في عصر التطور السريع في تقنيات الذكاء الاصطناعي، تبرز نماذج التعلم الذاتي (Self-Supervised Learning) كأداة ثورية لتحسين فهم الصور الطبية، خاصة في مجال الأشعة السينية للصدر. **DINOv3** هو نموذج متقدم يسعى لتحسين هذا المجال من خلال تكامل تقنيات جديدة مثل التحليل الذاتي المستند إلى يُختص بالنمط (Gram-anchored self-distillation) والتكيف مع الدقة العالية.

كانت الفرضية الرئيسية لهذا البحث هي تقييم ما إذا كانت هذه التحديثات ستؤدي إلى تحسينات ملحوظة في تصنيف الأشعة السينية. تم مقارنة أداء **DINOv3** مع النموذج السابق **DINOv2** ونموذج مراقب آخر يعتمد على **ImageNet**، عبر سبع مجموعات من بيانات الأشعة السينية، تضمنت أكثر من 816,183 صورة من حالات أطفال وبالغين.

تم تقييم الأداء باستخدام عدة دقات، حيث أظهرت النتائج أنه في مجموعات البالغين، لم يتفوق **DINOv3** على **DINOv2** في دقة 224 × 224 بكسل، لكنه أظهر أداءً استثنائيًا في دقة 512 × 512 بكسل، وخاصةً عند استخدام نموذج **ConvNeXt-B**. الأرجح أن **DINOv3** قدّم أفضل النتائج في تحديد الشذوذات الصغيرة والمعتمدة على الحدود، بينما كانت النتائج المرتبطة بالهياكل الكبيرة أقل تأثرًا.

من جهة أخرى، لم تُظهر مجموعة الأطفال فوائد ملحوظة من استخدام **DINOv3** أو التحسينات من الدقة الأعلى. كما أن التحجيم إلى 1024 × 1024 بكسل نادرًا ما حسّن الأداء ولكنه زاد بشكل ملحوظ من التكلفة الحاسوبية. بقي **ConvNeXt-B** متفوقًا على **ViT-B/16** خلال جميع أساليب التكيف.

تأكدت النتائج الإضافية من أن المزايا التي حققتها **DINOv3** في دقة 512 × 512 كانت تعتمد على معالجة دقيقة، مما يجعلها مهمة في تصنيف الأشعة السينية للصدر. إن استخدام نماذج متوسطة الحجم بالكامل عند هذه الدقة يُعتبر أفضل خيار من حيث التكلفة والأداء.

ختامًا، تقدم **DINOv3** تحسينات واعدة في تصنيف الأشعة السينية للصدر، مما يفتح المجال لمستقبل واعد في تطبيقات الذكاء الاصطناعي الطبية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.