نظام تعلم عميق متعدد الوسائط قابل للتفسير للكشف المبكر عن أمراض الغدة الدرقية وتصنيفها باستخدام شبكات كولموغوروف-أرنولد

الملخص

لا يزال طب الغدد الصماء يواجه صعوبة في الكشف عن اضطرابات الغدة الدرقية وتصنيفها، والتي تتراوح بين الخلل الوظيفي الخفي الطفيف والتهاب الغدة الدرقية والعقيدات الواضحة. وغالبًا ما تفتقر أدوات التشخيص أحادية النمط إلى الحساسية الكافية عند مواجهة تفاعلات هرمونية معقدة أو حالات جهازية متداخلة. ولمعالجة هذه القصور، يُقترح نظام ThyroNet-XAI كحل لهذه المشكلة. يدمج هذا الإطار المبتكر، القابل للتفسير ومتعدد الوسائط للتعلم العميق، بشكل تآزري السجلات السريرية المنظمة، والمؤشرات الحيوية الغدية الصماوية، والتصوير الطبي متعدد المعايير (الموجات فوق الصوتية، والتصوير بالرنين المغناطيسي، والتصوير المقطعي بإصدار فوتون واحد SPECT). وفي هذا النهج، يتم استبدال الشبكات العصبية متعددة الطبقات التقليدية (MLPs) بشبكات كولموغوروف-أرنولد (KANs)، التي تستخدم دوال تنشيط تكيّفية قائمة على منحنيات B-spline على حواف الشبكة لنمذجة التبعيات الكيميائية الحيوية المعقدة. ولضمان قابلية التفسير، يُستخدم آلية اهتمام متقاطع ديناميكية متعددة الرؤوس إلى جانب طريقة تفسيرات شابلي الإضافية (SHAP). وكجزء من عملية التحقق، تم استخدام مجموعة بيانات TNS000

للعقيدات ومجموعة بيانات UCI للغدة الدرقية للتحقق من صحة نظام ThyroNet-XAI. وقد تبيّن أن ThyroNet-XAI يتفوق على أحدث النماذج متعددة الوسائط المرجعية، إذ يقدم تصنيفات للسمات قابلة للتفسير سريريًا، مع تحقيق دقة تصنيف بلغت 98.65%.