چارچوب یادگیری خودنظارتی برای برچسب گذاری خودکار تصاویر پاتولوژی با داده های کم برچسب

تصاویر پاتولوژی دیجیتال در تشخیص و درمان بیماری های سرطانی اهمیت زیادی دارند. با این حال، فرآیند برچسب گذاری تصاویر پاتولوژی به دلیل نیاز به تخصص پاتولوژیست ها، زمان بر و پرهزینه است. به همین دلیل، استفاده از داده های بدون برچسب برای آموزش مدل های یادگیری خودنظارتی (SSL) به عنوان یک راه حل موثر در این زمینه مطرح است. در حالی که SSL در سایر حوزه های پزشکی مورد توجه قرار گرفته، در پاتولوژی به ویژه در زمینه تولید برچسب های خودنظارتی برای تجسم خودکار کمبود تحقیق وجود دارد. این پژوهش، به عنوان اولین مطالعه در ایران، یک چارچوب خودنظارتی برای تجسم و برچسب گذاری خودکار تصاویر پاتولوژی ارائه داده و به چالش های خاص در این زمینه پرداخته است. این مطالعه به صورت تجربی-محاسباتی با استفاده از مدل های یادگیری عمیق انجام شد. مدل های خودنظارتی ابتدا با داده های بدون برچسب پیش آموزش شدند و سپس با داده های کم برچسب ریزتنظیم گردیدند. نتایج نشان داد که مدل ها در سناریوهای کم برچسب (۱% تا ۱۰%) عملکرد قابل قبولی داشتند و نسبت به مدل های نظارت محور عملکرد پایدارتر و مقاوم تری نشان دادند. همچنین، تقویت داده ها و پیش پردازش صحیح باعث بهبود عملکرد مدل ها شد. این تحقیق نشان می دهد که یادگیری خودنظارتی می تواند به کاهش وابستگی به داده های برچسب دار کمک کند و به تجزیه و تحلیل سریع تر و دقیق تر تصاویر پاتولوژی منجر شود. یافته ها می توانند به توسعه سیستم های هوش مصنوعی در پاتولوژی دیجیتال و کاهش هزینه های برچسب گذاری کمک کنند و زمینه ساز مدل های بومی در ایران شوند.

کلیدواژه ها:

یادگیری خودنظارتی ، برچسب گذاری خودکار ، تجسم تصاویر پاتولوژی ، داده های کم برچسب ، تحلیل پاتولوژی دیجیتال.