في عصر أصبح فيه الذكاء الاصطناعي (AI) جزءاً لا يتجزأ من مجالات الطب والتشخيص، فإن التقدم في تقنيات التعلم الآلي يعيد تعريف طرق الكشف عن الأمراض مثل سرطان الثدي. لقد أظهرت نماذج التعلم العميق (Deep Learning)، التي تشمل الشبكات العصبية التلافيفية (CNNs) والنماذج الهجينة، قدرة ملحوظة على تحليل الصور الطبية بدقة متناهية، لكن يترافق ذلك مع قلق متزايد بشأن تأثيرها البيئي.

تناولت دراسة جديدة مقارنة بين سبعة نماذج عميقة تكشف عن سرطان الثدي انطلاقاً من بيانات طبية متنوعة، وتشمل مجموعة بيانات تصوير الثدي بالموجات فوق الصوتية وبيانات BreakHis بدقة 400X. تم التقييم ليس فقط على أساس معايير الأداء، بل أيضاً من خلال قياس انبعاثات ثاني أكسيد الكربون خلال فترات التدريب والاستدلال.

وكشفت النتائج أن نماذج مثل EfficientNet وResNet تقدم أداءً عالياً، ولكن مع انبعاثات كربونية مرتفعة، بينما احتلت نماذج التحويل مثل DeiT-Tiny المركز التنافسي على كلا البيانتين. في حين حقق نموذج DenseNet121 دقة أقل مما كان متوقعاً.

عند تحليل مجموعة بيانات تصوير الثدي، أظهر نموذج DeiT أفضل توازن بين الدقة واستهلاك الطاقة، بينما كانت نماذج ViT وSwin هي الأبرز في مجموعة بيانات BreakHis. يمكن الاستنتاج من هذه النتائج أنه لا يوجد نموذج واحد يسيطر على الفئات المعمارية المدروسة عبر المجموعتين، مما يبرز أهمية مراعاة الأداء والانبعاثات وخصائص البيانات عند اختيار النماذج للاستخدامات الطبية.

هل تعتقد أن التأثير البيئي قد يؤثر على اختيار النماذج في مجالات الطب؟ شاركونا بآرائكم في التعليقات!