تعتبر دراسة سرطان الثدي من أهم المجالات التي تتطلب جهودًا متواصلة لفهم التنوع الجيني والعلاجي لهذا المرض المعقد. في هذا السياق، يُعتبر توقيع الجين PAM50 معيارًا دوليًا لتصنيف سرطان الثدي، مما يتيح تخصيص استراتيجيات العلاج بشكل أفضل. وقد قدمت دراسة جديدة إطار عمل مبتكر يعتمد على التعلم العميق (Deep Learning) لتقليل الاعتماد على الفحوصات الجزيئية المكلفة من خلال الاعتماد مباشرة على صور الأنسجة (H&E-stained whole-slide images) لتصنيف أنماط PAM50.

الجديد في هذا البحث هو تقديم نظام يعتمد على تحسين متكامل، حيث يعمل على تحسين كل من معلومات الرقع (patch informativeness)، تنوعها المكاني، عدم اليقين، وعدد الرقع. تم دمج خوارزمية تصنيف غير المهيمنة الثانية (NSGA-II) مع تقدير عدم اليقين باستخدام تقنية مونت كارلو (Monte Carlo dropout).

لقد أظهرت النتائج أن الطريقة المقترحة قادرة على تحديد مجموعة صغيرة ولكنها غنية بالمعلومات من الرقع لإجراء التصنيف. تم استخدام بنية ResNet18 لاستخراج الميزات ورأس CNN مخصص لتصنيف البيانات.

لإجراء التقييم، تم استخدام مجموعة بيانات TCGA-BRCA الداخلية كعينة تدريب، بينما تم استخدام مجموعة بيانات CPTAC-BRCA الخارجية للاختبار. وقد حققت الدراسة نتائج ملحوظة، حيث حصلت على F1-score بلغ 0.8812 و AUC بلغ 0.9841 باستخدام 627 صورة من مجموعة TCGA-BRCA. كما أظهرت النتائج على مجموعة البيانات الخارجية F1-score بلغ 0.7952 و AUC بلغ 0.9512.

تشير هذه النتائج إلى أن تقنيات الاختيار المدعومة بالتحسين والتقدير القائم على عدم اليقين يمكن أن تحقق أداءً عاليًا وتحسن كفاءة الحساب في تصنيف PAM50 القائم على histopathology، مما يقدم بديلاً قابلاً للتوسع قد يدعم اتخاذ القرارات السريرية بشكل أفضل.