تعتبر الموجات فوق الصوتية لتصوير القلب (Echocardiography) من الأدوات الأساسية في المجال الطبي التشخيصي، إلا أن النماذج الذكية التي تعتمد على التعلم العميق (Deep Learning) تواجه تحديات كبيرة عند تطبيقها عبر مؤسسات مختلفة أو على مجموعات مرضى متنوعة. هذا يعود بشكل رئيسي إلى صعوبة جمع مجموعات بيانات كبيرة وموحدة بدقة.

في دراسة جديدة على موقع arXiv، تم استكشاف فعالية 29 تقنية متنوعة من تقنيات زيادة البيانات (Data Augmentation) لتقدير الجانب الأيسر من القلب (Left Ventricular Segmentation) باستخدام نموذج U-Net. تم استخدام مجموعات بيانات متعددة تشمل Unity وCAMUS وEchoNet Dynamic، مع إجراء تقييم شامل للأداء تحت العديد من الإعدادات.

أظهرت النتائج أن التحولات الهندسية المعقولة نوعًا ما، مثل التدوير والتمديد والتحويل، تؤدي بشكل ملحوظ إلى تحسين الأداء عبر قواعد بيانات مختلفة. بالمقابل، فإن الأساليب العدوانية القائم عليها تغيير الشدة أو التي تتضمن العيوب، غالبًا ما تضر بالموثوقية العامة للنموذج.

تجدر الإشارة إلى أن الجمع بين تقنيات زيادة البيانات كان لها تأثير كبير، حيث أظهرت المجموعات المثيرة للاهتمام، مثل الدمج بين التحويلات الهندسية والتقلبات العشوائية، تحسينات مستمرة في معظم السيناريوهات.

تقدم هذه النتائج توجيهات قوية للممارسين في تصميم سياسات زيادة البيانات التي تعزز من قوة ونقل نماذج تشخيص الموجات فوق الصوتية، مما يسمح بتحقيق نتائج أكثر دقة وموثوقية في التشخيص القلبي.