الأدلة على الانتقال إلى التطبيق في النماذج التأسيسية للشبكية: التمثيلات ذاتية الإشراف، وانتشار المرض، وسير العمل السريري

1. يعالج التدريب المسبق ذاتي الإشراف الاستفادة من الوسوم، ولا يحل تلقائيًا جميع المشكلات السريرية

استخدمت دراسة RETFound الأصلية نحو 160 من وحدات عشرة آلاف صورة غير موسومة لتعلم تمثيلات قابلة للتكييف، ثم قيّمتها في مهام موسومة. ويُظهر ذلك أن البيانات غير الموسومة يمكن أن تدعم مهام لاحقة متعددة، لكن عدد عينات التدريب المسبق ليس عدد المرضى المستقلين، ولا يعني التحقق من جميع الأمراض والأجهزة والفئات السكانية. يقترح هذا المقال تسجيل أربع وحدات بالتوازي: الصورة، والعين، والمريض، والزيارة، والمؤسسة، لتجنب توزيع صور متعددة للمريض نفسه بين التدريب والاختبار. كما تتطلب مقارنة كفاءة استخدام الوسوم مضاهاة ميزانية التكييف، وجودة المدخلات، وتعريف المهمة، بدلًا من الاكتفاء بمقارنة AUC النهائية.[1] A foundation model for generalizable disease detection

2. التمثيلات والآفات العينية والمخاطر الجهازية أهداف مختلفة

يتطلب التنبؤ بالحالة العينية من صور الشبكية والتنبؤ بالأحداث الجهازية المستقبلية وسومًا ومتابعة وضبطًا للعوامل المربكة تختلف بينهما. يستكشف RETFound فئات متعددة من المهام، لكن الاستنتاجات تظل مرتبطة بعينات كل مهمة ونقاط نهايتها. يدعو هذا المقال إلى إعداد بطاقة مهمة منفصلة لكل نسخة مكيَّفة من النموذج، تشمل نافذة الرصد، وتعريف المآل، ومعالجة الرقابة الإحصائية، ومصدر الوسوم، ومعايير الاستبعاد. وإذا كان توقيت الصورة قريبًا من المآل، فقد يستفيد النموذج من إشارات مرضية موجودة بالفعل لكنها لم تُرمَّز بعد؛ وهذا يختلف عن التنبؤ الحقيقي بالمخاطر بعيدة المدى. ولا يمكن افتراض الانتقال بين المهام لمجرد اشتراكها في اسم النموذج التأسيسي.[1] A foundation model for generalizable disease detection

3. يظل سير العمل الذي يتضمن طبقة وسيطة قابلة للتفسير بحاجة إلى تحقق خارجي

فصل عمل De Fauw وزملائه في الشبكية بين تجزئة الأنسجة والحكم بشأن الإحالة في طبقات، وأظهر دور النتائج الوسيطة القابلة للتفسير ضمن نظام محدد، مع الاحتفاظ بأمثلة ملتبسة وأمثلة فشل. تساعد الطبقة الوسيطة البشر على الفحص، لكنها لا تضمن غياب الإغفال أو الأخطاء. يقترح هذا المقال تقييم جودة الصورة، وتجزئة الأنسجة، والحكم اللاحق، والمعالجة البشرية كلًّا على حدة؛ وعندما تكون الطبقة الوسيطة غير يقينية، ينبغي للنظام الاحتفاظ بحالة غير قابلة للحسم. إن إقحام جميع الصور غير الاعتيادية قسرًا في إحدى الفئات يخفي إخفاق القياس في صورة استنتاج سريري يقيني.[2] Clinically applicable deep learning for diagnosis and r

4. اشتقاق هذا المقال: الحساسية والنوعية نفسيهما تقابلان دلالات مختلفة للنتائج الإيجابية

لنفترض مُصنِّفًا بحساسية 0.9 ونوعية 0.95. عندما يبلغ انتشار المرض 1%، يكون العدد المتوقع بين 10000 شخصًا هو 90 من الإيجابيات الحقيقية و495 من الإيجابيات الكاذبة، وتبلغ القيمة التنبؤية الإيجابية نحو 15.4%؛ وعندما يبلغ انتشار المرض 20%، يكون العدد المتوقع 1800 من الإيجابيات الحقيقية و400 من الإيجابيات الكاذبة، وتبلغ القيمة التنبؤية الإيجابية نحو 81.8%. لا تمثل هذه الأرقام أداء RETFound، ولا توصيات فعلية للتحري؛ بل توضح أن تركيبة السكان الخارجيين تغيّر عبء سير العمل وتفسير النتائج الإيجابية. ولا يجوز اعتبار نتائج عينات الحالات والشواهد البحثية مباشرةً حصيلة فعلية لدى سكان منخفضي الانتشار المرضي.作者分析与复核建议 / Author analysis

5. لكل من التمييز والمعايرة والعتبات وظيفة مختلفة

تقيس AUC القدرة على التمييز المرتبطة بالترتيب، ولا تضمن أن درجة معينة تعادل احتمالًا معينًا. يجب اختبار معايرة الاحتمالات على مستوى المهمة والسكان، بينما تعتمد العتبة أيضًا على موارد سير العمل وتكلفة الأخطاء. يقترح هذا المقال الاحتفاظ بمنحنيات ROC أو PR، ومخططات الموثوقية، ومصفوفة الالتباس عند عتبة محددة مسبقًا، مع تقديم فترات تقدير باتخاذ المريض وحدة إحصائية. وإذا أُعيد اختيار العتبة في مؤسسة جديدة، فيجب اعتبار هذه الخطوة تكييفًا والاحتفاظ باختبار مستقل؛ فلا يجوز ضبطها لتحقيق أفضل نتيجة باستخدام جميع الوسوم الخارجية ثم وصف ذلك بأنه تعميم دون تعديل.作者分析与复核建议 / Author analysis

6. ينبغي أن يختبر التعميم الخارجي صراحةً الاختلافات بين الأجهزة والفئات السكانية

تُظهر أبحاث تغير التوزيع أن الأداء داخل بيئة التدريب لا يكفي لضمان الموثوقية في البيئة الفعلية. وقد تتأثر مهام الشبكية بالأجهزة، وإجراءات التصوير، وجودة الصور، وطيف الأمراض، واختيار المؤسسات. يقترح هذا المقال تخصيص مجموعات اختبار محجوزة بحسب الأجهزة والمؤسسات والزمن، وإجراء تحليل طبقي بحسب الجودة؛ وعندما لا تتوافر عينات كافية لمجموعة ما، ينبغي التصريح بأن وضعها غير معلوم، بدلًا من إحلال المتوسط الإجمالي محلها. وفي حال وجود صور للعينين أو زيارات متكررة للمريض نفسه، ينبغي تجنب افتراض استقلال العينات. كما تتطلب النتائج بحسب المجموعات مراعاة اتساق تعريفات نقاط النهاية، ولا يجوز اعتبار عادات الترميز المختلفة بين المؤسسات اختلافات بيولوجية مباشرةً.[3] WILDS: A Benchmark of in-the-Wild Distribution Shifts[1] A foundation model for generalizable disease detection

7. تحليل هذا المقال: الامتناع عن إصدار نتيجة والإحالة إلى المراجعة البشرية من مخرجات النظام أيضًا

إذا امتنع النموذج عن إصدار نتائج لبعض العينات منخفضة الجودة أو غير اليقينية، فقد يقلل الأخطاء بين العينات المقبولة، لكنه يزيد أيضًا عبء العمل البشري. يستخدم هذا المقال نسبًا افتراضية ثابتة لعرض العلاقة بين التغطية، وعدد الحالات الممتنع عن البت فيها، ومخاطر المعالجة الآلية، ويشترط إبقاء جميع المراجعين في المقام. ولا يجوز لاستراتيجية الامتناع أن تُبقي فقط على أسهل مجموعة فرعية ثم تُبلغ عن أداء مرتفع؛ بل ينبغي أيضًا فحص ما إذا كان الأشخاص الممتنع عن البت في حالاتهم يتركزون في جهاز أو مرض أو فئة سكانية معينة. ويحتاج سير العمل السريري إلى معرفة من لم يحصل على إجابة، وما إذا كانت حالات هؤلاء قد عولجت في نهاية المطاف في الوقت المناسب.作者分析与复核建议 / Author analysis

8. ينبغي إرجاع تحليل أسباب الأخطاء إلى القياس وسير العمل

قد ينشأ الفشل في أبحاث الشبكية من جودة الصور، أو التجزئة، أو التباس الوسوم، أو تزامن الأمراض، أو العتبات اللاحقة. يقترح هذا المقال بناء شجرة أخطاء لكل حالة والتحقق منها بعينة مستقلة، بدلًا من عرض خرائط حرارية لافتة فقط. وحتى إذا تركزت الخريطة الحرارية على الأوعية أو مناطق الآفات، فإن ذلك لا يثبت أن أساس حكم النموذج صحيح تمامًا؛ فقد تسهم علامات الأجهزة، أو معلومات الحواف، أو قرائن أخرى غير مستهدفة في الترتيب. وينبغي اختبار التفسيرات البديلة للاستنتاجات المهمة باستخدام اضطرابات المدخلات، وأجهزة خارجية، وتوسيم سريري مناسب، مع الاحتفاظ بالحالات التي يتعذر إسنادها إلى سبب وحيد.作者分析与复核建议 / Author analysis

9. من المقاييس الاستعادية إلى سير العمل الاستباقي

يمكن للدراسات الاستعادية اختبار العلاقة بين النموذج والوسوم المجمعة سابقًا، بينما يتضمن سير العمل الاستباقي أيضًا إخفاقات جمع البيانات، وزمن الانتظار، والمراجعة البشرية، والحالات التي لم تُعالَج. يقترح هذا المقال إجراء تقييم في وضع الظل بعد تثبيت النموذج، ثم مقارنة سير العمل باستخدام نقاط نهاية مسجلة مسبقًا؛ وينبغي أن تتوافق نقاط النهاية الأساسية مع السؤال البحثي، مثل اتساق أحكام الإحالة، أو عبء العمل، أو المآلات ذات الصلة، بدلًا من افتراض أن تحسن AUC يعني منفعة للمرضى. ويجب أن تتولى الفرق المهنية المختصة مسؤولية أي دراسة فعلية لسير العمل والتحقق منها. يناقش هذا المقال بنية التقييم فقط، ولم ينفذ نشرًا سريريًا أو يوافق عليه.作者分析与复核建议 / Author analysis

ملحق تقني A · هدف إعادة البناء باستخدام الإخفاء ونقاط النهاية السريرية

يستخلص التعلم ذاتي الإشراف باستخدام الإخفاء إشارة التدريب من إعادة بناء أجزاء الصور، مما يشجع التمثيلات على الاحتفاظ بالبنى القابلة للتنبؤ، لكن استعادة البكسلات لا تتطلب فهم جميع العوامل السريرية. يربط RETFound التدريب المسبق بالتكييف الموسوم، بينما تظل القدرات ذات الصلة السريرية الفعلية خاضعة للتحقق من خلال المهام اللاحقة. يقترح هذا المقال فحص إسهامات هدف التدريب المسبق، والتمثيلات المجمدة، والضبط الدقيق الكامل كلًّا على حدة، والمقارنة ضمن ميزانية الوسوم نفسها. وإذا كانت إحصاءات الصور البسيطة تفسر معظم المكاسب بالفعل، فينبغي الإبلاغ عن ذلك كما هو، بدلًا من إرجاع كل التحسن إلى معرفة طبية عامة.[1] A foundation model for generalizable disease detection

ملحق تقني B · تغير انتشار المرض يختلف عن تغير المفهوم

إذا اقتصر التغير على نسبة الحالات، مع بقاء توزيع الصور مشروطًا بالحالة ثابتًا، فقد تُعاد معايرة بعض الاحتمالات بتعديل الاحتمالات القبلية؛ أما إذا تغيرت الأجهزة أو طيف الأمراض أو تعريفات الوسوم، فلا يكفي عادةً تعديل الاحتمالات القبلية وحده. يقترح هذا المقال اختبار نوع تغير التوزيع أولًا، ثم اتخاذ قرار التكييف. وينبغي وصف أدلة النظام الذي يؤدي جيدًا بعد إعادة المعايرة في مؤسسة جديدة بأنها أدلة بعد التكييف، وألا تُخلط بأدلة التعميم الخارجي دون تعديل. وتتطلب جميع التعديلات تحققًا على مجموعة محجوزة مستقلة، لتجنب الملاءمة والتقييم باستخدام وسوم الاختبار نفسها.作者分析与复核建议 / Author analysis

ملحق تقني C · التعاون بين النموذج والبشر ليس مجرد حساب متوسط

قد يغير البشر انتباههم بسبب إرشادات النموذج، أو يفرطون في الاعتماد عليه، أو يكررون المراجعة؛ لذلك لا يمكن اشتقاق أداء الفريق بمجرد جمع دقة النموذج ودقة البشر عند عمل كل منهما بصورة مستقلة. يقترح هذا المقال تسجيل القرار النهائي، وأسباب التعديل، وزمن المعالجة، والحالات غير القابلة للحسم في دراسات سير العمل، وإدراج شروط إظهار الإرشادات ضمن تصميم الدراسة. وينبغي أن تقارن نقاط النهاية الأساسية سير العمل الفعلي، بدلًا من التعامل مع درجة واحدة لنموذج خارج سير العمل الفعلي كما لو كانت قد غيّرت السلوك السريري بالفعل. كما تحتاج الرسوم التفسيرية إلى اختبار منفصل لمعرفة ما إذا كانت تساعد على اكتشاف الأخطاء، بدلًا من قياس مدى إعجاب المستخدمين بها فقط.作者分析与复核建议 / Author analysis

ملحق تقني D · تتطلب مهام المتابعة معالجة الزمن والرقابة الإحصائية

يتطلب التنبؤ بالأحداث المستقبلية تحديد من يدخل مجموعة المعرّضين للخطر ومتى، ومدة المتابعة، وكيفية التعامل مع الفقد من المتابعة. وإذا اعتُبر الأشخاص ذوو المتابعة القصيرة ممن لم يقع لديهم الحدث، أو جُمعت الصور بعد أن أصبح المرض واضحًا بالفعل، فإن المهمة تتغير. يقترح هذا المقال تثبيت الزمن المرجعي ونافذة التنبؤ، وتسجيل الرقابة الإحصائية والزيارات المتكررة، واستخدام تقييم متوافق مع نقطة النهاية. ولا يمكن لـ AUC لتصنيف عند نقطة واحدة أن تحل تلقائيًا محل تقييم المخاطر المرتبط بالزمن. تستطيع النماذج التأسيسية توفير التمثيلات، لكنها لا تلغي هذه الشروط الإحصائية في تصميم أتراب البيانات.作者分析与复核建议 / Author analysis

10. الخلاصة: يجب أن تتجسد قيمة النماذج التأسيسية في مهام محددة

أدخل التعلم ذاتي الإشراف واسع النطاق تمثيلات قابلة لإعادة الاستخدام إلى التصوير الطبي، لكن الوعود العلمية يجب أن تظل مرتبطة بمهمة وفئة سكانية محددتين بوضوح. وتوضح اشتقاقات انتشار المرض وعبء العمل في هذا المقال أن القدرة على الترتيب، والاحتمالات، وسير العمل ليست مسألة واحدة. وينبغي أن تحتفظ المخرجات القابلة للمراجعة بالتقسيم على مستوى المرضى، والظروف الخارجية، والعتبات، وحالات الامتناع والفشل، وأن تُبلغ عن الأدلة لكل تكييف على حدة. وتتيح هذه البنية عرض قيمة النماذج التأسيسية بدقة، كما تُبيّن للأبحاث اللاحقة أنواع القياسات الإضافية اللازمة للوصول إلى استخدام سريري موثوق.作者分析与复核建议 / Author analysis

المعادلات والاشتقاقات الأساسية

مسار المنهجية والأدلة

الرسوم التحليلية والأمثلة العددية

مثال قابل لإعادة الحساب

انتشار المرض 1%: TP 90، وFP 495، وPPV≈0.153846؛ انتشار المرض 20%: TP 1800، وFP 400، وPPV≈0.818182. هذه أعداد متوقعة فقط.

مقارنة المنهجيات

خطة المراجعة والتجارب

1. تثبيت الوسوم، والنافذة الزمنية، والنموذج، وقواعد جودة المدخلات لكل مهمة تكييف.
2. الفصل بين التدريب والاختبار بحسب المرضى لا الصور، مع الحفاظ على الروابط بين العينين والزيارات المتكررة.
3. مضاهاة ميزانيات التكييف وضبط المعلمات، وتسجيل التداخل بين بيانات التدريب المسبق والبيانات الخارجية.
4. تخصيص مجموعات محجوزة وإجراء تحليل طبقي على حدة بحسب الأجهزة والمؤسسات والزمن والفئات السكانية.
5. الإبلاغ بالتوازي عن التمييز، والمعايرة، والعتبات المحددة مسبقًا، والتغطية في ظل الامتناع.
6. إدراج جميع إخفاقات جمع البيانات والحالات غير القابلة للحسم في مقام سير العمل.
7. تحديد نقاط نهاية مستقلة لسير العمل في دراسات الظل أو الدراسات الاستباقية، تحت مسؤولية فريق بحثي متخصص.
8. إتاحة الإحصاءات المنزوعة الهوية وقواعد التحليل؛ ولا تُستخدم الأرقام المنشأة في هذا المقال لاتخاذ أحكام طبية فردية.

نطاق التطبيق والقيود

• لا توجد بيانات مرضى أو اختبارات فعلية لنماذج طبية.
• الحساسية والنوعية قيمتان مفترضتان، وليستا من نتائج RETFound.
• لا يمكن دمج المهام المختلفة ونقاط نهاية المتابعة في أداء تشخيصي عام.
• قد يتزامن تغير التوزيع مع تحيز الوسوم.
• لا يمثل هذا المقال توصية بالتشخيص أو العلاج أو النشر السريري.

أدلة الدراسات الأصلية ونطاق تطبيقها

أسئلة بحثية جديرة بالاختبار

1. بعد مضاهاة ميزانيات الوسوم والتكييف، على أي أجهزة خارجية تبقى المكاسب قائمة؟
2. هل تنقل استراتيجية الامتناع عبء العمل إلى فئات معينة على نحو غير متناسب؟
3. هل يمكن لتحسن التمييز أن يحقق منفعة جوهرية في سير عمل استباقي بعتبات ثابتة؟

مطابقة المصادر الأولية بالادعاءات

1. A foundation model for generalizable disease detection from retinal imagesZhou et al. · 2023-09-131.6 million unlabeled retinal images; task-specific adaptation and diagnosis/prognosis evaluation.
2. Clinically applicable deep learning for diagnosis and referral in retinal diseaseDe Fauw et al. · 2018-08-13Device-independent tissue segmentation and referral classification; ambiguities and failure examples.
3. WILDS: A Benchmark of in-the-Wild Distribution Shifts, , , , , , , , , , , , , , , , , , , , , , -------------------------------------------------------------------------------- · 2020-12-14Abstract; 原文方法、理论和实验章节见作者原始论文链接