قفزة مذهلة في دقة نماذج تصوير القلب باستخدام الذكاء الاصطناعي!
دراسة جديدة تكشف عن استراتيجيات مبتكرة لتحسين دقة نماذج تقسيم صور القلب باستخدام الذكاء الاصطناعي. النتائج تظهر قدرة مذهلة على تصحيح الأخطاء وتقديم أداء متفوق في ظل ظروف صعبة.
تعتمد نماذج الذكاء الاصطناعي العميق (Deep Learning) المستخدمة في تقسيم صور القلب على تسميات دقيقة تُعرف بالأرض الحقيقية (Ground Truth) والتي تُستخرج من التقديرات اليدوية. للأسف، هذه التسميات قد تحتوي على أخطاء عشوائية أو تحيزات منهجية، مما يهدد دقة النتائج.
في بحث جديد تم نشره على منصة arXiv، تم تحليل مدى تحمل نماذج تعلم الآلة للأخطاء التي قد تظهر في تقسيم صور القلب (Echocardiography). تم اقتراح استراتيجية مبتكرة للكشف عن هذه الأخطاء وتصحيح التسميات الخاطئة خلال مرحلة تدريب النموذج.
استخدم الباحثون مجموعة بيانات CAMUS لمحاكاة ثلاثة أنواع من الأخطاء، وتمت مقارنة منهجيتين، إحداهما تعتمد على معالجة الأخطاء بناءً على خسائر التسميات (Loss-based GT label error detection) والأخرى تعتمد على تباين التدرجات (Variance of Gradients - VOG).
كما تم تقديم اقتراحات لتقنية التوصيف الزائف (Pseudo-labelling) لتحسين التسميات المشتبه في كونها خاطئة. أظهرت النتائج أن استخدام VOG كان فعالاً للغاية في تحديد التسميات الخاطئة أثناء التدريب. وعلى الرغم من ذلك، حافظ نموذج U-Net القياسي على أداء قوي حتى في ظروف الأخطاء العشوائية والمستويات المعتدلة من الأخطاء النظامية (حتى 50%).
بفضل هذه الاستراتيجيات، تم تحسين الأداء بشكل ملحوظ، خصوصاً في ظل ظروف الأخطاء العالية، مما يعد خطوة هامة نحو تحسين دقة نماذج الذكاء الاصطناعي في المجال الطبي.
في بحث جديد تم نشره على منصة arXiv، تم تحليل مدى تحمل نماذج تعلم الآلة للأخطاء التي قد تظهر في تقسيم صور القلب (Echocardiography). تم اقتراح استراتيجية مبتكرة للكشف عن هذه الأخطاء وتصحيح التسميات الخاطئة خلال مرحلة تدريب النموذج.
استخدم الباحثون مجموعة بيانات CAMUS لمحاكاة ثلاثة أنواع من الأخطاء، وتمت مقارنة منهجيتين، إحداهما تعتمد على معالجة الأخطاء بناءً على خسائر التسميات (Loss-based GT label error detection) والأخرى تعتمد على تباين التدرجات (Variance of Gradients - VOG).
كما تم تقديم اقتراحات لتقنية التوصيف الزائف (Pseudo-labelling) لتحسين التسميات المشتبه في كونها خاطئة. أظهرت النتائج أن استخدام VOG كان فعالاً للغاية في تحديد التسميات الخاطئة أثناء التدريب. وعلى الرغم من ذلك، حافظ نموذج U-Net القياسي على أداء قوي حتى في ظروف الأخطاء العشوائية والمستويات المعتدلة من الأخطاء النظامية (حتى 50%).
بفضل هذه الاستراتيجيات، تم تحسين الأداء بشكل ملحوظ، خصوصاً في ظل ظروف الأخطاء العالية، مما يعد خطوة هامة نحو تحسين دقة نماذج الذكاء الاصطناعي في المجال الطبي.
