اعتمدت الدراسات الحديثة في مجال تحليل الصور الطبية بشكل متزايد على تقنيات التعلم العميق، ومع ذلك، تشير الأبحاث إلى أن نحو 10% من الصور المُعلمة يدويًا قد تحتوي على أخطاء، مما يؤثر سلبًا على أداء النماذج. في خطوة مبتكرة، طرحت دراسة جديدة طريقة آلية تهدف إلى التعرف على هذه الصور المُعلمة بشكل خاطئ من خلال تحليل تسلسلات دوال الخسارة (Loss Functions) عبر فترات تدريب متعددة.

تتضمن هذه الطريقة استخدام الشبكات العميقة لتصنيف الصور، حيث تم تقييم التجربة الأولى على مجموعة بيانات صور قاع العين المستخدمة في فحص اعتلال الشبكية السكري. من بين 10,788 علامة ذهبية، تم تعمد تبديل 6% منها، وقد تمكنت الطريقة من التعرف على 75.31% (488) من العينات المقلوبة، مع نسبة خطأ بلغت 4.85% فقط بين العينات المعلمة بدقة.

في التجربة الثانية، بعد مراجعة وتصحيح 980 عينة (9.1% من مجموعة البيانات)، أظهرت النتائج تحسنًا ملحوظًا في دقة النموذج، حيث ارتفعت من 95.93% (مع 6% من ضجيج التسميات) إلى 96.50% (مع 1.5% ضجيج)، مما يقترب من الدقة المثالية 96.57% (مع 0% ضجيج). هذه النتائج توضح جدوى الأسلوب المقترح في تحسين جودة البيانات ودقة النماذج من خلال مراقبة جودة التسمية بشكل آلي.