تحديات جديدة في تقدير وضعية الرضع: كيف يمكن لتقنيات التعلم القوي أن تتغلب على الضوضاء في التقييم؟

في عالم الذكاء الاصطناعي، تعتبر البيانات ذات الجودة العالية عنصرًا حاسمًا في تدريب نماذج التعلم العميق، وخاصة في التطبيقات السريرية مثل تقدير وضعية الرضع (Pose Estimation - PE). من المعروف أن الضوضاء في البيانات قد تعيق الأداء الفعال لنماذج الشبكات العصبية، لكن ماذا عن حالات تقدير وضعية الرضع؟

تحديث حديث تناول هذه القضية، حيث تم عرض استراتيجيات مبتكرة للتغلب على الضوضاء في البيانات المخصصة لتقدير وضعية الرضع.

تعمل التكنولوجيا الجديدة المعروفة باسم REliable keypoint selection via Memory of traINing Dynamics (REMIND) على اختيار النقاط الحاسمة بشكل موثوق من خلال تحليل ديناميكيات التدريب لكل نقطة، دون الحاجة إلى معرفة مسبقة بتوزيع الضوضاء. هذه الاستراتيجية تقدم حلاً مثاليًا لمشكلة الضوضاء التي تتواجد في البيانات، وهو ما يعد أمرًا بالغ الأهمية خاصة في سياقات الرعاية السريرية مثل حديثي الولادة.

عند اختبار هذه الاستراتيجية على مجموعة بيانات NeoPose، والتي تضم 46 مقطعًا من فيديوهات حديثي الولادة المسجلين في ظروف سريرية حقيقية، حققت REMIND نتائج مثيرة، حيث تمكنت من تحديد البيانات الملوثة بمعدل دقة بلغ 93% وفقًا لمعيار Area Under the Curve (AUC) مع ثلاث بنى معمارية مختلفة لتقدير وضعية الرضع المستخدمة في الأدبيات ذات الصلة.

ستفتح هذه التطورات أبوابًا جديدة لتحسين خوارزميات التعلم المستخدمة في دعم مراقبة الرضع، مما يؤكد أهمية الحصول على بيانات دقيقة وموثوقة.