton GE, Salakhutdinov RR. Reducing the dimensionality of data with neural networks. Science. 2006;313(5786):504-507.
  12. Kingma DP, Welling M. Auto-encoding variational Bayes. In: Proceedings of the 2nd International Conference on Learning Representations (ICLR). 2014.
  13. Goodfellow IJ, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets. In: Advances in Neural Information Processing Systems. 2014;27:2672-2680.
  14. Lu S, Zhang W, Zhao H, et al. Anomaly detection for medical images using heterogeneous auto-encoder. IEEE Trans Image Process. 2024;33:2770-2782.
  15. Yang Z, Zhang T, Soltani Bozchalooi I, et al. Memory-augmented generative adversarial networks for anomaly detection. IEEE Trans Neural Netw Learn Syst. 2022;33(6):2324-2334.
  16. Huyan N, Quan D, Zhang X, et al. Unsupervised outlier detection using memory and contrastive learning. IEEE Trans Image Process. 2022;31:6440-6454.
  17. Jézéquel L, Beaudet J, Histace A, et al. Unified anomaly detection via multi-scale contrasted memory. IEEE Trans Image Process. 2026;35:2802-2815.
  18. Roth K, Pemula L, Zepeda J, et al. Towards total recall in industrial anomaly detection. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022:14298-14308.
  19. Defard T, Setkov A, Loesch A, et al. PaDiM: a patch distribution modeling framework for anomaly detection and localization. In: International Conference on Pattern Recognition. Cham: Springer; 2021:475-489.
  20. Zingman I, Stierstorfer B, Lempp C, et al. Learning image representations for anomaly detection: application to discovery of histological alterations in drug development. Med Image Anal. 2024;92:103067.
  21. Jiang Y, Cao Y, Shen W. Prototypical learning guided context-aware segmentation network for few-shot anomaly detection. IEEE Trans Neural Netw Learn Syst. 2025;36(7):12016-12026.
  22. Wang X, Zhao J, Marostica E, et al. A pathology foundation model for cancer diagnosis and prognosis prediction. Nature. 2024;634(8035):970-978.
  23. Frotscher A, Kapoor J, Wolfers T, et al. Unsupervised anomaly detection in medical imaging using aggregated normative diffusion. Med Image Anal. 2026;109:103895.
  24. Zeng GQ, Yang YW, Lu KD, et al. Evolutionary adversarial autoencoder for unsupervised anomaly detection of industrial Internet of Things. IEEE Trans Reliab. 2025;74(3):3454-3468.
  25. Lu KD, Zhang BX, Xu Y, et al. MoARNN-AM: multi-objective automated recurrent neural network with attention mechanism for cyber-attack detection of UAV. IEEE Trans Consum Electron. 2026;72(1):1738-1749.
  26. van den Oord A, Vinyals O, Kavukcuoglu K. Neural discrete representation learning. In: Advances in Neural Information Processing Systems. 2017;30:6306-6315.
  27. Ghafourian A, Shui H, Upadhyay D, et al. Targeted collapse regularized autoencoder for anomaly detection: black hole at the center. IEEE Trans Neural Netw Learn Syst. 2025;36(6):10348-10358.
  28. Gao Z, Mao A, Dong Y, et al. SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning. Nat Cancer. 2025;6(12):2025-2041.
  29. Wang X, Liu H, Zhang Y, et al. Joint modeling histology and molecular markers for cancer classification. Med Image Anal. 2025;102:103505.
  30. Jin H, Shen J, Cui L, et al. Dynamic graph based weakly supervised deep hashing for whole slide image classification and retrieval. Med Image Anal. 2025;101:103468.
  31. Schmitz R, Madesta F, Nielsen M, et al. Multi-scale fully convolutional neural networks for histopathology image segmentation: from nuclear aberrations to the global tissue architecture. Med Image Anal. 2021;70:101996.
  32. Masci J, Meier U, Ciresan D, et al. Stacked convolutional auto-encoders for hierarchical feature extraction. In: International Conference on Artificial Neural Networks. Berlin: Springer; 2011:52-59.
  33. Ng A. Sparse autoencoder. CS294A Lecture Notes. 2011;72:1-19.
  34. He K, Chen X, Xie S, et al. Masked autoencoders are scalable vision learners. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022:16000-16009.
  35. Lim H, Choi J, Choo J, et al. Sparse autoencoders reveal selective remapping of visual concepts during adaptation. In: Proceedings of the 13th International Conference on Learning Representations (ICLR). 2025.
  36. Gong D, Liu L, Le V, et al. Memorizing normality to detect anomaly: memory-augmented deep autoencoder for unsupervised anomaly detection. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019:1705-1714.
  37. Wang G, Han S, Ding E, et al. Student-teacher feature pyramid matching for anomaly detection. In: Proceedings of the 32nd British Machine Vision Conference (BMVC). 2021.
  38. Zavrtanik V, Kristan M, Skocaj D. DRAEM: a discriminatively trained reconstruction embedding for surface anomaly detection. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021:8330-8339.
  39. Niazi MKK, Parwani AV, Gurcan MN. Digital pathology and artificial intelligence. Lancet Oncol. 2019;20(5):e253-e261.
  40. Raab SS, Grzybicki DM, Janosky JE, et al. Clinical impact and frequency of anatomic pathology errors in cancer diagnoses. Cancer. 2005;104(10):2205-2213.
  41. Schömig-Markiefka B, Pryalukhin A, Hulla W, et al. Quality control stress test for deep learning-based diagnostic model in digital pathology. Mod Pathol. 2021;34(12):2098-2108.
  42. Steiner DF, MacDonald R, Liu Y, et al. Impact of deep learning assistance on the histopathologic review of lymph nodes for metastatic breast cancer. Am J Surg Pathol. 2018;42(12):1636-1646.

إعادة الطباعة والأذونات

الوسوم

التعلم غير الخاضع للإشرافتنشيط دفتر الرموزالتكميم الاتجاهيدفتر الرموز متعدد المقاييساكتشاف السرطانالتحليل الدلالي
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.