پژوهش تازهای از سوی محققانی که روششناسی InterSHAP را برای پیشبینی بقا بهکار گرفتهاند، یک فرض بنیادین در یادگیری عمیق چندوجهی برای پیشبینی سرطان را به چالش کشیده است. این تحقیق که روش مذکور را بر مدلهای مخاطره متناسب کوکس برای پیشبینی بقای گلیوما اعمال کرده، دریافته است که معماریهایی با تمایز برتر، در عمل تعاملات کمتر یا برابری بین وجههای مختلف از خود نشان میدهند.
این مطالعه چهار معماری ادغام را ارزیابی کرد که تصاویر کامل بافتی و ویژگیهای RNA-seq را ترکیب میکردند. دادهها از مجموعههای TCGA-GBM و TCGA-LGG شامل ۵۷۵ بیمار استفاده شد. در حالی که امتیازات شاخص C معماریها از ۰.۶۴ به ۰.۸۲ بهبود یافت، تعامل بین وجهی از ۴.۸ درصد به ۳.۰ درصد کاهش نشان داد. این رابطه معکوس بین عملکرد پیشبینی و تعامل اندازهگیریشده، فرضیه رایج درباره سودمندی تعاملات همافزایی را نقض میکند.
تحلیل واریانس در میان تمام معماریها نشان داد که مشارکتهای افزودنی بهطور قابلتوجهی پایدار هستند: ویژگیهای تصاویر بافتی حدود ۴۰ درصد، ویژگیهای RNA-seq حدود ۵۵ درصد، و اثرات تعاملی تنها حدود ۴ درصد سهیم هستند. این الگوی سازگار در استراتژیهای ادغام مختلف نشان میدهد که دستاوردهای عملکرد از تجمیع سیگنالهای مکمل و نه از یادگیری همافزایی بین وجهها ناشی میشود.
یافتهها پیامدهای مهمی هم برای روششناسی پژوهش و هم برای استقرار بالینی دارند. محققان InterSHAP را به عنوان ابزاری کاربردی برای حسابرسی مدل و مقایسه استراتژیهای ادغام معرفی میکنند. علاوه بر این، غلبه تعاملات افزودنی بر همافزایی، مزایای بالقوهای برای استقرار فدرال حفظ حریم خصوصی پیشنهاد میدهد؛ جایی که دادههای حساس پزشکی میتوانند بهصورت محلی توسط مدلهای تخصصی پردازش شوند.
این پژوهش به JingHua Ye نسبت داده شده و نشاندهنده پیشرفت روششناختی در نحوه کمیسازی و حسابرسی تعاملات بینوجهی است.
گفتگو