تواجه نماذج تقسيم الصور الطبية (Medical Image Segmentation) تحديًا كبيرًا في تحقيق أداء متوازن بين المجموعات الفرعية المختلفة. معظم الطرق المتاحة حالياً تركز على تحسين الأداء المتوسط للمجموعات الفرعية، مما يؤدي إلى إهمال الحالات المعقدة داخل كل مجموعة، وهو ما يعرف بمشكلة "فشل الاختباء داخل المجموعة" (Intra-group Hidden Failure).
لتجاوز هذه العقبة، تم تقديم آلية جديدة تحت مسمى "DuetFair"، وهي إطار عدالة مزدوج المحور يأخذ بعين الاعتبار التكيف بين المجموعات والتماسك الداخلي لكل مجموعة.
استنادًا إلى DuetFair، تم تطوير تقنية "FairDRO"، التي تجمع بين فحص التوزيع المدرك لمجموعة من الخبراء (dMoE) وتجميع خسارة التكيف القوي المبني على المجموعات (Subgroup-conditioned Distributionally Robust Optimization). من خلال هذا التصميم، يستطيع النموذج التكيف عبر المجموعات المختلفة وفي ذات الوقت تقليل الفشل المخفي داخل كل مجموعة.
أثبتت "FairDRO" قدرتها التنافسية العالية من خلال تقييمها على ثلاثة معايير لتقسيم الصور الطبية ذات درجات متفاوتة من التغاير داخل المجموعة. حيث حققت "FairDRO" أفضل أداء متوازن على معيار Harvard-FairSeg وحسّنت الأداء في أسوأ الحالات على مجموعة HAM10000 تحت تصنيفات عمريّة وعرقية متنوعة.
علاوة على ذلك، أظهرت "FairDRO" تحسنًا بنسبة 6.0% في النقاط على مجموعة تخطيط العلاج الإشعاعي تحت تصنيف مراحل الورم و7.4% تحت تصنيف المؤسسات، مقارنة بالأسس الأقوى المستخدمة في السابق.
إن تطبيق "DuetFair" سيمثل تحولاً نوعياً في كيفية تقديم الخدمات الطبية باستخدام تقنيات الذكاء الاصطناعي، مما سيؤدي إلى نتائج أكثر إنصافًا وفاعلية للمرضى.