۱. معرفی مقاله و اهمیت آن

پیشرفت‌های چشمگیر در حوزه یادگیری ماشین، دامنه وسیعی از علوم و فنون را متحول کرده است؛ از پردازش زبان طبیعی و بینایی ماشین گرفته تا پردازش سیگنال و داده‌های پزشکی. با این حال، یکی از چالش‌های اساسی که عملکرد مدل‌های یادگیری ماشین را با افت مواجه می‌کند، تغییر در توزیع داده‌های آموزشی و آزمون است. این شکاف، ناشی از نقض فرض بنیادین “مستقل و به طور یکسان توزیع شدن” (i.i.d) داده‌ها است. در دنیای واقعی، جمع‌آوری داده از تمام حوزه‌های ممکن برای آموزش مدل‌ها، غالباً پرهزینه یا حتی غیرممکن است. این موضوع در زمینه تصاویر و سیگنال‌های پزشکی، به دلیل نیاز به تجهیزات گران‌قیمت یا تنظیمات دقیق آزمایشگاهی برای جمع‌آوری داده، حتی برای یک حوزه واحد، وخیم‌تر می‌شود. افت عملکرد در این حوزه می‌تواند عواقب جدی در تحلیل پرونده‌های پزشکی داشته باشد. بنابراین، توانایی تعمیم و انطباق مدل‌ها در مواجهه با تغییرات توزیع داده (تعمیم حوزه – Domain Generalization یا DG، و انطباق حوزه – Domain Adaptation یا DA) برای تحلیل داده‌های پزشکی امری حیاتی است.

مقاله حاضر، اولین بررسی نظام‌مند در زمینه DG و DA بر روی سیگنال‌های عملکردی مغز را ارائه می‌دهد و خلأ مطالعات جامع در این حوزه را پر می‌کند. این تحقیق با ارائه توضیحات دقیق و دسته‌بندی مجموعه داده‌ها، رویکردها و معماری‌های مورد استفاده در DG و DA بر روی تصاویر عملکردی مغز، به درک بهتر این حوزه کمک شایانی می‌نماید. همچنین، مسیرهای تحقیقاتی آینده که شایسته توجه هستند، مورد بررسی قرار گرفته‌اند.

۲. نویسندگان و زمینه تحقیق

این مقاله علمی توسط گروهی از پژوهشگران برجسته شامل Gita Sarafraz, Armin Behnamnia, Mehran Hosseinzadeh, Ali Balapour, Amin Meghrazi, و Hamid R. Rabiee به رشته تحریر درآمده است. حوزه اصلی تحقیق آن‌ها به طور خاص بر پردازش تصاویر و سیگنال‌های پزشکی، با تمرکز ویژه بر تصاویر عملکردی مغز، معطوف است. این تصاویر، اطلاعات ارزشمندی در خصوص فعالیت و عملکرد مغز در حالت‌های مختلف ارائه می‌دهند و در تشخیص و مطالعه طیف وسیعی از اختلالات عصبی و روانی کاربرد دارند.

زمینه‌های دسته‌بندی این مقاله در سه حوزه کلیدی قرار می‌گیرند:

• پردازش تصویر و ویدئو (Image and Video Processing): که به تکنیک‌های پردازش و تحلیل داده‌های بصری می‌پردازد.
• بینایی ماشین و بازشناسی الگو (Computer Vision and Pattern Recognition): که بر استخراج اطلاعات معنی‌دار از تصاویر و شناسایی الگوها تمرکز دارد.
• یادگیری ماشین (Machine Learning): که شامل الگوریتم‌ها و مدل‌های مورد استفاده برای یادگیری از داده‌ها و پیش‌بینی است.

ترکیب این حوزه‌ها، مقاله‌ای را به وجود آورده است که در خط مقدم تحقیقات هوش مصنوعی در حوزه پزشکی قرار دارد و به رفع چالش‌های مهم در کاربرد مدل‌های یادگیری ماشین بر روی داده‌های واقعی و متنوع پزشکی می‌پردازد.

۳. چکیده و خلاصه محتوا

چکیده این مقاله علمی، به طور خلاصه به مشکل اصلی و راه‌حل پیشنهادی می‌پردازد. همانطور که اشاره شد، الگوریتم‌های یادگیری ماشین در بسیاری از حوزه‌ها موفق بوده‌اند، اما افت عملکرد آن‌ها در صورت تغییر توزیع داده‌ها، یک محدودیت جدی است. این مشکل در حوزه پزشکی، به دلیل هزینه‌های جمع‌آوری داده و حساسیت بالای تحلیل‌ها، تشدید می‌شود. مقاله، DG و DA را به عنوان راه‌حل‌های اساسی برای این مشکل معرفی می‌کند و اولین بررسی جامع و نظام‌مند از این رویکردها بر روی تصاویر عملکردی مغز را انجام می‌دهد.

محتوای اصلی مقاله به شرح زیر خلاصه می‌شود:

• بیان مسئله: افت عملکرد مدل‌های یادگیری ماشین به دلیل ناهماهنگی توزیع داده‌های آموزشی و آزمون (domain shift).
• اهمیت در حوزه پزشکی: لزوم حفظ عملکرد دقیق مدل‌ها در تحلیل تصاویر و سیگنال‌های پزشکی به دلیل عواقب بالینی.
• راهکارها: معرفی و بررسی مفاهیم انطباق حوزه (DA) و تعمیم حوزه (DG).
• نوآوری: اولین بررسی نظام‌مند و جامع DG و DA بر روی تصاویر پزشکی عملکردی مغز.
• ساختار مقاله: دسته‌بندی و توضیح دقیق مجموعه داده‌ها، رویکردها و معماری‌های مورد استفاده، و پیش‌بینی مسیرهای آینده تحقیق.

۴. روش‌شناسی تحقیق

این مقاله از نوع بررسی نظام‌مند (Systematic Survey) است. این رویکرد علمی، به معنای انجام یک پژوهش دقیق و مستند برای جمع‌آوری، ارزیابی و سنتز تمام تحقیقات مرتبط با یک موضوع خاص است. روش‌شناسی مورد استفاده در این مقاله شامل مراحل زیر است:

1. جستجوی جامع مقالات: شناسایی و جمع‌آوری مقالات علمی منتشر شده در پایگاه‌های داده معتبر (مانند PubMed, IEEE Xplore, ACM Digital Library, arXiv) با استفاده از کلیدواژه‌های مرتبط با “Domain Adaptation”, “Domain Generalization”, “Functional Medical Images”, “Brain Signals” و مترادف‌های آن‌ها.
2. غربالگری و انتخاب مقالات: اعمال معیارهای ورود و خروج مشخص برای انتخاب مقالات واجد شرایط. این مرحله شامل بررسی عنوان، چکیده و متن کامل مقالات برای اطمینان از ارتباط آن‌ها با موضوع اصلی تحقیق است.
3. استخراج و سازماندهی داده‌ها: استخراج اطلاعات کلیدی از مقالات انتخاب شده، شامل:
   • مجموعه داده‌ها (Datasets): نوع تصاویر عملکردی مورد استفاده (مانند fMRI, EEG, MEG)، منبع داده‌ها، ویژگی‌های آماری و تنوع حوزه‌ها.
   • رویکردها (Approaches): دسته‌بندی روش‌های DA و DG بر اساس اصول کاری آن‌ها (مانند روش‌های مبتنی بر تقریب توزیع، روش‌های مبتنی بر یادگیری عمیق، روش‌های مبتنی بر یادگیری انتقالی).
   • معماری‌ها (Architectures): معرفی معماری‌های شبکه‌های عصبی و مدل‌های یادگیری ماشین که در این رویکردها به کار رفته‌اند.
4. تحلیل و سنتز یافته‌ها: گروه‌بندی و مقایسه رویکردها و یافته‌های مختلف، شناسایی نقاط قوت و ضعف هر کدام، و درک روندهای اصلی در این حوزه.
5. شناسایی شکاف‌های تحقیقاتی و مسیرهای آینده: بر اساس تحلیل انجام شده، نقاطی که کمتر مورد بررسی قرار گرفته‌اند و فرصت‌های تحقیقاتی جدید شناسایی می‌شوند.

این روش‌شناسی تضمین می‌کند که بررسی جامع، عینی و مبتنی بر شواهد علمی باشد و تصویری کامل از وضعیت فعلی تحقیقات در این حوزه ارائه دهد.

۵. یافته‌های کلیدی

بررسی نظام‌مند انجام شده در این مقاله، منجر به شناسایی و دسته‌بندی مجموعه‌ای از یافته‌های کلیدی در زمینه انطباق حوزه و تعمیم در تصاویر پزشکی عملکردی شده است:

• اهمیت حیاتی DG و DA برای داده‌های پزشکی: یافته اصلی این است که بدون رویکردهای DG و DA، مدل‌های یادگیری ماشین قادر به ارائه عملکرد قابل اعتماد بر روی تصاویر پزشکی واقعی نیستند. تفاوت در دستگاه‌های تصویربرداری، پروتکل‌های اسکن، ویژگی‌های بیماران و حتی مراکز درمانی، منجر به ایجاد “حوزه‌های” (Domains) مختلف می‌شود که مدل‌های آموزش‌دیده بر روی یک حوزه، در حوزه‌های دیگر با افت عملکرد شدید مواجه می‌شوند.
• طبقه‌بندی جامع رویکردها: مقالات در حوزه DG و DA به روش‌های مختلفی دسته‌بندی شده‌اند. این دسته‌بندی‌ها به درک بهتر مکانیزم‌های اصلی این رویکردها کمک می‌کنند. به طور کلی، این رویکردها را می‌توان به دسته‌های زیر تقسیم کرد:
  • روش‌های مبتنی بر جبران عدم تطابق: تلاش برای کاهش تفاوت بین توزیع داده‌های مبدأ و مقصد.
  • روش‌های مبتنی بر یادگیری نمایش‌های مستقل از حوزه: آموزش مدل‌هایی که ویژگی‌های استخراج شده از تصاویر، کمتر تحت تأثیر حوزه قرار گیرند.
  • روش‌های مبتنی بر یادگیری همگرا: تشویق مدل به تولید پیش‌بینی‌های مشابه برای داده‌های مشابه در حوزه‌های مختلف.
  • روش‌های مبتنی بر داده‌های مصنوعی یا افزوده: استفاده از تکنیک‌هایی برای تولید داده‌های جدید یا تغییر داده‌های موجود برای شبیه‌سازی حوزه‌های دیگر.
• مجموعه داده‌های رایج و چالش‌های آن‌ها: شناسایی مجموعه داده‌های پرکاربرد مانند ADHD-200، Cam-CAN، یا داده‌های fMRI جمع‌آوری شده در مراکز مختلف. همچنین، چالش‌های مربوط به حجم کم داده، عدم تعادل بین حوزه‌ها، و وجود نویز در داده‌ها مورد بحث قرار گرفته است.
• معماری‌های نوآورانه: استفاده از معماری‌های پیشرفته شبکه‌های عصبی عمیق، مانند شبکه‌های کانولوشنال (CNN) و شبکه‌های کانولوشنال عصبی-تکوینی (CNN-RNN)، برای پردازش داده‌های زمانی و مکانی تصاویر عملکردی مغز، مورد تأکید قرار گرفته است.
• نقش توجه (Attention Mechanisms): مکانیزم‌های توجه به طور فزاینده‌ای در مدل‌های DG و DA مورد استفاده قرار می‌گیرند تا مدل بتواند بر روی نواحی مهم تصویر یا سیگنال تمرکز کند و کمتر تحت تأثیر ویژگی‌های نامربوط حوزه قرار گیرد.

۶. کاربردها و دستاوردها

یافته‌های این بررسی نظام‌مند، پیامدهای عمیقی برای کاربردهای عملی و دستاوردهای آینده در حوزه پزشکی دارند:

• بهبود دقت تشخیص بیماری‌ها: با استفاده از رویکردهای DG و DA، مدل‌های یادگیری ماشین می‌توانند عملکرد قابل اطمینان‌تری در تشخیص بیماری‌هایی مانند آلزایمر، پارکینسون، اختلال نقص توجه/بیش‌فعالی (ADHD) و سایر اختلالات عصبی و روانپزشکی داشته باشند، حتی زمانی که داده‌ها از مراکز درمانی یا دستگاه‌های مختلف جمع‌آوری شده باشند. این امر به پزشکان کمک می‌کند تا تصمیمات درمانی آگاهانه‌تری اتخاذ کنند.
• کاهش هزینه‌های جمع‌آوری و برچسب‌گذاری داده: یکی از موانع اصلی در تحقیق و توسعه هوش مصنوعی پزشکی، نیاز به جمع‌آوری حجم عظیمی از داده‌های برچسب‌گذاری شده برای هر سناریو و هر حوزه است. DG و DA با کاهش نیاز به جمع‌آوری داده برای تمام حوزه‌های ممکن، به طور قابل توجهی این هزینه‌ها را کاهش می‌دهند.
• افزایش قابلیت تعمیم مدل‌ها: دستاورد اصلی این تحقیقات، ایجاد مدل‌هایی است که “قابل تعمیم” هستند. این یعنی مدلی که بر روی داده‌های یک مجموعه آموزشی کار می‌کند، می‌تواند به طور مؤثر بر روی داده‌های جدید و ناشناخته از حوزه‌های دیگر نیز عمل کند. این امر برای کاربردهای بالینی در دنیای واقعی که تنوع داده‌ها اجتناب‌ناپذیر است، حیاتی است.
• توسعه ابزارهای تشخیصی قابل اعتماد: این پژوهش‌ها به توسعه ابزارهای هوش مصنوعی کمک می‌کنند که در محیط‌های بالینی واقعی، قابل اعتماد بوده و نتایج پایداری ارائه دهند. این امر باعث پذیرش گسترده‌تر این فناوری‌ها توسط جامعه پزشکی خواهد شد.
• تسریع تحقیقات در علوم اعصاب: با تسهیل تحلیل داده‌های عملکردی مغز که غالباً در مراکز و با پروتکل‌های مختلف جمع‌آوری می‌شوند، این رویکردها می‌توانند تحقیقات در علوم اعصاب را تسریع بخشیده و به درک عمیق‌تری از عملکرد مغز و اختلالات مرتبط منجر شوند.

به عنوان مثال، یک مدل یادگیری ماشین که برای تشخیص زودهنگام پارکینسون با استفاده از داده‌های fMRI از یک بیمارستان آموزش دیده است، با استفاده از تکنیک‌های DG و DA می‌تواند عملکرد خوبی در تشخیص همان بیماری بر روی داده‌های fMRI از بیمارستانی دیگر با تجهیزات متفاوت داشته باشد. این امر در گذشته چالش‌برانگیز بود.

۷. نتیجه‌گیری

مقاله “انطباق حوزه و تعمیم در تصاویر پزشکی عملکردی: یک بررسی نظام‌مند” گامی مهم در جهت پر کردن شکاف دانش موجود در زمینه کاربرد هوش مصنوعی در تحلیل تصاویر عملکردی مغز برداشته است. نویسندگان با انجام یک بررسی جامع و نظام‌مند، وضعیت فعلی تحقیقات در زمینه DG و DA را مورد تجزیه و تحلیل قرار داده و بینش‌های ارزشمندی را در مورد چالش‌ها، رویکردها و فرصت‌های آینده ارائه داده‌اند.

یافته‌های این مقاله بر اهمیت حیاتی توانایی مدل‌های یادگیری ماشین در انطباق و تعمیم در مواجهه با تنوع داده‌های پزشکی تأکید دارند. این قابلیت، نه تنها برای بهبود دقت و قابلیت اطمینان ابزارهای تشخیصی ضروری است، بلکه می‌تواند به کاهش هزینه‌های جمع‌آوری داده و تسریع روند تحقیقات علمی نیز کمک کند.

مقاله، دسته‌بندی دقیقی از مجموعه داده‌ها، رویکردها و معماری‌های مورد استفاده ارائه می‌دهد که می‌تواند به عنوان یک راهنمای ارزشمند برای پژوهشگران جدید و باتجربه در این حوزه عمل کند. همچنین، با شناسایی مسیرهای تحقیقاتی آینده، فضایی برای نوآوری‌های بیشتر را فراهم می‌آورد. انتظار می‌رود این بررسی، الهام‌بخش تحقیقات آتی باشد و به توسعه نسل جدیدی از مدل‌های هوش مصنوعی پزشکی کمک کند که قادر به کارکرد مؤثر در دنیای واقعی با داده‌های متنوع و پیچیده باشند.

در نهایت، این مقاله نشان می‌دهد که DG و DA کلید اصلی برای آزادسازی پتانسیل کامل یادگیری ماشین در حوزه تصاویر پزشکی عملکردی، و در نتیجه، بهبود مراقبت‌های بهداشتی برای بیماران در سراسر جهان، هستند.