في سعيها لتجاوز القيود المفروضة على أنماط تحليل الصور الطبية، قدمت دراسة جديدة نموذج BTI-Net، الذي يعتبر علامة فارقة في استخدام الذكاء الاصطناعي لتحليل الصور الطبية. المصمم لتسهيل التعلم المشترك بين تمييز الصور وتصنيفها، يتجاوز BTI-Net القيود التي تفرضها هياكل المشاركة المعتادة.

تتميز هذه الإضافة الجديدة بتفاعل ثنائي الاتجاه على مستوى المفكك (decoder) بوساطة وحدات تفاعل المهام (Task Interaction Modules - TIM)، مما يتيح تبادل المعلومات بين خيوط المهام بشكل فعّال. كلما تم تقسيم المعلومات بين المهام، يمكن استغلال التوجهات السياقية الدقيقة التي تعزز من الدقة الكلية.

يستفيد BTI-Net من السياق الحدودي (Spatial Boundary Context) المدعوم بمستويات مختلفة من التحسين ليتناسب مع التعقيد المشهد وموثوقية التصنيف. وقد أظهرت التجارب المنفذة على ثلاثة معايير طبية تشمل الموجات فوق الصوتية (Ultrasound) والعناية الجلدية (Dermoscopy) والتصوير بالرنين المغناطيسي للدماغ (Brain MRI) نتائج مثيرة، تجسد تحسينات ملحوظة في دقة التقسيم (IoU) ودقة التصنيف.

كما أن استخدام الانتباه القائم على عدم اليقين (Uncertainty Proxy Attention - UPA) يعزز من عملية الاستجابة للمدخلات غير المؤكدة، مما يجعل النموذج أكثر كفاءة وموثوقية. تتيح هذه التقنية إمكانية التعرف على الأخطاء المحتملة بشكل آلي دون الحاجة إلى عمليات إضافية.

تظهر النتائج أن BTI-Net يتفوق على النماذج التقليدية، حيث سجل زيادة بنحو 2.36 في مؤشرات ضمن دقة التقسيم، و2.26 نقطة في دقة التصنيف. هذا الابتكار يمثل خطوة هامة تتوجه نحو تحسين التحليلات الطبية ومساعدة الأطباء في قراراتهم.

إذا كنت مشجعًا للتقنية والذكاء الاصطناعي، ما رأيك في كيفية تطور أساليب تحليل الصور الطبية؟ شاركونا آراءكم في التعليقات!