مدل‌های چندوجهی در مقایسه بافت‌های آسیب‌شناسی عملکرد بهتری داشتند

مدل‌های چندوجهی در پاتولوژی، در ارزیابی شباهت بافت‌های تصویربرداری‌شده در مراکز مختلف، از مدل‌های تخصصی آسیب‌شناسی عملکرد بهتری نشان داده‌اند. پژوهشی که در ۱ اکتبر ۲۰۲۶ در arXiv منتشر شد، ۱۷ مدل را روی ۶ مجموعه‌داده مقایسه کرد و به یک ضعف بالقوه مهم در مدل‌های تخصصی رسید: آن‌ها ممکن است ویژگی‌های مربوط به محل تهیه تصویر را با شباهت واقعی بافت اشتباه بگیرند.

مدل‌های چندوجهی در پاتولوژی چه عملکردی داشتند؟

مدل‌های تخصصیِ مورد بررسی، موسوم به مدل‌های پایه آسیب‌شناسی، با استفاده از میلیون‌ها قطعه تصویر بافت‌شناسی آموزش دیده‌اند. بااین‌حال، به گفته پژوهشگران، این مدل‌ها هنگام مقایسه تصاویر از اسلایدها یا مؤسسه‌های متفاوت ممکن است نتوانند شباهت بافتی را به‌درستی حفظ کنند.

در مقابل، مدل‌های زبانی چندوجهی عمومی که به‌عنوان مدل‌های تخصصی آسیب‌شناسی آموزش ندیده‌اند، در قضاوت درباره شباهت بافت‌ها در حوزه‌های مختلف به‌طور پیوسته بهتر عمل کردند. منظور از ارزیابی «میان‌حوزه‌ای» در این مطالعه، مقایسه نمونه‌هایی است که ممکن است از مؤسسه‌ها یا مجموعه‌داده‌های متفاوت آمده باشند.

خطای پنهان در مقایسه نمونه‌ها

پژوهشگران چارچوبی مبتنی بر مقایسه نسبی شباهت طراحی کردند و آن را در قالب معیار MOSAIC، مخفف ارزیابی شباهت مدل‌ها در مؤسسه‌ها و گروه‌های نمونه، ارائه دادند. این روش به‌جای تکیه بر ارزیابی‌های محدود به یک محیط، عملکرد مدل‌ها را در مقایسه میان مراکز و گروه‌های داده بررسی می‌کند.

طبق نتایج، مدل‌های تخصصی آسیب‌شناسی در برخی موارد، قطعه‌های بافتیِ متعلق به یک مؤسسه اما دارای بیماری‌های متفاوت را شبیه‌تر از نمونه‌های مربوط به یک بیماری مشترک در مؤسسه‌های جداگانه رتبه‌بندی کردند. چنین خطایی در آزمون‌های معمولِ درون‌حوزه‌ای ممکن است دیده نشود؛ اما در کاربردهایی که مقایسه میان مراکز اهمیت دارد، می‌تواند از نظر بالینی مسئله‌ساز باشد.

افزایش داده به‌تنهایی کافی نبود

نویسندگان احتمال می‌دهند مدل‌های چندوجهی عمومی کمتر گرفتار این مشکل می‌شوند، چون شکل و معماری بافت را به‌صورت معنایی مقایسه می‌کنند و کمتر به نشانه‌های جانبیِ مرتبط با شیوه تهیه تصویر متکی‌اند. این توضیح در مقاله به‌عنوان تبیین احتمالی مطرح شده است.

پژوهش همچنین نشان داد بزرگ‌تر کردن مجموعه‌داده‌های آموزشی، به‌تنهایی مشکل مدل‌های تخصصی را برطرف نمی‌کند. این نتیجه، از نگاه نویسندگان، احتمال نقش داشتن هدف یادگیری مدل‌ها را مطرح می‌کند؛ یعنی مسئله ممکن است فقط کمبود داده یا پوشش‌ندادن نمونه‌های کافی نباشد.

پیامدها و محدودیت‌های پژوهش

بر پایه یافته‌های این مطالعه، مدل‌های زبانی چندوجهی می‌توانند گزینه‌ای برای بازیابی نمونه‌های بافتی میان مؤسسه‌ها، همسان‌سازی مجموعه‌داده‌ها و کنترل کیفیت در چند مرکز باشند. بااین‌حال، مقاله درباره سنجش شباهت بافت‌هاست و نتیجه آن را نباید به برتری در تشخیص بیماری یا تصمیم‌گیری درمانی تعمیم داد.

پژوهشگران اعلام کرده‌اند کد و داده‌های مطالعه پس از پذیرش مقاله منتشر خواهد شد. نتایج فعلی شکافی در پایداری مدل‌های پایه آسیب‌شناسی را برجسته می‌کند، اما برای ارزیابی کاربردهای عملی، بررسی‌های بیشتر با ابزارها و داده‌های این پژوهش لازم خواهد بود.

این خبر برای چه کسانی اهمیت دارد

این یافته برای پژوهشگران هوش مصنوعی پزشکی، تیم‌های توسعه‌دهنده مدل‌های تصویری و مؤسساتی اهمیت دارد که داده‌های بافت‌شناسی را میان چند مرکز مقایسه می‌کنند. پیام اصلی آن است که عملکرد خوب در آزمون‌های محدود به یک محیط لزوماً به معنای پایداری هنگام انتقال به مرکز یا مجموعه‌داده‌ای دیگر نیست.