في عالم الطب الحديث، يعتبر تقسيم الصور (Image Segmentation) إحدى المهام الأساسية في علم الأمراض الحسابي (Computational Pathology)، إذ يساعد في تحديد المناطق المتضررة من الأمراض أو النمو غير الطبيعي، مما يعد أمرًا حيويًا للتشخيص والعلاج. ولكن، تواجه عملية الحصول على بيانات تقسيم عالية الجودة على مستوى البكسل (Pixel-Level) تحديات كبيرة تتطلب جهدًا كبيرًا من أطباء الأمراض ذوي الخبرة، مما يحد من استخدام تقنيات التعلم العميق (Deep Learning) في هذا المجال.

ولحل هذه المشكلة، قام الباحثون بتخفيف شروط العلامات لتكون على مستوى الصورة (Image-Level Classification Labels)؛ مما يسمح باستخدام مزيد من البيانات وتمكين المزيد من السيناريوهات. إحدى الطرق المستخدمة تتضمن الاستفادة من خريطة تنشيط الفئة (Class Activation Map - CAM) لتوليد تعليقات بكسل مشوهة (Pseudo Pixel-Level Annotations) للتقسيم الدلالي (Semantic Segmentation) باستخدام علامات فقط على مستوى الصورة.

لكن، تواجه هذه الطريقة بعض القيود حيث لا تستكشف بشكل كافٍ الخصائص الأساسية لصور علم الأمراض، مما يؤدي إلى تحديد مناطق صغيرة فقط غير كافية للتغطية المطلوبة. لذلك، قدم الباحثون تقنية جديدة تعتمد على التعلم القائم على التبديل (Shuffle-Based Feedback Learning) مستلهمة من التعلم المنهجي (Curriculum Learning) لإنتاج أقنعة تقسيم دلالية (Semantic Segmentation Masks) ذات جودة أعلى.

هذا الأسلوب يشمل إجراء تبديل على مستوى القطع (Patch Level Shuffle) لصور الأمراض، حيث يقوم النموذج بتعديل استراتيجية التبديل بشكل تفاعلي بناءً على التغذية الراجعة من عمليات التعلم السابقة. أثبتت النتائج التجريبية أن ما تم اقتراحه يتفوق على أحدث التقنيات في ثلاثة مجموعات بيانات مختلفة.

هذه التقنية الجديدة ليست مجرد إنجاز علمي، بل تمثل خطوة كبيرة نحو تحسين دقة التشخيص الطبي ولتسهيل عمل الأطباء، مما يفتح آفاقًا جديدة في مجال الذكاء الاصطناعي.