مانبا باك: ثورة في تحليل صور الشرائح الكاملة تجمع بين الخصائص المحلية والسياقات العالمية

في عصر تتسابق فيه الابتكارات التكنولوجية، تأتي تقدمات جديدة في مجال تحليل صور الشرائح الكاملة (Whole Slide Image - WSI) لتحدث ثورة حقيقية في طريقة تشخيص الأمراض، خصوصًا السرطان. تمثل هذه الأداة أحد العناصر الأساسية في علم الأمراض الحسابي، إذ تتيح الدمج بين الإشارات الشكلية والمعمارية عبر مجموعة متنوعة من التكبيرات.

تسعى الأبحاث الحالية لمعالجة التحديات الموجودة في استخدام تقنيات التعلم المتعدد للحالات (Multiple Instance Learning - MIL)، حيث يظهر النموذج المعروف باسم مانبا كخيار واعد يتفوق على تقنيات الترانسفورمرز، لقدرته على نمذجة السياقات العالمية بكفاءة مستمدة من معالجة اللغة الطبيعية (Natural Language Processing - NLP).

ومع ذلك، يواجه مانبا بعض التحديات الكبرى، مثل تقويض الخصوصية المكانية ثنائية الأبعاد أثناء معالجة تسلسلات أحادية البعد، وضعف نموذج البنى الخلوية المحلية، وارتفاع استهلاك الذاكرة خلال فترة الاستنتاج على الأجهزة ذات الموارد المحدودة. وفي هذا السياق، تظهر أبحاث كمانبا أوت (MambaOut) أن مكون SSM الخاص بمانبا غير كافٍ لاستخلاص الخصائص المحلية، حيث يمكن للإعتماد فقط على Gated CNNs أن يعطي نتائج جيدة.

لتجاوز هذه الصعوبات، يقدم الباحثون هيكلًا هجينًا جديدًا يسمى مانبا باك، الذي يوحد مزايا مانبا ومانبا أوت. بدايةً، تقدم الاستراتيجية المعتمدة على عيّنات هيلبرت (Hilbert sampling strategy) لضمان الحفاظ على الخصوصية المكانية ثنائية الأبعاد أثناء التعامل مع تسلسلات أحادية البعد. ثانيًا، يضم النموذج بنية هرمية تتكون من كتلة Gated CNN أحادية البعد تستند إلى مانبا أوت، لالتقاط السمات المحلية، وكتلة BiMamba2 لتجميع السياقات العالمية، مما يحسن من تمثيل البيانات على مقاييس متعددة.

كذلك، تم تطوير تصميم متقطع غير متماثل يتيح المعالجة المتوازية أثناء التدريب، مع تجميع البيانات أثناء الاستنتاج، مما يقلل من استهلاك الذاكرة في جميع مراحل النشر. وقد أظهرت التجارب التي تم إجراؤها على خمسة مجموعات بيانات أن مانبا باك يتفوق بوضوح على سبع من أحدث الطرق المتاحة.

المصدر البرمجي والبيانات متاحة للعامة، مما يتيح للباحثين والمهتمين استكشاف هذا العمل الثوري.