۱. مقدمه و اهمیت پژوهش

در سال‌های اخیر، حوزه یادگیری عمیق شاهد تحولی چشمگیر به سمت استفاده از مدل‌های پایه (Foundation Models) بوده است. این مدل‌ها، که بر روی حجم عظیمی از داده‌های عمومی آموزش دیده‌اند، قابلیت انطباق‌پذیری بالایی برای انجام وظایف متنوع دارند. این پارادایم جدید در پردازش زبان طبیعی (NLP) به سرعت پذیرفته شده و نتایج درخشانی به ارمغان آورده است. با این حال، در حوزه بینایی کامپیوتر (Computer Vision)، پیشرفت در این زمینه کندتر بوده است. مقاله حاضر به بررسی این چالش پرداخته و با تحقیق درباره قابلیت انتقال (transferability) مدل‌های پایه پیشرفته حوزه طبیعی به وظایف طبقه‌بندی تصاویر پزشکی، سعی در روشن کردن این مسیر دارد. اهمیت این پژوهش در پتانسیل بالای آن برای بهبود دقت و کارایی سیستم‌های تشخیصی پزشکی مبتنی بر هوش مصنوعی نهفته است، چرا که استفاده از مدل‌های پایه قدرتمند می‌تواند نیاز به جمع‌آوری و برچسب‌گذاری حجم انبوهی از داده‌های پزشکی را کاهش دهد.

۲. نویسندگان و زمینه تحقیق

این مقاله توسط تیمی از پژوهشگران شامل Joana Palés Huix، Adithya Raju Ganeshan، Johan Fredin Haslum، Magnus Söderberg، Christos Matsoukas و Kevin Smith ارائه شده است. تمرکز اصلی این گروه بر روی زمینه‌های «بینایی کامپیوتر» و «بازشناسی الگو» (Computer Vision and Pattern Recognition) است. تحقیق آن‌ها در نقطه‌ای تلاقی بین مدل‌های پایه قدرتمند در بینایی کامپیوتر و نیاز فزاینده به ابزارهای دقیق و کارآمد در حوزه تصویربرداری پزشکی قرار دارد. این ترکیب از تخصص، امکان بررسی علمی و عملی این پرسش مهم را فراهم می‌آورد که آیا رویکردهای موفق در حوزه‌های عمومی بینایی کامپیوتر، قابل تعمیم به داده‌های تخصصی پزشکی هستند یا خیر.

۳. چکیده و خلاصه محتوا

هدف اصلی این پژوهش، ارزیابی میزان مفید بودن مدل‌های پایه پیشرفته حوزه طبیعی برای طبقه‌بندی تصاویر پزشکی است. این مدل‌ها، که اغلب بر روی مجموعه داده‌های عظیم مانند ImageNet آموزش دیده‌اند، انتظار می‌رود دانش گسترده‌ای از ویژگی‌های بصری کسب کرده باشند که می‌تواند به وظایف تخصصی‌تر کمک کند. محققان پنج مدل پایه پیشرفته را مورد بررسی قرار داده‌اند: SAM (Segment Anything Model)، SEEM (Segment Everything Everywhere All at Once)، DINOv2، BLIP (Bootstrapping Language-Image Pre-training) و OpenCLIP. این مدل‌ها بر روی چهار مجموعه داده استاندارد در حوزه تصویربرداری پزشکی آزمایش شده‌اند. برای اطمینان از استفاده حداکثری از پتانسیل این مدل‌ها، تنظیمات مختلف آموزشی نیز مورد کاوش قرار گرفته است. نتایج مطالعه ترکیبی از یافته‌های امیدوارکننده و چالش‌برانگیز را نشان می‌دهد. در حالی که DINOv2 به طور مداوم عملکرد بهتری نسبت به روش سنتی پیش‌آموزش بر روی ImageNet از خود نشان داده است، سایر مدل‌های پایه در دستیابی مداوم به نتایج بهتر از این خط پایه، موفق نبوده‌اند. این موضوع نشان‌دهنده محدودیت‌های احتمالی در قابلیت انتقال آن‌ها به وظایف طبقه‌بندی تصاویر پزشکی است.

۴. روش‌شناسی تحقیق

این پژوهش با رویکردی تجربی و مقایسه‌ای طراحی شده است. برای ارزیابی اثربخشی مدل‌های پایه، گام‌های زیر طی شده است:

• انتخاب مدل‌های پایه: پنج مدل پایه پیشرفته در حوزه بینایی کامپیوتر انتخاب شدند که هر کدام رویکرد متفاوتی در یادگیری نمایش‌های بصری دارند. این مدل‌ها عبارتند از:
  • SAM (Segment Anything Model): مدلی که برای اهداف تقسیم‌بندی (segmentation) تصاویر طراحی شده و قادر به تشخیص و جداسازی اشیاء در تصاویر مختلف است.
  • SEEM: مشابه SAM، اما با تمرکز بر تعمیم قابلیت تقسیم‌بندی در طیف وسیع‌تری از وظایف.
  • DINOv2: یک مدل خودنظارتی (self-supervised) که توانایی بالایی در یادگیری بازنمایی‌های بصری قوی بدون نیاز به برچسب‌گذاری دستی دارد.
  • BLIP: مدلی که ترکیب یادگیری زبان و تصویر را با استفاده از روش‌های مبتنی بر bootstrapping انجام می‌دهد.
  • OpenCLIP: پیاده‌سازی متن‌باز مدل CLIP (Contrastive Language–Image Pre-training) که ارتباط بین تصاویر و متون توضیحی آن‌ها را یاد می‌گیرد.
• مجموعه داده‌های پزشکی: چهار مجموعه داده استاندارد در حوزه تصویربرداری پزشکی برای آزمایش انتخاب شدند. انتخاب این مجموعه داده‌ها بر اساس تنوع در نوع تصاویر (مانند اشعه ایکس، سی‌تی اسکن، MRI) و وظایف (مانند تشخیص بیماری، طبقه‌بندی انواع بافت) صورت گرفته است.
• تنظیمات آموزشی: برای هر مدل پایه، روش‌های مختلفی برای انطباق (fine-tuning) با داده‌های پزشکی مورد بررسی قرار گرفت. این تنظیمات شامل پارامترهای یادگیری، تعداد دوره‌های آموزشی و نحوه استفاده از لایه‌های مختلف مدل بود تا حداکثر پتانسیل هر مدل استخراج شود.
• خط پایه مقایسه: عملکرد مدل‌های پایه با روش استاندارد پیش‌آموزش بر روی مجموعه داده ImageNet مقایسه شد. این روش، که سال‌هاست در بینایی کامپیوتر به عنوان یک نقطه شروع قوی شناخته می‌شود، به عنوان معیار اصلی سنجش عملکرد در نظر گرفته شد.
• ارزیابی: عملکرد نهایی مدل‌ها با استفاده از معیارهای استاندارد ارزیابی طبقه‌بندی تصاویر (مانند دقت، F1-score، AUC) سنجیده شد.

۵. یافته‌های کلیدی

نتایج این مطالعه نشان‌دهنده یک تصویر ترکیبی از قابلیت انتقال مدل‌های پایه به حوزه تصویربرداری پزشکی است:

• عملکرد قوی DINOv2: مدل DINOv2 به طور مداوم و در اکثر آزمایش‌ها، عملکرد بهتری نسبت به خط پایه ImageNet از خود نشان داد. این یافته حاکی از آن است که نمایش‌های بصری که DINOv2 از طریق یادگیری خودنظارتی کسب کرده، برای وظایف تصویربرداری پزشکی بسیار ارزشمند و قابل انتقال هستند. این مدل توانسته است ویژگی‌های ساختاری و ظریف تصاویر پزشکی را به خوبی بیاموزد.
• چالش برای سایر مدل‌ها: متأسفانه، سایر مدل‌های پایه مورد بررسی (SAM, SEEM, BLIP, OpenCLIP) نتوانستند به طور مداوم از خط پایه ImageNet پیشی بگیرند. این امر نشان‌دهنده محدودیت‌هایی در قابلیت انتقال دانش آن‌ها به دامنه پزشکی است. دلایل این امر می‌تواند شامل تفاوت‌های بنیادین بین داده‌های بصری حوزه عمومی و پزشکی، یا محدودیت در معماری و روش آموزش این مدل‌ها باشد.
• اهمیت تنظیمات آموزشی: نتایج نشان داد که نحوه انطباق (fine-tuning) مدل‌های پایه با داده‌های پزشکی نقش حیاتی در موفقیت آن‌ها دارد. تنظیمات بهینه می‌توانند تا حدی محدودیت‌های ذاتی یک مدل را جبران کنند، اما کافی نیستند تا برتری قاطعی را تضمین کنند، مگر در مورد مدل‌هایی مانند DINOv2 که از ابتدا بازنمایی‌های قوی‌تری را فرا گرفته‌اند.
• تفاوت در وظایف و داده‌ها: برخی شواهد پراکنده نشان می‌دهد که عملکرد مدل‌ها ممکن است بسته به نوع خاص وظیفه طبقه‌بندی و مجموعه داده پزشکی مورد استفاده، متفاوت باشد. این موضوع نیاز به بررسی عمیق‌تر برای درک اینکه کدام مدل‌ها برای کدام نوع کاربردهای پزشکی مناسب‌تر هستند را برجسته می‌کند.

۶. کاربردها و دستاوردها

یافته‌های این تحقیق پیامدهای مهمی برای توسعه سیستم‌های هوش مصنوعی در حوزه سلامت دارند:

• افزایش دقت تشخیصی: اگرچه همه مدل‌های پایه به طور یکسان مؤثر نبودند، اما موفقیت DINOv2 نشان می‌دهد که استفاده از مدل‌های پایه قدرتمند و بهینه شده می‌تواند منجر به بهبود قابل توجهی در دقت طبقه‌بندی تصاویر پزشکی شود. این امر مستقیماً به تشخیص زودهنگام و دقیق‌تر بیماری‌ها کمک می‌کند.
• کاهش نیاز به داده‌های برچسب‌دار: مدل‌های پایه، به ویژه آن‌هایی که با یادگیری خودنظارتی آموزش دیده‌اند، می‌توانند با استفاده از داده‌های کمتری نسبت به مدل‌های سنتی، نتایج خوبی ارائه دهند. این یک دستاورد بزرگ در حوزه پزشکی است، جایی که جمع‌آوری و برچسب‌گذاری داده‌های پزشکی (به دلیل نیاز به متخصصین و مسائل حریم خصوصی) پرهزینه و دشوار است.
• توسعه ابزارهای کمکی برای پزشکان: سیستم‌های مبتنی بر این مدل‌ها می‌توانند به عنوان ابزارهای کمکی برای رادیولوژیست‌ها و سایر پزشکان عمل کنند، با برجسته کردن نواحی مشکوک، ارائه پیش‌بینی‌های احتمالی، و در نتیجه کاهش بار کاری و بهبود سرعت تصمیم‌گیری.
• پیشرفت در تحقیقات تصویربرداری پزشکی: این تحقیق با شناسایی مدل‌های موفق و چالش‌های پیش رو، راه را برای تحقیقات آتی هموار می‌کند. درک اینکه چرا برخی مدل‌ها بهتر از بقیه عمل می‌کنند، به هدایت توسعه مدل‌های پایه آینده که به طور خاص برای دامنه پزشکی طراحی شده‌اند، کمک خواهد کرد.
• مثال عملی: تصور کنید برای تشخیص نوع تومور از روی تصاویر MRI مغز، نیاز به آموزش یک مدل داریم. به جای آموزش یک مدل از ابتدا که نیازمند هزاران تصویر MRI با برچسب دقیق است، می‌توانیم از یک مدل پایه مانند DINOv2 استفاده کنیم. این مدل با استفاده از مقادیر بسیار کمتری از تصاویر MRI برچسب‌دار (یا حتی با استفاده از داده‌های بدون برچسب در مراحل اولیه)، می‌تواند نمایش‌های بسیار مفیدی از ساختارهای مغز و تومورها یاد بگیرد و سپس با fine-tuning اندک، به دقت بالایی در طبقه‌بندی انواع تومور دست یابد.

۷. نتیجه‌گیری

پژوهش حاضر به این پرسش اساسی پاسخ می‌دهد که آیا مدل‌های پایه حوزه طبیعی برای طبقه‌بندی تصاویر پزشکی مفیدند. نتایج نشان می‌دهد که پاسخ قطعی «بله» نیست، اما «پتانسیل قابل توجهی» وجود دارد. مدل DINOv2 به عنوان یک استثنای امیدوارکننده، ثابت کرده است که نمایش‌های یادگرفته شده از طریق یادگیری خودنظارتی در دامنه‌های عمومی، می‌توانند با موفقیت به وظایف پزشکی منتقل شوند و حتی از روش‌های سنتی پیشرفته‌تر عمل کنند. این یافته، مسیر را برای استفاده گسترده‌تر از این رویکرد در تحقیقات و کاربردهای بالینی هموار می‌سازد.

با این حال، عدم موفقیت مداوم سایر مدل‌های پایه، بر لزوم درک عمیق‌تر تفاوت‌های بین داده‌های بصری عمومی و پزشکی تأکید دارد. تحقیقات آینده باید بر روی توسعه مدل‌های پایه که به طور خاص برای ویژگی‌های منحصر به فرد تصاویر پزشکی طراحی شده‌اند، تمرکز کنند. همچنین، بررسی جامع‌تر روش‌های انطباق و ترکیب دانش از مدل‌های مختلف می‌تواند گامی مؤثر در جهت بهره‌برداری حداکثری از پتانسیل مدل‌های پایه در حوزه حیاتی سلامت باشد. در نهایت، این مقاله نشان می‌دهد که در حالی که ما در آستانه انقلابی در کاربرد مدل‌های پایه در بینایی کامپیوتر پزشکی هستیم، مسیر پیش رو نیازمند تحقیقات دقیق و نوآوری‌های هدفمند است.