دمج احتمالي متعدد المشاهدات خفيف الوزن لتصنيف صور الرنين المغناطيسي للركبة

الملخص

يظل التشخيص الدقيق لأمراض الركبة باستخدام التصوير بالرنين المغناطيسي (MRI) مهمة صعبة، لا سيما في ظل وجود اختلال في توازن البيانات (Class Imbalance)  وتباين تشريحي متعدد المستويات. ورغم تحقيق مناهج التعلم العميق نجاحاً ملحوظاً، إلا أنها غالباً ما تتطلب موارد حوسبية هائلة وقواعد بيانات ضخمة ومصنفة، مما يحد من انتشارها في البيئات السريرية ذات الموارد المحدودة. 

نقترح في هذه الدراسة إطار عمل خفيف الوزن للتعلم الآلي متعدد الرؤى للتشخيص الآلي للركبة بالرنين المغناطيسي. وبدلاً من التدريب الكامل والشامل  (End-to-end)، نستخدم شبكات عصبية تلافيفية مُدربة مسبقاً لاستخراج الميزات ودمجها مع مصنفات التعلم الآلي التقليدية. حيث تتم معالجة صور الرنين المغناطيسي (المقاطع السهمية، والمحورية، والإكليلية) بشكل مستقل لالتقاط المعلومات التشريحية المتكاملة، ثم تُدمج مخرجاتها الاحتمالية باستخدام استراتيجية دمج المجموعات المرجحة (Weighted Ensemble Fusion). ولمعالجة المقايضة بين الدقة (Precision) والاستدعاء (Recall) في البيانات غير المتوازنة، تم تقديم نهج تحسين العتبة التكيفي استناداً إلى منحنى (Precision–Recall) لتعظيم مقياس F1 دون المساس بأداء المنطقة الواقعة تحت المنحنى (AUC). 

وأظهر التقييم التجريبي على بيانات الرنين المغناطيسي متعددة الرؤى أن الإطار المقترح حقق درجات AUC بلغت 0.924 للكشف عن التشوهات، و0.902 للكشف عن تمزق الرباط الصليبي الأمامي  (ACL)، و0.749 للكشف عن تمزق الغضروف المفصلي. وتشير النتائج إلى أداء تشخيصي منافس مع الحفاظ على تعقيد حوسبي أقل بكثير مقارنة بنماذج التعلم العميق الكاملة."