Διαμόρφωση Συστήματος Πολυεπίπεδης Μάθησης Πολλαπλών Παραδειγμάτων με Καθοδήγηση Χρόνου Στάσης για τη Διαλογή Κυτταρολογικών Τραχηλικών Επιχρισμάτων

Abstract

Ο καρκίνος του τραχήλου της μήτρας αποτελεί μία από τις πιο συχνές και απειλητικές νεοπλασίες παγκοσμίως, με τον τακτικό προληπτικό έλεγχο μέσω της κυτταρολογικής εξέτασης κατά Παπανικολάου (Pap test) να διαδραματίζει καθοριστικό ρόλο στην έγκαιρη διάγνωση και αντιμετώπισή της. Ωστόσο, η συμβατική αξιολόγηση των τραχηλικών επιχρισμάτων στο οπτικό μικροσκόπιο παραμένει μια εξαιρετικά απαιτητική και κουραστική διαδικασία, καθώς βασίζεται στην εκτίμηση εκατοντάδων χιλιάδων κυττάρων από τον ειδικό κυτταρολόγο. Το γεγονός αυτό μπορεί να οδηγήσει σε ασυνέπειες ή παραλείψεις σπάνιων παθολογικών αλλοιώσεων λόγω οπτικής κόπωσης, επηρεάζοντας την ακρίβεια της κλινικής διαλογής. Στο πλαίσιο αυτό, η παρούσα έρευνα επιχειρεί να καλύψει αυτό το κενό, προτείνοντας μια αυτοματοποιημένη μεθοδολογία Μηχανικής Μάθησης (ML) για την αξιόπιστη διαλογή τραχηλικών επιχρισμάτων. Για το εγχείρημα αυτό αξιοποιείται η προσέγγιση «ειδικού στον βρόχο» (Human-in-the-Loop) σε συνδυασμό με τη Μάθηση Πολλαπλών Παραδειγμάτων (Multiple Instance Learning – MIL) υπό ασθενή εποπτεία. Αντί το σύστημα να βασίζεται αποκλειστικά σε στατικές απεικονίσεις, ενσωματώνει άμεσα τη γνωστική διεργασία και τη δυναμική της παρατήρησης της κυτταρολόγου κατά τη φυσική πορεία της εξέτασης. Σύμφωνα με τη μέθοδο αυτή, η ροή βίντεο από το μικροσκόπιο διαχωρίζεται σε στατικά πεδία παρατήρησης, και ο χρόνος στάσης (dwell time) αξιοποιείται για να κατευθύνει επιλεκτικά τους μηχανισμούς προσοχής (attention) του μοντέλου σε περιοχές με αυξημένη διαγνωστική βαρύτητα. Παράλληλα, εφαρμόζεται πολυεπίπεδη ανάλυση σε διαφορετικές κλίμακες μεγέθυνσης, επιτρέποντας την ταυτόχρονη συνεκτίμηση τόσο του ευρύτερου κυτταρικού περιβάλλοντος όσο και της λεπτομερούς πυρηνικής μορφολογίας. Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση μιας καινοτόμου μεθόδου διαλογής που συνδυάζει την τεχνητή νοημοσύνη με τη συμπεριφορική εμπειρία του ειδικού, ξεπερνώντας τους περιορισμούς της απλής οπτικής αναγνώρισης προτύπων. Η έρευνα αυτή είναι επεκτάσιμη και μπορεί να προσαρμοστεί περαιτέρω για την κάλυψη ευρύτερων διαγνωστικών κατηγοριών, θέτοντας τα θεμέλια για την ανάπτυξη έξυπνων συστημάτων υποβοήθησης σε πραγματικό χρόνο (AI co-pilot) στα σύγχρονα κυτταρολογικά εργαστήρια.