Ин таҳқиқот равиши назорати ёрирасони қабати миёнаро меомӯзад, ки ҳадафаш омӯзиши боэътимодтари синфҳои бемориҳои камнамоянда ҳангоми таснифоти тасвирҳои томографияи когерентии оптикии ретина бо тақсимоти номутавозуни синфҳо мебошад. Назорати ёрирасони қабати миёна як сохтори омӯзиши амиқ аст, ки илова ба таснифгари асосӣ ба хусусиятҳои сатҳи миёнаи шабака сари дуюми таснифгарро пайваст мекунад ва ин сарро танҳо ҳангоми омӯзиш ҳамроҳ бо вазифаи асосӣ оптимизатсия менамояд. Муҳаққиқон ин сохторро дар ResNet-18, ResNet-50, EfficientNet-B0 ва Vision Transformer ViT-B/16 бо 84.495 скани OCT аз чор синф арзёбӣ кардаанд. Дар маҷмӯаи додаҳо Drusen бо тақрибан %10,6 синфи камнамояндатарин аст.

Усул ду механизмро якҷо истифода мебарад. Аввал, саҳми синфҳое, ки намунаҳои кам доранд, дар талафоти омӯзиш бо басомади баръакси синф зиёд карда мешавад. Дуюм, ҳамон нишони ташхисии чорсинфа на танҳо ба қабати ниҳоии шабака, балки ба қабати миёнае низ татбиқ мешавад, ки мувофиқи меъморӣ интихоб шудааст. Тавозуни байни талафоти асосӣ ва талафоти ёрирасон бо коэффисиенти \(\lambda\) идора мешавад ва дар таҳқиқот қиматҳои \(\lambda \in \{0.0, 0.3, 0.5, 0.7, 0.9\}\) ба таври низомманд муқоиса карда мешаванд.

Қавитарин натиҷаи умумӣ барои EfficientNet-B0 дар шарти \(\lambda=0.3\) ба даст омадааст: дақиқии умумӣ ба %97,78 расида, барои синфи Drusen precision %92,54, ҳассосият/recall %94,51, specificity %99,29 ва F1-хол %93,51 гузориш шудааст. Азбаски дар ҷадвали асосии ablation-и EfficientNet-B0 дар шарти бевазни \(\lambda=0\) Drusen F1-хол %90,87 буд, афзоиш 2,64 банди фоизиро ташкил медиҳад. ResNet-18 ва ResNet-50 низ аз талафоти ёрирасони сатҳи миёна баҳра гирифтаанд, дар ҳоле ки барои ViT-B/16 қимати муносибтарин \(\lambda=0.5\) будааст.

Натиҷаҳо танҳо аз рӯи дақиқии умумӣ арзёбӣ нашудаанд. Таҳлилҳои Grad-CAM ва Attention Rollout нишон додаанд, ки зери назорати ёрирасони муносиб, махсусан дар намунаҳои Drusen, диққати модел метавонад ба сохторҳои ретиналии аз нигоҳи клиникӣ марбут беҳтар тамаркуз кунад. Бо ин вуҷуд, ViT-B/16 нисбат ба моделҳои конволютсионӣ ба канорҳои сафед ва минтақаҳои padding дар маҷмӯаи додаҳо ҳассосияти бештар нишон додааст. Азбаски таҳқиқот танҳо ба як маҷмӯаи додаҳои benchmark такя мекунад ва тасдиқи беруна, бисёрмарказӣ ё клиникии проспективиро дар бар намегирад, натиҷаҳо набояд мустақиман ҳамчун муваффақияти истифодаи воқеии клиникӣ тафсир шаванд.

Мушкилоти асосӣ: дақиқии баланди умумӣ метавонад хатои синфи ақаллиятро пинҳон кунад

Томографияи когерентии оптикӣ (optical coherence tomography, OCT) усули ғайриинвазивии тасвирбардорист, ки сохтори қабатии ретинаро ба шакли буришӣ нишон медиҳад. Маҷмӯаи додаҳои дар таҳқиқот истифодашуда чор категорияи ташхисиро дар бар мегирад: неоваскуляризатсияи хориоидалӣ (CNV), варами диабетии макула (DME), Drusen ва ретинаи муқаррарӣ. Тақсимоти синфҳо баробар нест: CNV тақрибан %44,5, ретинаи муқаррарӣ %31,5, DME %13,6 ва Drusen %10,6-ро ташкил медиҳанд.

Дар чунин тақсимот танҳо ба дақиқии умумӣ нигоҳ кардан метавонад гумроҳкунанда бошад. Вақте ки модел синфҳои аксариятро хеле хуб меомӯзад, метавонад дақиқии баланди умумӣ диҳад; аммо precision, recall ё F1-холи синфи камтар вохӯрандае мисли Drusen метавонад ба таври намоён паст бимонад. Аз ин рӯ, мушкилоти марказии таҳқиқот аз саволи “модел чанд тасвирро дуруст тасниф мекунад?” ба саволи маҳдудтар ва аз нигоҳи клиникӣ муҳимтар мегузарад: оё хусусиятҳои синфҳои патологияи ретиналии камнамоянда дар фазои намояндагии шабака ба қадри кофӣ қавӣ омӯхта мешаванд?

Намунаҳои OCT-и дар манбаъ овардашуда ҳамчунин нишон медиҳанд, ки ҳамаи тасвирҳо танҳо аз бофтаи ретина иборат нестанд. Дар баъзе сканҳо моилшавӣ, чархиш ва махсусан дар канорҳои тасвир минтақаҳои заминаи сафед/padding мавҷуданд, ки маълумоти анатомӣ намедиҳанд. Ин ҷузъ барои тафсири фарқи диққате, ки баъдтар байни ViT-B/16 ва шабакаҳои конволютсионӣ мушоҳида шудааст, муҳим мебошад.

Назорати Миёна Номутавозунии Синфҳоро Чӣ Гуна Ҳадаф Мегирад?

Назорати миёна ҳамон нишони ташхисиро на танҳо ба сари ниҳоии таснифгари шабака, балки ба сари дуюми ёрирасоне низ татбиқ мекунад, ки ба хусусиятҳои сатҳи миёна пайваст аст ва ҳамин тавр градиенти омӯзишро мустақиман ба қабатҳои барвақттари шабака мерасонад; дар ин таҳқиқот, азбаски талафоти ёрирасон бо басомадҳои баръакси синфҳо вазн дода шудааст, ҳадаф қавитар кардани намояндагии синфҳои ақаллият дар сатҳи хусусиятҳои миёна низ мебошад.

Ин равиш нишони нави сегментатсия, ниқоби осеб ё аннотатсияи ҷудогонаи клиникиро талаб намекунад. Сари ёрирасон ва сари асосӣ аз ҳамон нишони дурусти чорсинфа истифода мебаранд. Аз ин рӯ, назорати иловагӣ ба ҷойи таъини вазифаи нави семантикӣ, ҳамон масъалаи таснифотро дар умқҳои гуногуни шабака дубора намоён месозад.

Вазнҳои синф аз рӯи басомади баръакс

Вазни ҳар синф бо Муодилаи (1) муайян мешавад:

\[ w_i=\frac{N}{C\,n_i} \]

Дар ин ҷо \(N\) шумораи умумии намунаҳои омӯзиш, \(C\) шумораи синфҳо ва \(n_i\) шумораи намунаҳо дар синфи дахлдори \(i\)-ро нишон медиҳад. Бо кам шудани шумораи намунаҳо дар як синф, \(n_i\) хурд ва \(w_i\) калон мешавад. Аз нигоҳи математикӣ ин маъно дорад, ки таснифоти нодуруст дар синфҳои камнамоянда дар функсияи талафот вазни бештар мегирад. Барои ин таҳқиқот \(C=4\) аст.

Чаро Вазни Синф Аз Рӯи Басомади Баръакс Танҳо Ба Қабати Ниҳоӣ Вогузор Нашудааст?

Равиши таҳқиқот танҳо бо тағйир додани вазни намунаҳо дар таснифгари ниҳоӣ маҳдуд намешавад; ҳамон ҳадафи ташхисии вазндодашударо дар сатҳи хусусиятҳои миёна низ татбиқ мекунад, то сигнали омӯзиши синфи ақаллият ба қисми барвақттари иерархияи хусусиятҳои шабака интиқол ёбад ва сари ёрирасон бо сари асосӣ якҷо оптимизатсия шаванд.

Нуқтаҳои пайвасти ёрирасон вобаста ба меъморӣ яксон нестанд. Барои ResNet-18 ва ResNet-50 сари ёрирасон ба баромади layer3 пайваст мешавад; андозаи намояндагии миёна мутаносибан 256 ва 1024 канал мебошад. Дар EfficientNet-B0 тақрибан блокҳои 6-8-уми минтақаи миёнаи васеъшавӣ/MBConv истифода мешаванд. Барои ViT-B/16 назорати ёрирасон ба намояндагии 768-андозаи блоки шашуми transformer татбиқ мешавад.

Сари ёрирасон фаъолшавии миёнаро бо global average pooling фишурда, тавассути қабати пурра пайваст чор logit ҳосил мекунад:

\[ \mathbf{f}_{aux}=FC(GAP(\mathbf{A}_{int})), \qquad \mathbf{A}_{int}\in\mathbb{R}^{H'\times W'\times C} \]

\(H'\) ва \(W'\) андозаҳои фазоии харитаи хусусиятҳои миёна ва \(C\) шумораи каналҳоро нишон медиҳанд. Global average pooling ҳар канали хусусиятро аз ҷиҳати фазоӣ ҷамъбаст мекунад; қабати пурра пайваст бошад ин намояндагиро ба logit-ҳои чор синфи ташхисӣ табдил медиҳад.

Якҷо кардани талафоти асосӣ ва ёрирасон

Ҳадафи умумии омӯзиш бо Муодилаи (3) сохта шудааст:

\[ \mathcal{L}_{total} = \mathcal{L}_{main}(\hat{\mathbf{y}}_{main},\mathbf{y}) + \lambda\,\mathcal{L}_{aux}(\hat{\mathbf{y}}_{aux},\mathbf{y}) \]

Дар ин ҷо \(\mathcal{L}_{main}\) талафоти сари асосӣ ва \(\mathcal{L}_{aux}\) талафоти cross-entropy-и сари ёрирасон бо вазнгузории басомади баръакс мебошад. \(\lambda\) таъсири сари ёрирасонро дар оптимизатсияи умумӣ муайян мекунад. Ҳангоми \(\lambda=0\), талафоти ёрирасон ба ҳадафи умумӣ саҳм намегузорад ва омӯзиш ба ҳолати стандартии яксара бармегардад.

Чаро Вазни Талафоти Ёрирасон Lambda Муҳим Аст?

\(\lambda\) гиперпараметри муҳим аст, зеро муайян мекунад, ки ҳадафи таснифоти ёрирасон фазои муштараки хусусиятҳоро то чӣ андоза қавӣ роҳнамоӣ мекунад; таҳқиқот нишон додааст, ки таъсири хеле пасти ёрирасон барои синфи ақаллият фоидаи маҳдуд медиҳад, таъсири аз ҳад зиёд метавонад тавозуни precision-recall-ро вайрон кунад ва беҳтарин натиҷаҳо дар аксари шабакаҳои конволютсионӣ дар атрофи \(\lambda=0.3\), дар ViT-B/16 бошад дар атрофи \(\lambda=0.5\) ба даст омадаанд.

Ин натиҷа нишон медиҳад, ки \(\lambda\)-ро наметавон ба шакли “ҳар қадар калонтар, ҳамон қадар беҳтар” тафсир кард. Талафоти ёрирасон бояд ҳамчун танзимгаре амал кунад, ки вазифаи асосиро дастгирӣ мекунад; вақте ки он то дараҷае қавӣ мешавад, ки оптимизатсияи вазифаи асосиро фишор медиҳад, қиматҳои precision ва F1 дар синфи ақаллият метавонанд коҳиш ёбанд.

Протоколи омӯзиш

Ҳар чор модел аз вазнҳои пешомӯзондашуда бо ImageNet-1K оғоз шудаанд. Барои оптимизатори AdamW суръати ибтидоии омӯзиш \(1\times10^{-4}\), weight decay \(1\times10^{-4}\), андозаи batch 16 ва буҷаи омӯзиш 20 epoch таъин шудааст. Дар ҷадвалбанди Cosine annealing суръати ҳадди ақали омӯзиш \(1\times10^{-6}\) муайян шудааст.

Додаҳо бо stratified sampling дар сатҳи бемор ба %70 омӯзиш, %15 валидация ва %15 тест тақсим шудаанд ва кафолат дода шудааст, ки як бемор ба чанд бахш наафтад. Танзими гиперпараметрҳо бо маҷмӯаи валидация анҷом дода шуда, маҷмӯаи тест барои арзёбии ниҳоӣ ҷудо шудааст. Манбаъ ҳамчунин мегӯяд, ки stratified cross-validation-и панҷқабата дар сатҳи бемор истифода шудааст ва натиҷаи ниҳоӣ ҳамчун миёнаи қабатҳо гузориш шудааст. Бо вуҷуди ин, дар ҷадвалҳои асосии натиҷаҳо инҳирофи стандартӣ ё фосилаи эътимод байни қабатҳо алоҳида пешниҳод нашудааст.

Озмоишҳо бо Python 3.11 ва PyTorch 2.5.1+CU121; дар NVIDIA RTX 2000 Ada Generation GPU бо CUDA/cuDNN фаъол, протсессори Intel Core Ultra 9 285 2.50 GHz ва 32 GB хотираи системавӣ анҷом дода шудаанд.

Softmax ва эҳтимолиятҳои синф

Logit-ҳои хоми \(Z_i\) барои чор синф бо softmax ба эҳтимолият табдил дода мешаванд:

\[ \hat{y}_i = \frac{e^{Z_i}} {\sum_{j=1}^{4}e^{Z_j}} \]

Ин табдил барои ҳар синф эҳтимолиятҳои ғайриманфӣ ҳосил мекунад ва ҷамъи чор эҳтимолиятро ба 1 баробар месозад.

Grad-CAM ва Attention Rollout Дар Ин Таҳқиқот Чиро Нишон Медиҳанд?

Grad-CAM ва Attention Rollout барои баррасии на танҳо дуруст ё нодуруст будани қарори модел, балки кадом минтақаҳои тасвир ҳангоми тавлиди ин қарор вазни бештар гирифтаанд, истифода шудаанд; Grad-CAM дар ResNet-18, ResNet-50 ва EfficientNet-B0 ва Attention Rollout дар ViT-B/16 татбиқ шуда, мушоҳида шудааст, ки зери назорати ёрирасони оптималӣ, махсусан дар намунаҳои Drusen, диққат метавонад бештар ба минтақаҳои патологияи ретина тамаркуз кунад.

Математикаи Grad-CAM

Барои синфи ҳадафи \(c\), саҳми харитаи хусусиятҳои \(A^k\) ба холи синф бо миёнаи фазоии градиентҳо вазн дода мешавад:

\[ \alpha_k^c = \frac{1}{Z} \sum_i\sum_j \frac{\partial y^c}{\partial A_{ij}^k} \]

Сипас харитаи Grad-CAM-и хоси синф:

\[ L_{\mathrm{Grad-CAM}}^c = ReLU\left( \sum_k \alpha_k^c A^k \right) \]

ҳисоб карда мешавад. Амали ReLU минтақаҳоеро нигоҳ медорад, ки ба синфи ҳадаф саҳми мусбат доранд. Харитаҳои гармии дар манбаъ тавлидшуда ба тасвири 224 × 224 OCT аз нав миқёсгузорӣ шуда, рӯйи сохтори ретина гузошта шудаанд.

Attention Rollout барои ViT-B/16

Дар ҳар қабати Transformer матритсаҳои диққат аз \(H\) attention head миёна гирифта мешаванд ва барои ба ҳисоб гирифтани residual connection матритсаи воҳид илова мегардад:

\[ \tilde{A}^{\,l} = \frac{1}{H} \sum_{h=1}^{H}A_h^{\,l} + I \]

Дар усули манбаъ, пас аз нормализатсияи сатрҳо, матритсаҳои тағйирёфтаи attention дар саросари қабатҳо пайдарпай зарб карда мешаванд. Ба ин тартиб, робитаи ҷамъшавандаи диққат аз token-и синф то patch-ҳои вурудӣ ба даст меояд. Қиматҳои сатҳи patch боз ба сатҳи тасвир интиқол дода шуда, рӯйи OCT гузошта мешаванд.

Метрикаҳои арзёбӣ

Усул ва Натиҷаҳои Таҳқиқот

Тарҳи ablation

Дар ҳар меъмории backbone коэффисиенти талафоти ёрирасон дар қиматҳои \(\lambda=0.0, 0.3, 0.5, 0.7, 0.9\) тағйир дода шудааст. Ҳадафи ин тарҳ танҳо ёфтани баландтарин дақиқии умумӣ нест, балки муайян кардани он аст, ки махсусан дар синфи Drusen қиматҳои precision, recall, specificity, F1 ва AUROC ба назорати ёрирасон чӣ гуна вокуниш мекунанд.

Кадом Сатҳи Талафоти Ёрирасон Беҳтарин Натиҷаро Дод?

Барои ResNet-18, ResNet-50 ва EfficientNet-B0 натиҷаҳои мутавозинтарин дар атрофи \(\lambda=0.3\) ба даст омадаанд, дар ҳоле ки барои ViT-B/16 нуқтаи муносибтарин \(\lambda=0.5\) будааст; баландтарин натиҷаи умумиро EfficientNet-B0 бо \(\lambda=0.3\), дақиқии %97,78 ва Drusen F1-холи %93,51 нишон додааст.

Тағйирот дар синфи Drusen

Ин ҷадвал нишон медиҳад, ки таъсири назорати ёрирасон вобаста ба меъморӣ яксон нест. EfficientNet-B0 баландтарин қимати Drusen F1-ро додааст, дар ҳоле ки ViT-B/16 дар ибтидо пасттарин Drusen F1-ро дошта, гарчанде аз назорати ёрирасон баҳра гирифтааст, ба сатҳи моделҳои конволютсионӣ нарасидааст.

Чаро lambda-и аз ҳад баланд фоидаовар набуд?

Дар ҷадвалҳои манбаъ дида мешавад, ки бо боло рафтани \(\lambda\) натиҷа ба таври монотонӣ беҳтар намешавад. Масалан, дар ResNet-18 ҳангоми \(\lambda=0.9\) Drusen precision ба %83,59 ва F1 ба %88,37 коҳиш меёбад. Дар EfficientNet-B0 низ Drusen F1 ҳангоми \(\lambda=0.9\) %90,37 аст ва аз сатҳи %93,51 дар \(\lambda=0.3\) пасттар мебошад. Аз ҳад зиёд вазн гирифтани вазифаи ёрирасон метавонад ба намояндагии муштарак фишоре оварад, ки тавозуни precision-recall-ро вайрон мекунад.

Муқоиса бо зернамунагирии пурра мутавозин

Муҳаққиқон барои санҷидани он ки фоидаи усул танҳо аз баробар кардани шумораи синфҳо бармеояд ё не, озмоиши ҷудогона гузарондаанд. 8.957 намунаи синфи Drusen ҳамчун меъёр гирифта шуда, се синфи дигар ба таври тасодуфӣ то 8.957 намуна кам карда шудаанд ва маҷмӯаҳои зерини мутавозин аз 35.828 тасвир сохта шудаанд. Бо се seed-и тасодуфии гуногун се зермаҷмӯаи мустақили мутавозин омода гардида, EfficientNet-B0 бо ҳамон танзимоти омӯзиш дубора омӯзонида шудааст.

Undersampling-и мутавозин синфи Drusen-ро беҳтар кардааст, аммо азбаски шумораи зиёди тасвирҳои синфҳои аксариятро аз омӯзиш хориҷ кардааст, дақиқии умумӣ ва Macro-F1 коҳиш ёфтаанд. Равиши пешниҳодшуда бошад тамоми маҷмӯаи додаҳоро нигоҳ дошта, ҳангоми оптимизатсия ба номутавозунии синфҳо таъсир мерасонад. Дар Ҷадвали 6-и манбаъ қимати Drusen-F1 барои “Imbalanced Baseline” %89,87 аст, дар ҳоле ки дар ҷадвали асосии ablation-и EfficientNet-B0 барои \(\lambda=0\) Drusen F1 %90,87 мебошад; манбаъ сабаби ин фарқро алоҳида шарҳ намедиҳад.

Хароҷоти ҳисоббарорӣ ва inference

Сари ёрирасон ҳангоми омӯзиш хароҷоти иловагии паҳншавии пеш/ақиб ва хотираро ба вуҷуд меорад. Аммо дар усули манбаъ сари ёрирасон ҳангоми inference ғайрифаъол карда мешавад. Аз ин рӯ, яке аз бартариҳои асосии системаи пешниҳодшуда дар он аст, ки ҳангоми омӯзиш назорати иловагӣ истифода мешавад, вале дар марҳилаи ҷойгиркунӣ хароҷоти inference-и backbone-и асосӣ тақрибан нигоҳ дошта мешавад. Фарқҳои хурди миллисониягӣ, ки дар Ҷадвали 7 чен шудаанд, амалан дар ҳамон сатҳи inference бо baseline мемонанд.

Тафсирпазирӣ: фаъолшавии тамаркузёфта дар Drusen

Дар муқоисаи Grad-CAM ва Attention Rollout-и манбаъ Drusen синфест, ки бо талафоти ёрирасон намоёнтарин тағйири визуалиро нишон медиҳад. Дар харитаҳои baseline-и ResNet-18, ResNet-50 ва EfficientNet-B0 фаъолшавӣ ба минтақаҳои васеътар паҳн мешавад, дар ҳоле ки зери \(\lambda\)-и оптималӣ диққат ба қабати берунии ретина ва минтақаи Drusen тезтар мутамарказ мегардад.

Дар намунаҳои CNV ҳам baseline ва ҳам моделҳои дорои назорати ёрирасон аллакай диққати қавӣ ва локализатсияшударо нишон додаанд. Дар DME фаъолшавиҳо умуман бо қабатҳои марказии ретина ва минтақаҳои моеъи дохилиретиналӣ мувофиқ мондаанд. Ин ҳолат тафсиреро дастгирӣ мекунад, ки назорати ёрирасон ба ҷойи беҳтар кардани синфҳои аксарият ё осонтар ҷудошаванда аз ҳисоби вайрон кардани онҳо, махсусан намояндагии хусусиятҳоро дар синфи душвор ва камнамоянда қавитар мекунад.

ViT-B/16 ва ҳассосият ба padding-и сафед

ViT-B/16 тасвири OCT-ро ба patch-ҳои 16 × 16 ҷудо карда, бо global self-attention коркард мекунад. Дар Расми 6-и манбаъ нишон дода шудааст, ки минтақаҳои сафеди канорӣ, ки маълумоти анатомӣ надоранд, дар харитаи диққати ViT нисбат ба CNN бештар намоёнанд. Конволютсияҳои маҳаллии ResNet ва EfficientNet ба қабатҳои ретина фаъолшавии зичтар медиҳанд, дар ҳоле ки тақсимоти диққати ViT васеътар аст.

Ин мушоҳида дар манбаъ бо тавзеҳи меъморӣ пайванд дода шудааст: моделҳои конволютсионӣ дорои ғаразҳои индуктивии навъи receptive field-и маҳаллӣ ва translation-equivariance мебошанд, дар ҳоле ки ViT аз қабатҳои аввал метавонад байни ҳамаи patch-ҳо робитаи глобалӣ барқарор кунад. Бо вуҷуди ин, таҳқиқот ба таври таҷрибавӣ ҷудо накардааст, ки padding сабаби ягона ва қатъии паст шудани натиҷаи ViT бошад. Азбаски коркарди пешакии махсус, аз қабили ниқобкунии замина ё буридани минтақаи ретина санҷида нашудааст, ин механизм бояд ҳамчун тавзеҳи қавии мушоҳидавӣ нигоҳ дошта шавад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Истифодаи якҷояи таснифоти ёрирасони қабати миёна ва талафоти вазндодашуда бо басомади баръакс дар ҳамаи чор меъмории таҳқиқшуда натиҷаи Drusen F1-ро нисбат ба baseline беҳтар кардааст.
• Барои моделҳои конволютсионӣ \(\lambda=0.3\) ва барои ViT-B/16 \(\lambda=0.5\) сатҳи муносибтарини таъсири ёрирасонро додааст.
• EfficientNet-B0 дар байни конфигуратсияҳои баррасишуда баландтарин дақиқии умумӣ ва баландтарин Drusen F1-холро нишон додааст.
• Назорати ёрирасони оптималӣ дар харитаҳои Grad-CAM ва Attention Rollout, махсусан барои Drusen, бо диққати анатомии тамаркузёфта ҳамроҳ будааст.
• Азбаски сари ёрирасон ҳангоми inference хориҷ мешавад, беҳбудии натиҷа бори назарраси ҳисоббарории вақти тестро талаб накардааст.
• Гарчанде undersampling-и тасодуфӣ синфи ақаллиятро қисман беҳтар кардааст, усули пешниҳодшуда, ки тамоми гуногунии додаҳоро нигоҳ медорад, дар муқоисаи ҷудогона натиҷаи aggregate-и баландтар нишон додааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Натиҷаҳо исбот намекунанд, ки усул дар дастгоҳҳои гуногуни OCT ё беморхонаҳои гуногун ҳамон натиҷаро хоҳад дод.
• Таҳқиқот омӯзиши клиникии проспективӣ нест ва беҳбудии натиҷаи беморро дар ҷараёни воқеии клиникӣ нишон надодааст.
• Аз нигоҳи анатомӣ маънодор будани харитаи Grad-CAM ё Attention Rollout худ аз худ қатъиян исбот намекунад, ки қарори модел ба механизми аз нигоҳи клиникӣ дуруст асос ёфтааст.
• Исбот нашудааст, ки натиҷаи пасттари ViT-B/16 танҳо аз padding-и сафед бармеояд; ablation-и махсус барои бартараф кардани padding гузаронда нашудааст.
• Таъсири мустақили назорати ёрирасон ва вазнгузории баръакси синфҳо бо ablation-и пурраи факториалӣ ҷудо карда нашудааст.
• Дақиқии баланд дар як маҷмӯаи додаҳои benchmark маънои омодагии модел ба истифодаи клиникӣ дар популятсияҳо ё дастгоҳҳои дигарро надорад.

Маҳдудиятҳои асосӣ ва корҳои оянда

Маҳдудияти аввалини таҳқиқот он аст, ки ҳамаи озмоишҳо дар як маҷмӯаи додаҳои benchmark ва таксономияи собити ташхисии чорсинфа анҷом дода шудаанд. Азбаски тасдиқи берунаи бисёрмарказӣ ё проспективӣ вуҷуд надорад, то кадом андоза хусусиятҳои тасвирии хоси маҷмӯаи додаҳо ба рафтори модел таъсир мекунанд, пурра маълум нест.

Маҳдудияти дуюм ин аст, ки таъсирҳои мустақил ва муштараки ду ҷузъи асосии усули пешниҳодшуда — вазнгузорӣ бо басомади баръакс ва назорати ёрирасони қабати миёна — ба таври пурраи факториалӣ ҷудо карда нашудаанд. Манбаъ барои \(\lambda\) ablation-и васеъ медиҳад, аммо матритсаи механистии ҷудогонаи шартҳои “танҳо вазни синф”, “танҳо сари ёрирасон” ва “ҳар ду якҷо” дар ҳамаи меъмориҳо пешниҳод нашудааст.

Маҳдудияти сеюм ҳассосияти ViT-B/16 ба padding мебошад. Ниқобкунии автоматии замина, буридани танҳо минтақаи ретина ё меъмориҳои гибридии convolution-attention метавонанд дар оянда арзёбӣ шаванд. Манбаъ ҳамчунин таҳқиқи вазифаҳои иловагии ёрирасон, аз қабили adaptive auxiliary weighting, сегментатсияи осеб ва дараҷабандии бемориро пешниҳод мекунад.

Ёддошт оид ба Манбаъ ва Усул

Таҳқиқоти аслӣ: Interpretable Deeply Supervised Networks for Class-Imbalanced OCT Classification

Муаллифон: Maria V. Leyba-Mesa; Buket D. Barkana.

Муаллифи масъул: Buket D. Barkana.

Муассиса: Department of Biomedical Engineering, College of Engineering and Polymer Science, The University of Akron, Akron, Ohio, ИМА.

Маҷалла: AI.

Ношир: MDPI, Basel, Switzerland.

Сабти библиографӣ: AI 2026, 7(5), 164.

DOI: 10.3390/ai7050164.

Пайванди расмии нашр: саҳифаи расмии мақола дар MDPI.

Раванди нашр: Қабул шуд 16 Март 2026; таҷдиди назар 5 Май 2026; пазируфта шуд 6 Май 2026; нашр шуд 8 Май 2026. Дар ёддоштҳои расмии версияҳои MDPI, Version of Record PDF дар 8 Май 2026 ва PDF-и навшуда дар 14 Май 2026 сабт шудааст.

Навъи манбаъ: Мақолаи таҳқиқотие, ки аз раванди баррасии ҳамтоён гузаштааст.

Иҷозатнома: Дастрасии кушода, Creative Commons Attribution (CC BY). Бо вуҷуди ин, баёни Verianla бо сохтори мустақили ҷумлаҳо ва меъмории алоҳидаи омӯзишӣ таҳия шудааст; расмҳои манбаъ айнан нусхабардорӣ нашудаанд.

Додаҳо: Маҷмӯаи додаҳои Kermany OCT; дар таҳқиқоти манбаъ 84.495 скани OCT, чор синфи ташхисӣ ва тақсимоти додаҳо дар сатҳи бемор истифода шудааст. Изҳороти дастрасии додаҳои мақола мегӯяд, ки додаҳои истифодашуда дар маҷмӯаи Kermany2018 дар Kaggle ҷойгиранд ва санаи дастрасӣ 12 Сентябр 2024 будааст.

Маблағгузорӣ: Муаллифон гузориш додаанд, ки таҳқиқот маблағгузории беруна нагирифтааст.

Изҳоротҳои ахлоқӣ: Institutional Review Board Statement “Not Applicable”; Informed Consent Statement “Not applicable” оварда шудааст.

Сипосгузорӣ: Муаллифон дастгирии Margaret F. Donovan Endowment дар The University of Akron-ро эътироф мекунанд.

Бархӯрди манфиатҳо: Муаллифон бархӯрди манфиатҳоро гузориш накардаанд.

Саҳми муаллифон: Консептуализатсия M.V.L.-M. ва B.D.B.; методология, нармафзор, таҳлили формалӣ, таҳқиқот, курацияи додаҳо ва визуализатсия асосан M.V.L.-M.; захираҳо, назорат ва идоракунии лоиҳа B.D.B.; валидация ҳар ду муаллиф; тарҳи аввал M.V.L.-M.; баррасӣ ва таҳрир аз ҷониби B.D.B. гузориш шудааст.

Ёддошти техникии дохили манбаъ 1: Дар ҷумлаи аввали бахши 4.4, ки натиҷаҳои ViT-B/16 ҷой доранд, Ҷадвали 5 иштибоҳан “ResNet-50 classifier” номида шудааст. Сарлавҳаи ҷадвал, идомаи матн ва қиматҳо ба ViT-B/16 тааллуқ доранд; дар ин матни Verianla ҳамчун ViT-B/16 баррасӣ шудаанд.

Ёддошти техникии дохили манбаъ 2: Дар муҳокимаи ResNet-50, дар параграфи пас аз \(\lambda=0.5\) “\(\lambda=0\)” навишта шудааст. Тартиби Ҷадвали 3 ва қиматҳои %96,69 дақиқӣ ва %89,56 Drusen F1 дар ҳамон параграф нишон медиҳанд, ки ин ба шарти \(\lambda=0.7\) мувофиқат мекунад. Номувофиқии навишти манбаъ пинҳон карда нашудааст.

Ёддошти техникии дохили манбаъ 3: Дар ҷадвали асосии ablation-и EfficientNet-B0 барои \(\lambda=0\) Drusen F1 %90,87 аст, дар ҳоле ки дар Ҷадвали 6-и озмоиши ҷудогонаи balanced-dataset “Imbalanced Baseline” Drusen-F1 %89,87 гузориш шудааст. Азбаски манбаъ сабаби ин фарқро шарҳ намедиҳад, ду қимат дар контекстҳои таҷрибавии худ ҷудо нигоҳ дошта шудаанд.

Ҳадди асосии тафсир: Ин таҳқиқот озмоиши омӯзиши мошинӣ дар як маҷмӯаи додаҳои benchmark-и OCT мебошад. Натиҷаҳо далели тасдиқи берунаи бисёрмарказӣ, таҳқиқоти клиникии проспективӣ ё самаранокии клиникӣ дар асоси натиҷаи бемор нестанд.

Мувофиқати аз нав кашидани визуалӣ: Баланд. Меъмории омӯзиши дусара, ҷараёни номутавозунии синфҳо, натиҷаҳои lambda-ablation ва фарқи диққати CNN-ViT метавонанд бо схемаҳои аслие, ки ба додаҳои манбаъ содиқанд, аз нав сохта шаванд.

Мувофиқати Verianla Live / Live Figure: Қисман мувофиқ. Нишон додани қадам ба қадами муқоисаи меъморӣ ва \(\lambda\) бар асоси додаҳои собити манбаъ мувофиқ аст. Иваз кардани \(\lambda\) ё дигар гиперпараметрҳо аз ҷониби корбар барои тавлиди қиматҳои нави натиҷа, ки дар манбаъ нестанд, мувофиқ нест.