نموذج قابل للشرح يعتمد على التعلم الذاتي للتصنيف القوي لأورام الدماغ متعددة الفئات من صور الرنين المغناطيسي

الملخص التصنيف الدقيق والقابل للتفسير لأورام الدماغ من صور الرنين المغناطيسي مهم للكشف المبكر وتخطيط العلاج الفعال. طرق التعلم العميق المُشرف قوية لكنها محدودة بالاعتماد على مجموعات بيانات مصنفة ضخمة ونقص قابلية التفسير في اتخاذ القرار سريريًا. في هذا العمل، نقدم نهج تعلم ذاتي الإشراف يعتمد على SimCLR مع العمود الفقري EfficientNetB3 لتقطيع أورام الدماغ بأربع فئات: الورم الأرومي الدبقي، الورم السحائي، ورم الغدة النخامية، وعدم وجود ورم. يستخدم الأسلوب تدريبًا مسبقًا قائمًا على التعلم الذاتي على كميات كبيرة من البيانات غير المصنفة لتعلّم تمثيلات الميزات البارزة قبل إجراء ضبط دقيق مشرف برأس مصنف مثالي. تعزز التقنية التعميم بفعالية مع اعتماد ضئيل على التعليقات البشرية واسعة النطاق. الإطار المتصور يحقق دقة اختبار 98.32٪، مع دقة، استدعاء، ومقاييس F1 لكل فئة تزيد عن 96٪، وأفضل أداء تصنيفي في فئات عدم وجود ورم ورم الغدة النخامية. لتحسين القابلية للتفسير والثقة السريرية، تم استخدام تخطيط تفعيل الطبقات مع وزن تدرج (Grad-CAM) مع تصور منطقي للمنطقة الورمية والتحقق من توافق انتباه النموذج مع الميزات الإشعاعية. حسب علم المؤلفين، هذا أول عمل يجمع بين SSL محسّن قائم على SimCLR وتصنيف أورام الدماغ باستخدام الرنين المغناطيسي وقابلية الشرح. تظهر النتائج أن نماذج قائمة على SSL وقابلة للتفسير يمكن أن تنتج دعم قرار دقيق، موثوق وذو صلة سريرية في أورام الجهاز العصبي.