في عالم الطب الحديث، يعد اكتشاف الشذوذات في الصور الطبية أمرًا حيويًا، خاصةً عندما تكون العينات غير الطبيعية محدودة. في خطوة تُعدُّ رائدة في هذا المجال، تم تقديم إطار هجين لاكتشاف الشذوذات، يجمع بين التعلم الذاتي لتمثيل البيانات (Self-Supervised Representation Learning) وتقدير الكثافة القائم على الفضاءات المتعددة الأبعاد (Manifold-Based Density Estimation).

تبدأ العملية بتضمين الصور الطبية في فضاء ميزات كامن باستخدام نماذج مسبقة الاحتراف قد تكون متخصصة في المجال الطبي. بعد ذلك، يتم تحسين هذه التمثيلات من خلال تقنية زيادة كثافة البيانات (Mean Shift Density Enhancement - MSDE)، وهي عملية تكرارية تنقل العينات نحو مناطق ذات احتمال أكبر.

يتم حساب درجات الشذوذ باستخدام تقدير كثافة Gaussian في فضاء المميزات المُخفض بواسطة تحليل المكونات الرئيسية (PCA)، حيث يقيس مقياس مسافة Mahalanobis الانحراف عن التوزيع الطبيعي المتعلم. يعتمد هذا الإطار على نموذج التعلم الأحادي الفئة، مما يعني أنه يتطلب فقط عينات طبيعية للتدريب.

تم إجراء تجارب شاملة على سبع مجموعات من بيانات التصوير الطبي، حيث أظهرت النتائج تحقيق أداء يعد من بين الأفضل. حققت تقنية MSDE أعلى قيمة لمعدل المساحة تحت المنحنى (AUC) في أربع مجموعات بيانات، وأعلى متوسط دقة في خمس مجموعات، بما في ذلك أداء مثالي تقريبًا في اكتشاف أورام المخ (0.981 AUC/AP).

تُبرز هذه النتائج الإمكانيات الكبيرة للإطار المقترح كأداة دعم قرارات سريرية قابلة للتوسع، تساعد في الكشف المبكر عن الأمراض وإجراء الفحوصات في الحالات ذات التسمية المنخفضة. كما يُظهر هذا البحث أهمية الابتكارات التكنولوجية في تحسين نتائج الرعاية الصحية.