تعتبر السلامة والدقة من العناصر الأساسية عند استخدام أنظمة الإجابة على الأسئلة (VQA) في مجال الجراحة، حيث إن أي استجابة غير صحيحة أو غامضة قد تؤدي إلى مخاطر على صحة المريض. واحدة من التحديات الرئيسية التي واجهها الباحثون في تقدير حالات عدم اليقين هي الطريقة المستخدمة في تقدير (Semantic Nearest Neighbor Entropy - SNNE)، التي لا تأخذ بعين الاعتبار السؤال المحدد الذي تم طرحه.

لحل هذه المشكلة، قدم العلماء تقنية جديدة تُعرف باسم (Question-Aligned Semantic Nearest Neighbor Entropy - QA-SNNE). تعتبر هذه التقنية أداة تقدير عدم اليقين، حيث تضيف عنصر مواءمة السؤال مع الإجابات في تقدير الإنتروبيا الدلالية. من خلال تطبيق أساليب توازن ثنائي، تقوم QA-SNNE بقياس عدم اليقين من خلال وزن التشابهات الدلالية بين الإجابات المختارة بناءً على مدى صلتها بالسؤال المطروح.

قامت الفرق البحثية أيضًا ببناء مجموعة بيانات جديدة لإعادة صياغة الأسئلة بهدف تقييم مرونة النظام تجاه اختلافات اللغة. حيث تم تعديل صياغة الأسئلة، لكن الصور والإجابات الحقيقية ظلت كما هي. تم تقييم QA-SNNE على خمسة نماذج VQA مختلفة عبر مجموعتين من البيانات في سياقات متعددة، بما في ذلك الأسئلة المعاد صياغتها. وقد أظهرت النتائج أن QA-SNNE نجحت في تحسين أداء النموذج، وأدى ذلك إلى زيادة في معدل دقة النماذج بما يصل إلى 21%.

بالمجمل، توفر تقنية QA-SNNE حماية عملية وغير مرتبطة بنموذج معين لأنظمة VQA الجراحية من خلال ربط عدم اليقين الدلالي بمدى صلة السؤال، مما يعني أنه يمكن تثبيت هذه التقنية في أنظمة متعددة، وهو ما يعزز من أمان العمليات الجراحية.