في عالم الطبّ الحديث، يتطلب التعامل مع البيانات المعقدة والديناميكية أنظمة تعلم عملاقة موثوقة، وتبرز هنا أهمية اكتشاف البيانات خارج التوزيع (Out-of-Distribution Detection). يقوم هذا الاكتشاف بدور حيوي في تعزيز موثوقية وعمومية نماذج التعلم العميق (Deep Learning) عند مواجهة بيانات تتجاوز توزيع التدريب، مثل الحالات المرضية غير المرئية.

تعاني الطرق الحالية لاكتشاف البيانات خارج التوزيع من الاعتماد على نمط واحد من المعلومات، سواء كان ذلك من خلال صور أو مطابقة النص مع الصور، مما يمنع الاستفادة الكاملة من المعلومات المتعددة الوسائط. لذا، تم اقتراح إطار عمل ثنائي الفروع (Dual-Branch Framework) يجمع بين شقي النص والصورة مع الشق البصري

يعتمد هذا الإطار الجديد على استغلال تمثيلات متعددة الوسائط للكشف عن العينات خارج التوزيع عبر هذين الفرعين التكميليين. بعد التدريب، يتم حساب درجات من الفرع النصّي-الصوري ($S_t$) والفرع البصري ($S_v$)، ودمجهما للحصول على الدرجة النهائية $S$ التي تقارن بحد معين لاكتشاف بيانات خارج التوزيع.

أظهرت التجارب الشاملة على مجموعات بيانات الصور من المناظير المعتمدة علناً أن هذا الإطار الجديد يعزز الأداء حتى 24.84% مقارنةً بأفضل النتائج الحالية، مما يفتح آفاقاً جديدة لتطبيقات الذكاء الاصطناعي في المجال الطبي.