تعتبر تخطيط صدى القلب (Echocardiography) من أولى تقنيات التصوير المستخدمة لتقييم وظيفة القلب، حيث تلعب عملية تجزئة الهياكل القلبية دورًا أساسيًا في اشتقاق المؤشرات الحيوية. تواجه تطوير نماذج التجزئة الآلية فعالية العديد من التحديات، ومن أهمها صعوبة التدريب على بيانات تأتي من مصادر متعددة وفي كثير من الأحيان تكون غير موصوفة بالكامل.

في هذه الدراسة الجديدة، تم تقييم أداء ثلاث دوال خسارة - دالة الخسارة التكيفية لعمليات التصنيف المتعددة (adaptive categorical cross entropy - aCCE)، دالة الخسارة الهامشية (marginal loss)، ودالة الخسارة التكيفية الثنائية (adaptive binary cross entropy - aBCE) - وكيفية التعامل مع بيانات التدريب الجزئية.

أُجري تحليل شامل لأداء هذه الدوال عبر سيناريوهات متعددة وهياكل شبكية مختلفة، في مهام داخل المجال (intra-domain) ومهام عبر المجالات (inter-domain)، بما في ذلك كل من التسميات الجزئية والمكتملة.

أظهرت التجارب أن جميع دوال الخسارة الثلاثة تتمتع بأداء قوي في مهام التجزئة داخل المجال، حيث تمكنت من التعامل بكفاءة مع تباينات التسميات. ولكن في المهام عبر المجالات، حيث تم تدريب النماذج على مجموعات بيانات تفتقر إلى بعض التسميات، تميزت دالتي aBCE والخسارة الهامشية بأداء متفوق عندما كان هناك نقص في تسمية واحدة من بعض أمثلة التدريب. في السيناريوهات التي تشمل نقص أكثر من تسمية واحدة، أظهرت دالة الخسارة الهامشية أداءً ممتازًا، مما يبرز صلابتها في مثل هذه الظروف المعقدة.

تسلط هذه النتائج الضوء على نقاط القوة في كل دالة خسارة اعتمادًا على سيناريو التصنيف، مما يؤكد أهمية اختيار دالة الخسارة المناسبة لتحسين أداء النموذج. تمثل هذه الدراسة التحقيق الأول لتقنيات التعامل مع البيانات الجزئية من عدة مجالات مختلفة في تجزئة تخطيط صدى القلب، وتوفر مقارنة شاملة للحلول المعتمدة على الخسارة.