پیش بینی بیماری های سیستمیک از تصاویر قرنیه با استفاده از ترنسفورمرهای یادگیری عمیق و استخراج نشانگرهای زیستی قابل تفسیر

در این مطالعه، یک چارچوب یادگیری عمیق مبتنی بر Vision Transformer برای پیش بینی غیرمستقیم بیماری های سیستمیک از تصاویر قرنیه و تخمین همزمان نشانگرهای زیستی مرتبط با وضعیت بالینی بیماران ارائه شده است. برخلاف روش های مبتنی بر شبکه های کانولوشنی که عمدتا بر ویژگی های محلی تمرکز دارند، مدل های Transformer با استفاده از مکانیزم self-attention قادر به استخراج وابستگی های سراسری در ساختار تصویر هستند که در تحلیل داده های پزشکی اهمیت بالایی دارد.در این پژوهش، از یک رویکرد یادگیری چندوظیفه ای برای انجام همزمان طبقه بندی وضعیت بیماری و رگرسیون نشانگرهای زیستی استفاده شده است. همچنین، برای ادغام اطلاعات تصویری و داده های بالینی ساخت یافته (clinical metadata)، از یک ماژول هم ترازی ویژگی مبتنی بر یادگیری مشترک استفاده شده است که باعث بهبود همبستگی بین نمایش های تصویری و متغیرهای بالینی می شود.برای تنظیم خودکار اهمیت وظایف، از مدل سازی عدم قطعیت در تابع هزینه استفاده شده است. علاوه بر این، برای افزایش قابلیت تفسیرپذیری مدل، از Grad-CAM جهت شناسایی نواحی کلیدی تصویر استفاده شده است. نتایج تجربی نشان می دهد که مدل پیشنهادی نسبت به روش های پایه عملکرد بهتری داشته و از نظر آماری پایدار است که با استفاده از bootstrap validation تایید شده است.

کلیدواژه ها:

قرنیه ، بیماری های سیستمیک ، یادگیری عمیق ، ترنسفورمر ، تفسیرپذیری