۱. Annotation تصویر
تصاویر کولپوسکوپی در ابزار برچسبگذاری بررسی میشوند و ناحیههای قابل توجه با bounding box یا mask مشخص میشوند؛ مانند acetowhite، mosaic، punctation، atypical vessels یا ناحیه مشکوک به ضایعه.
مدل تصویری + مدل ریسک
از برچسبگذاری تصویر تا YOLO و امتیازدهی ریسک دهانه رحم
این صفحه مسیر تحلیلی لیلییار را به زبان قابل ارائه توضیح میدهد: ابتدا تصویر کولپوسکوپی برچسبگذاری میشود، سپس YOLO ناحیههای قابل توجه را شناسایی میکند و در مرحله بعد، سیگنالهای تصویری در کنار متغیرهای بالینی به مدل ریسک کمک میکنند. اعداد این بخش نمونهای از ارزیابی مدل هستند و برای نمایش منطق تصمیمیار ارائه شدهاند.
Holdout AUC: ۰.۹۳۰۵
در ارزیابی نمونه، Random Forest با ۱۱ ویژگی کاربردی عملکرد بالایی داشته است. رگرسیون لجستیک نیز به عنوان مسیر قابل توضیح و قابل کالیبراسیون در طراحی محصول حفظ میشود.
مسیر YOLO
مسیر برچسبگذاری تا خروجی قابل بازبینی
این بخش نشان میدهد لایه تصویری چگونه از داده خام به خروجی قابل بازبینی میرسد. هدف این است که نتیجه مدل فقط یک عدد نباشد، بلکه ناحیههای اثرگذار در تصویر نیز برای تیم درمان قابل مشاهده باشند.
۲. ساخت دیتاست YOLO
برای هر تصویر، برچسبی شامل کلاس و مختصات نرمالشده ناحیه ذخیره میشود. سپس داده به مجموعههای آموزش، اعتبارسنجی و آزمون تقسیم میشود تا عملکرد مدل روی دادههای ندیده ارزیابی شود.
۳. آموزش تشخیص ناحیه
YOLO به جای امتیازدهی کلی به تصویر، ناحیههای مشکوک را پیدا میکند و برای هر ناحیه کلاس و confidence ارائه میدهد. خروجی این مرحله برای پزشک قابل بازبینی است و میتواند به گزارش ساختاریافته تبدیل شود.
۴. اتصال به مدل ریسک
سیگنالهای تصویری YOLO مانند تعداد نواحی، بیشترین confidence، نسبت سطح ضایعه و کلاس غالب، کنار دادههای بالینی قرار میگیرند و ورودی مدل امتیازدهی ریسک را کامل میکنند.
مدل ریسک
خلاصه داده و عملکرد مدل ریسک
دادههای ارزیابیشده نامتوازن هستند و نمونههای مثبت Biopsy نسبت به نمونههای منفی تعداد کمتری دارند. به همین دلیل، برای قضاوت درباره عملکرد مدل باید sensitivity، specificity، AUC و آستانه تصمیم را همزمان بررسی کرد.
مبنای تحلیل و مقایسه مدلها
برآورد ریسک مرتبط با خروجی یا نیاز به بیوپسی
ترکیبی از متغیرهای سابقه، تست و تشخیص قبلی
نمونه منفی / مثبت؛ داده نامتوازن است
میانگین اعتبارسنجی ۵ بخشی برای مدل منتخب
ارزیابی روی دادههای خارج از آموزش
در آستانه ۰.۵۰؛ ۹ مثبت درست و ۲ منفی کاذب
در آستانه ۰.۵۰؛ ۱۵۸ منفی درست و ۳ مثبت کاذب
مقایسه مدلهای طبقهبندی ریسک
در ارزیابی نمونه، Random Forest با ۱۱ ویژگی کاربردی عملکرد قویتری نشان داده است. رگرسیون لجستیک نیز به عنوان مدل سادهتر و قابل توضیح در مقایسه حفظ شده است.
منحنی آستانه، حساسیت و اختصاصیت
پایین آوردن آستانه تصمیم، حساسیت را افزایش میدهد اما میتواند مثبت کاذب را بیشتر کند. این نمودار نشان میدهد انتخاب آستانه باید بر اساس هدف بالینی و سطح ریسک قابل قبول انجام شود.
توزیع نمونههای مثبت و منفی
کلاس مثبت در دادهها بسیار کمتر از کلاس منفی است. به همین دلیل، ارزیابی مدل باید علاوه بر AUC به حساسیت، اختصاصیت و خطای منفی کاذب نیز توجه کند.
سیگنالهای مهم در مدل منتخب
اهمیت ویژگیها نشان میدهد کدام متغیرها بیشترین نقش را در تفکیک خروجی Biopsy داشتهاند. این اعداد برای توضیح رفتار مدل هستند و به تنهایی مبنای تصمیم پزشکی نیستند.
نقش رگرسیون در کنار YOLO
YOLO پاسخ میدهد «کجا و چه چیزی در تصویر دیده شده است؟» اما مدل ریسک پاسخ میدهد «با ترکیب دادههای تصویری و بالینی، سطح ریسک چقدر است؟» این تفکیک باعث میشود خروجی تصویری و امتیاز نهایی از هم جدا، قابل توضیح و قابل بازبینی بمانند.
- رگرسیون لجستیک منظمسازیشده با ۱۱ ویژگی، CV AUC برابر ۰.۹۶۶۳ و Holdout AUC برابر ۰.۸۷۸۶ داشته است.
- این مدل برای توضیحپذیری مناسب است، چون اثر هر متغیر را میتوان از طریق ضرایب مدل بررسی کرد.
- در نسخه محصول، رگرسیون میتواند لایه امتیازدهی و کالیبراسیون ریسک باشد؛ در حالی که YOLO ناحیهها و confidence تصویری را تولید میکند.
ماتریس خطا در آستانه ۰.۵۰
در مجموعه نگهداشتهشده، مدل منتخب ۱۷۲ نمونه را ارزیابی کرده است. ماتریس زیر نشان میدهد در آستانه ۰.۵۰ چه تعداد پیشبینی درست و چه تعداد خطای مثبت یا منفی ثبت شده است.
TN۱۵۸منفی درست
FP۳مثبت کاذب
FN۲منفی کاذب
TP۹مثبت درست
اتصال به محصول
چه چیزی از YOLO وارد مدل ریسک میشود؟
در نسخه قابل ارائه، خروجی YOLO فقط به شکل تصویر دارای box نمایش داده نمیشود. از هر تصویر چند سیگنال عددی پایدار ساخته میشود تا مدل ریسک بتواند آنها را در کنار دادههای بالینی تحلیل کند.
تعداد ناحیههای شناساییشده در هر تصویر
بیشترین confidence بین detectionها
نسبت مساحت ناحیه مشکوک به کل تصویر یا محدوده دهانه رحم
کلاس غالب و شدت احتمالی الگوهای تصویری مشاهدهشده
پایداری detection در چند تصویر از یک مراجعهکننده
این صفحه ساختار یک تصمیمیار بالینی را توضیح میدهد و به معنی تشخیص قطعی، رد بیماری، نسخه درمانی یا جایگزینی نظر پزشک نیست. خروجی مدل باید همراه با معاینه، شرح حال، آزمایشها و پروتکل مرکز درمانی تفسیر شود.