في ظل التطورات الحديثة في التعلم العميق، أصبح الذكاء الاصطناعي جزءاً أساسياً من مجالات متنوعة، خاصة في التصوير الطبي. هذا الانتشار يأتي بفضل نماذج معمارية متطورة مثل شبكات ResNet، وتحويلات الرؤية (Vision Transformers)، والشبكات العصبية التلافيفية الهجينة (Hybrid Convolutional Neural Networks) التي توفر أداءً متفوقاً، لكن مع تعقيد أكبر.

تظهر هذه التعقيدات غالباً تأثيراً سلبياً على قابلية تفسير النماذج وشفافيتها. ومن أبرز الطرق التي ظهرت لمواجهة هذه التحديات هي طريقة SHAP والتي توفر تصورات تفسيرية تساعد المتخصصين في فهم تنبؤات النماذج.

إلا أن الشروحات التي تقدمها SHAP قد تكون غير مستقرة وغير موثوقة في ظروف عدم اليقين الإبستيمي والأليتورى (aleatoric uncertainty). في هذا السياق، تقدم دراسة جديدة أجرتها مجموعة UbiQVision حلاً مبتكراً من خلال استخدام تقنيات عينة ديريتشليت (Dirichlet posterior sampling) ونظرية ديمبستر-شيفر (Dempster-Shafer theory) لتقييم عدم اليقين الذي ينتج عن هذه الشروحات غير المستقرة.

يعتمد الإطار المستخدم في هذه الدراسة على تحليل كمي إحصائي، ويستخدم خريطة معتقدات، وخريطة محتملة، وخريطة دمج، مما يعزز من دقة تقدير عدم اليقين في SHAP. علاوة على ذلك، تم تقييم الإطار على ثلاث مجموعات بيانات للتصوير الطبي مع تنوع في توزيع الفئات، وجودة الصور، وأنواع النماذج، مما أدخل الضوضاء بسبب اختلاف دقة الصور والجوانب الخاصة بالنماذج، ويغطي أمثلة من علم الأمراض وطب العيون والأشعة، مما يعزز من عدم اليقين الإبستيمي بصورة ملحوظة.

باختصار، تمثل UbiQVision خطوة هامة نحو تحسين الرؤية والشفافية في استخدام تطبيقات الذكاء الاصطناعي في مجالات حيوية مثل التصوير الطبي. ومع استمرار التقدم في هذه التقنية، يمكن أن تُحقق الأبحاث المستقبلية نتائج أفضل تساهم في تعزيز الثقة في التنبؤات الذكية.