تعد خوارزميات التكيف غير الخاضع للإشراف (Unsupervised Domain Adaptation) أداة قوية في مجال التصوير الطبي، لكنها تواجه تحديات كبيرة عند محاولة اختيار الأنسب منها لتحقيق النتائج المثلى في البيئات السريرية. يُعد هذا الأمر هاجسًا للباحثين حيث أن عدم توفر بيانات ملصقة في المجال الهدف (Target Domain) يجعل من الصعب تقييم أدوات التكيف.

للتغلب على هذه العقبة، قدم الباحثون منهجية جديدة تعتمد على معيار خالٍ من الملصقات يتم من خلاله اختيار الخوارزمية الأنسب والبارامترات المطلوبة لتطبيقات UDA. تعتمد الآلية على تقييم مجموعة من النماذج المرشحة المستخلصة من عدة خوارزميات، حيث يتم تقييم كل نموذج ضد مرجع توافق تم إنشاؤه على مستويين دون الحاجة لاستخدام بيانات هدف ملصقة.

أولاً، يتم الاستفادة من إشارات اختيار متعددة خالية من الملصقات، مما يسهل ترشيح نموذج من كل خوارزمية. ثم يتم تجميع النماذج المرشحة معًا عبر الخوارزميات لتكوين توقع مرجعي لكل عينة هدف غير ملصقة.

النموذج الذي تتوافق توقعاته مع هذا المرجع بشكل أكبر هو الذي يتم اختياره للنشر. أظهرت النتائج التجريبية على أربع مجموعات من بيانات تصوير الرنين المغناطيسي للدماغ وأربع مجموعات من تصوير الأشعة السينية للصدر عبر سبع سيناريوهات نقل ذات صلة سريرية أن هذه المنهجية قد حققت أداءً أفضل في اختيار النموذج مقارنةً بطرق أخرى، وظلت فعالة عبر مجموعة من الخوارزميات.

تُعتبر هذه الخطوة بمثابة تطور ملحوظ نحو تطبيقات عملية واختيار خوارزميات فعال في مجالات التصميم السريري للتكيف غير الخاضع للإشراف، مما قد يفتح آفاقًا جديدة في عالم الطب الرقمي.